本文整理自 YouTube 视频《AI’s Trillion-Dollar Opportunity: Sequoia AI Ascent 2025 Keynote》，由有道龙虾总结和发布。
Sequoia 的 AI Ascent 开场演讲，表面上是一场活动欢迎词，实际上更像一次给创业者和投资人的集体校准。
演讲由 Pat、Sonia 和 Constantine 三部分组成：先从宏观上解释 AI 这波浪潮为什么特殊，再讲 2026 年正在发生的核心变化，最后把 AI 放进更长的人类技术史里，讨论一个由机器承担大部分认知工作的未来。
他们的判断很明确：AI 不是又一个软件周期，也不是移动互联网的延长线。它是一场计算方式的革命，而且速度更快、市场更大、影响更深。
AI 不是凭空出现的，它站在过去所有浪潮之上
开场先把镜头拉得很远。
硅基晶体管给了硅谷名字；晶体管被做进系统，系统通过网络连接起来，互联网由此出现；互联网又孕育了社交媒体、云计算；云和移动设备进入每个人口袋，最后才有了今天看起来“像魔法一样”的 AI。
Sequoia 强调这一点，是因为技术浪潮不是互相替代，而是叠加的。
今天的 AI 能够爆发，靠的不是某一个单点奇迹，而是几十年积累下来的算力、带宽、数据、工程人才和用户习惯。没有云，就没有大规模训练和推理；没有移动和互联网，就没有足够丰富的数据和分发；没有半导体持续演进，就没有足够便宜的计算。
所以这波 AI 浪潮看起来突然，其实是很多层基础设施堆到临界点后的结果。
这波浪潮最大的不同：它同时吃软件和服务
Pat 给 AI 浪潮总结了三个特征：最大、最快、最不同。
第一，它可能是目前为止最大的技术浪潮。
过去 15 年，云计算推动软件市场从大约 3500 亿美元增长到 6500 亿美元，其中云软件成长到约 4000 亿美元规模。这个数字已经非常大，但 AI 的新变量在于，它不只进入软件市场，还开始进入服务市场。
演讲里用了一个很直观的例子：美国法律服务单一垂直、单一地区就是约 4000 亿美元市场，几乎相当于整个云软件规模。
如果 AI 能够承担一部分法律、医疗、金融、咨询、销售、运营、人力、教育等服务工作，那它面对的就不是几千亿美元的软件 TAM，而可能是数万亿美元级别的服务市场。
他们用了一个方便记忆的数字：10 万亿美元。这个数字不一定精确，可能是 5 万亿，也可能是 50 万亿，但方向很清楚：AI 第一次让软件公司有机会直接触碰传统服务收入。
这也是“services is the new software”的含义。未来很多 AI 公司卖的不是一个工具，而是一个能把事情做完的结果。
这是最快的一波：白地正在迅速被填满
第二，AI 是最快的一波。
互联网、云、移动时代都诞生了一批十亿美元收入级别的公司，但它们的成长往往需要多年。AI 时代的空白市场被填满的速度明显更快。
Pat 提到，现在已经有一批公司因为 cloud、mobile、AI 这些结构性转变成长到十亿美元以上收入，而且按照当前速度，还会有更多公司很快进入这个队列。
这对创业者既是好消息，也是坏消息。
好消息是，市场打开得极快，用户愿意尝试，预算在转移，新类别正在形成。坏消息是，窗口期也短。以前你可能有几年时间慢慢打磨产品、教育市场；现在基础模型能力每天变化，竞争对手可能几周内就追上来，甚至整个产品形态都会被新模型能力改写。
创业者面对的不是一条平稳赛道，而是一场暴雨中的赛车。
Sequoia 用了一个赛车比喻：晴天很难一口气超过 15 辆车，但雨天可以。新能力的暴雨让领先者不安全，也让后来者有机会。
AI 是计算革命，不只是通信革命
第三，也是最重要的一点：AI 和互联网、云、移动的性质不同。
Pat 借用 Constantine 的划分，把技术革命分成两类：
- 通信革命：改变信息如何分发，比如互联网、云、移动；
- 计算革命：改变信息如何被处理，AI 属于这一类。
很多创业者过去只经历过通信革命。它们的共同特点是，信息传得更快、更广、更便宜。但 AI 不一样，它改变的是信息被理解、推理、生成、执行的方式。
这听起来像概念区分，但实际影响很大。
通信革命里，地基相对稳定。你可以在浏览器、移动系统、云平台上构建应用，平台能力不会每天发生根本变化。
AI 革命里，地板一直在动。基础模型今天能做的事，明天可能变成默认能力；今天需要复杂产品包装的功能，下一代模型可能一句话就完成。
过去几年已经出现了三个关键拐点：
- 2022 年 11 月的 ChatGPT 时刻：世界第一次大规模看到预训练模型的力量。
- o1 模型带来的推理时计算扩展：除了预训练 scaling law，推理阶段投入更多计算也能显著提升能力。
- Claude Code、Opus 4.5/4.7 等长周期智能体：模型开始能够持续完成更长、更复杂的任务。
Pat 甚至说，从商业和功能角度看，如果你能派一个 agent 去完成工作，它能从失败中恢复，并持续推进直到任务完成，这已经“很像 AGI”。
他没有试图给 AGI 下技术定义，只是从企业和市场角度说：当系统真的能做事，而不是只辅助你做事，商业世界就已经进入新阶段。
从“更快的马”到“汽车”：应用形态已经变了
过去几年，很多 AI 应用更像“更快的马”。它们让人提升 10%、40% 的效率，但工作方式本身变化不大。
现在开始出现“汽车”。
汽车不是让马跑得更快，而是改变了交通方式。对应到 AI，真正的新应用不是让你写邮件快一点、查资料快一点，而是让你把一整件工作交出去，生产率提升 10 倍、40 倍，甚至改变组织结构。
这也是为什么 Sequoia 反复强调：比赛已经开始，而且这是不同种类的比赛。
开车和骑马不是同一套技能。造车和养马也不是同一套能力。AI 时代的创业公司不能只把旧软件加上聊天框，而要重新理解工作会怎样被拆解、交付和收费。
给应用层创业者的建议：MAD
对于那些构建在基础模型之上的公司，Pat 给了一个缩写：MAD。
它不是让创业者真的发怒，而是三个关键词：
- Moats，护城河
- Affordance，可供性
- Diffusion，扩散
这三个词构成了 Sequoia 对 AI 应用层创业的基本建议。
护城河：越是模型变化快，越要贴近客户
在计算革命里，人会本能地盯着技术底层，因为那里每天都有酷东西出现。
但 Pat 的建议相反：如果要建立护城河，应该往上看，尽量从客户出发。
原因很简单：模型能力变化太快。你今天做出的某个技术功能，明天可能被模型原生能力吃掉；你今天设计的一套 workflow，下个月可能因为 agent 能力增强而需要重写。
但客户的业务、组织、流程、采购关系、合规要求、历史数据、信任关系不会每天变。
所以应用层公司的耐久性，不只来自“我比别人会调模型”，而来自它是否真正包裹住客户：理解客户问题，进入客户流程，承接客户结果，成为客户工作系统的一部分。
这不是说产品和技术不重要。相反，AI 时代通常还是最好的产品赢。但在一个产品能力本身快速变化的世界里，客户关系和业务嵌入会更耐用。
Affordance：强大的工具还不够，用户要一眼知道怎么用
Affordance 是设计领域的词，可以理解为“可供性”。一个东西如果有好的 affordance，用户不需要解释就知道怎么用。
演讲里举了一个简单例子：锤子就是有 affordance 的物体。哪怕是两岁小孩拿到锤子，也会知道可以拿它敲东西，当然这也是为什么不要把锤子给两岁小孩。
Claude Code 很强，但如果你让普通 Fortune 500 员工打开终端，他很可能不知道下一步该干什么。
这不是 Claude Code 的问题，而是应用层公司的机会。
基础模型和底层 agent harness 可以很强，但普通用户需要的是通往具体业务结果的最短路径。谁能把强大能力包装成“几乎不用解释就能完成工作”的体验，谁就能抓住扩散中的机会。
AI 应用的关键，不是把模型能力完整暴露给用户，而是让用户不用理解模型，也能自然抵达结果。
Diffusion：能力扩散速度跟不上能力创造速度
第三个词是 diffusion，扩散。
现在基础模型能力提升很快，但这些能力真正进入企业、进入岗位、进入流程的速度远远慢于模型本身进步的速度。
这个差距就是应用层机会。
每一天，基础模型比普通企业更快进化，diffusion gap 就变得更大。企业需要人帮它理解、落地、治理、集成、使用这些能力。创业公司可以填补的，正是从“模型已经能做”到“客户真的用上”之间的巨大空白。
2026 年的关键词：Agents
Sonia 的部分直接切入当下：2026 年，AI 的核心趋势是 agents。
她先把时间拉回 2022 年。那时候 AutoGPT、BabyAGI 在 GitHub 上爆火：把 GPT-3 接上工具，放进循环，让它朝一个目标自己跑。
看起来很有前途，直到你真的看它工作。它们会不断失败、跑偏、卡住。可爱，有趣，但基本没用。
但到了今天，情况变了。模型开始真的能支撑长周期任务。
她特别提到两个代表：
- Claude Code：面向技术人群的 agent 产品；
- OpenClaw 及其 lobster brethren：把 agent 能力民主化，让普通人用手机也能创建和使用 agent。
这背后的核心变化是：任何人现在都可以创建 agent。硬核工程师可以，普通用户也可以。
于是人们开始把 agent 用到各种地方：有人做玩笑式 agent，比如举报邻居税务欺诈；有人做创业型 agent，比如自动生成媒体营销活动卖建筑服务；Sequoia 内部也在比赛，看谁能做出更好的 agent 来帮助自己工作。
什么是 agent：能感知、能行动、能持续推进
Sonia 给 agent 下了一个实用定义：
Agent 是一种能够感知环境、选择行动，并自主朝目标推进的系统。
更具体地说，它有三个功能组件：
- 推理和规划：能理解任务，临场思考，做出下一步计划。
- 采取行动：能调用工具，比如搜索、写文件、编译、发消息、操作浏览器。
- 朝目标迭代：能在失败后调整，持续推进，而不是出错就停。
这三者合起来，就是 agency，也就是“把事做成”的能力。
过去一年，这三个组件都进步很快。
模型是大脑。最重要的进展是，模型能在复杂任务上保持有效进展的时间，从一年前的几十分钟，提升到今天的数小时。
工具是手脚。终端、文件系统、开发工具、iMessage、Slack、Web 搜索、computer use，这些过去二十年为人类构建的软件工具，现在也成了 agent 的工具箱。
Harness 则提供持久性。它让 agent 能留在任务上，接收反馈，修正方向，继续执行。再加上 reinforcement learning，agent 正在被送进各种“驾驶学校”和 RL gyms，在机械工程、设计、金融等场景里训练。
Sonia 还提到了一些早期的自我改进迹象，比如某些研究项目可以自主改进研究流程，在两小时内推进到 GPT-2 级别模型。
从自动补全到“黑灯工厂”：Agenticness 的滑动尺度
Sonia 用 coding 举例，描述 agent 能力如何沿着一条“agentness”尺度推进。
2023 年，主流体验是 tab autocomplete：AI 在一行代码旁边辅助人类。这有用，但不改变本质。
现在是 agentic development：一个人和一个 agent 对话，告诉它要做什么，甚至管理一组 agents。
下一步是 background agents、async agents，以及 agents spawning sub-agents。Sonia 认为，因为这种模式能给系统带来巨大杠杆，异步 agent 的任务量很可能超过当前的人机协作模式。
最前沿的形态，她称为 dark factories，黑灯工厂：把人类 review 从流程里拿掉，让 agent 在足够好的 guardrails 和工程约束下直接完成生产任务，甚至 push to prod。
这听起来激进，但她说自己已经在生产环境里见过，包括网络安全公司。
这条演进路径可以这样理解：
- 一开始，agent 是旁边的小助手；
- 接着，它像需要管理的实习生；
- 再往后，是能自我管理的实习生；
- 最后，在某些任务里，它会变成足够可信、可以直接交付结果的工作单元。
这不只发生在 coding，也会发生在所有 agent 场景里。
Services is the new software：雇佣 agent 比雇佣人容易太多
Sonia 最重要的结论，是 Pat 常说的那句话：服务是新的软件。
在医疗里，你可以雇一个 agent 检查基因组，给个性化建议，开药，推荐临床试验。
在法律里，你可以雇 agent 帮你谈合同、参与诉讼、达成和解。
在数学和科学里，agent 可以解 Erdős 问题，甚至发现新的超导体。
在消费者场景里，个人 agent 可以管理邮箱、日历、财务，甚至报税。
为什么 agent 会扩散得这么快？因为雇佣 agent 比雇佣员工容易太多。
人类难以规模化，agent 只要有 compute 就能复制。人类需要管理、激励、沟通、照顾状态，agent 低维护。人类需要工资、福利和组织成本，agent 消耗的是 token。
今天，人类在很多事情上仍然更聪明。但 bitter lesson 还在继续：随着算力、数据、训练方法推进，机器会在越来越多任务上超过人类。
这不意味着人类没工作了。Sonia 特别强调，人类最独特的特征之一是适应能力。但 agent 在应用层的部署速度，会因为经济账太清楚而非常快。
时间线被压缩：100 年的想象，可能变成 100 天的项目
Sonia 用几个例子说明 agent 如何压缩时间线：
- Zed 的 Nathan 借助 Claude Code，在假期里独自完成了一个原本可能需要三年的 moonshot 项目；
- Brett Taylor 一个周末重建了 Sierra；
- Notion 团队在六周内重写了 800 万行代码。
很多人已经见过单个任务被 AI 压缩时间线。但她认为，真正震撼的是把这些压缩后的时间线叠加起来。
如果一个项目从三年变成几天，十个项目、百个项目、一个组织的全部研发节奏都会变。
她的判断很大胆：未来 100 年能想象到的东西，现在可能因为 agent 在 100 天内变得可建。
下一幕：认知工业革命
Constantine 的部分把话题推到更长尺度。
他先区分两种工作：
- 物理工作：移动包裹、运送货物、制造商品，物理学里就是力乘距离；
- 认知工作：证明定理、解决蛋白质折叠、设计系统，靠的是思考。
工业革命已经让机器承担了绝大多数物理工作。今天地球上为人类服务的物理工作，99% 以上可能都由机器完成：飞机带你旅行，工厂制造商品，物流系统搬运物品。
Sequoia 认为，认知工作会经历类似变化，只是更大、更快。
过去绝大多数思考由人类完成，只有少量机械计算，比如星盘、时钟。后来电子计算带来巨量计算能力。而神经网络是下一波：未来地球上 99.9% 的 cognition，也就是为人类服务的认知工作，可能由机器完成。
这就是认知工业革命。
铝的故事：今天珍贵的智力，明天可能像锡纸一样便宜
Constantine 讲的第一个故事是铝。
19 世纪中期，美国修建华盛顿纪念碑，想用世界上最珍贵的金属封顶。那时他们选择了铝，100 盎司铝还曾在纽约 Tiffany 展出。
几十年后，电解法出现，人们能从泥土中分离铝。曾经珍贵到给纪念碑封顶的金属，很快变成包糖果、包三明治、用完就丢的锡纸。
他的类比是：
铝是 intelligence，电解法是 artificial intelligence。
我们即将进入一个世界：某些原本极其珍贵、需要数十年训练才能获得的博士级能力，会被瞬间调用，用完就像锡纸一样丢掉。
这不是说知识不再重要，而是“调用高级认知能力”的边际成本会大幅下降。
Alien design：机器设计出来的世界，可能不像人类想象
第二个故事是 alien design。
今天的世界是为人类认知设计的。建筑、芯片、汽车、工具、组织结构，都在很大程度上符合人脑的直觉，因为过去大多数认知工作由人完成。
但当机器承担越来越多认知工作，设计结果可能不再符合人类直觉。
Constantine 举了 NASA 的天线设计。过去天线通常是几何、对称、符合人类工程美感的结构。2006 年，NASA 把一个航天任务天线交给演化算法优化，结果得到一个看起来怪异、不规则、很不像“人类设计”的天线，但性能更好。
当 AI 开始设计芯片、汽车、建筑、材料，我们也许会看到大量类似结果：不优雅、不直观，但有效。
AI 时代要求人类保持开放。机器不会像我们一样思考，它可能会给出我们不喜欢、看不懂，但更好的设计。
新科学还没出现：今天的 AI 仍处在“修发动机”阶段
第三个故事是 emerging sciences，不是新科学发现，而是新的科学门类。
工业革命早期，Newcomen、Watt 等工程师不断改进蒸汽机。他们在实践中试错，看到什么更有效，就继续优化。这种过程持续了很久。
直到 120 多年后，Sadi Carnot 等人才把热机背后的规律形式化，发展出热力学。
Constantine 认为，今天的 AI 也处在类似阶段。
我们有数十亿神经元、数万亿 token，有 scaling law，有工程经验，但离真正理解 AI 还很远。现在更多是“tinkering”，是不断试、不断调、不断从经验里总结。
未来几十年，可能会出现一门像热力学一样基础的新科学，帮助我们真正掌握 AI，甚至帮助我们理解意识。
他甚至对台下创业者说：这门科学也许就会由这个房间里的人提出，而且未来会被写进高中教材。
摄影没有杀死艺术，AI 也不会杀死人类意义
第四个故事讲艺术。
人类艺术很长一段时间都在追求逼真。从洞穴壁画，到埃及象形、希腊陶器、文艺复兴绘画，艺术史的一条线索是越来越逼近现实。
然后摄影出现了。机器可以比任何画家更准确地捕捉现实。
当时很多人以为绘画结束了。既然机器能做得更像，画家还剩什么？
结果恰恰相反。人类艺术转向了印象派、表现主义、立体主义、新表现主义。艺术不再只是“眼睛看到什么”，而开始追问“心和灵魂感受到什么”。
Constantine 借古希腊哲学家 Protagoras 的一句话收尾：人是万物的尺度。
铝、艺术、智能，本身没有脱离人类体验的价值。AI 可以做工作，也会做工作，但只有人与人的连接，能给这些东西一个值得在乎的理由。
这场开场演讲真正想提醒创业者什么
Sequoia 这场开场演讲，既兴奋，也冷静。
兴奋在于，他们相信 AI 是前所未有的大机会：软件加服务，万亿美元市场，agent 到来，认知工作被重塑，时间线被压缩。
冷静在于，他们也提醒创业者：基础模型进展太快，单纯押注某个技术功能并不稳。真正的机会在于从客户出发，把能力包装成用户能自然使用的路径，并抓住模型能力和市场扩散之间的巨大落差。
如果用一句话概括这场演讲：
AI 不是让旧软件更聪明一点，而是在把“工作”本身重新定价、重新拆解、重新分发。
对创业者来说，这意味着两件事同时成立。
第一，没有任何领先是安全的。暴雨中，后车可以连续超车。
第二，也没有任何机会会一直等你。因为这场雨下得太快，白地正在迅速被填满。
在这样的时刻，最重要的可能不是预测所有答案，而是尽快进入赛道，贴近客户，理解 agent 如何改变工作，并和同路人建立关系。
十年后，很多工作形态都会变。但你今天和谁一起理解这场变化、一起承担风险、一起建东西，可能仍然是最重要的资产。