昨天，红杉美国合伙人 Konstantine Buhler 发表了一场题为 《The $10 Trillion AI Revolution》（10万亿美元的人工智能革命） 的演讲。

在这次演讲里，红杉给出了两个明确判断：

第一，AI革命的演进速度远快于工业革命；

第二，专业化将成为AI革命的核心逻辑。

如果把AI革命和工业革命放在一条时间线上，对比会更直观。

1712年，第一台蒸汽机诞生；直到67年后的1779年，才出现第一座现代工厂。

而AI只花了17年就完成了类似的跨越。1999年，英伟达发布了第一块真正意义上的GPU——GeForce 256；到2016年，深度学习大爆发，GPU算力、大规模数据集和开源框架逐渐成熟，AI的训练与应用第一次像工厂流水线一样标准化、规模化，智能成果（AI Token）开始源源不断地产生。

这轮AI革命的速度虽快，但底层逻辑却和工业革命很像。

工业革命用了144年不断“做专做深”：把通用蒸汽机改造为适配纺织、采矿、运输等场景的专用机器。红杉认为，这背后反映的是一个规律：复杂系统要成熟，必须同时依赖通用技术和高度专业化的组件。

这正是AI的当下和未来。红杉判断，10万亿美元的新机会不会留给传统巨头，而会属于那些把通用AI技术不断“做专做深”的创业公司。尤其在服务业等领域，更可能诞生一批围绕AI打造的新一代上市公司。

除了这些核心观点，红杉还分享了他们对AI行业的最新趋势洞察，并提出了5个重点投资主题，值得细读。

/ 01 /

AI的专业化之路，正孕育下一个产业巨头

回顾工业革命，有三个关键节点：

• 1712年，英国工程师 托马斯·纽科门（Thomas Newcomen） 发明了世界上第一台实用蒸汽机。

• 1779 年，英国实业家 理查德·阿克赖特（Richard Arkwright） 建立了世界上第一个现代工厂系统（纺织厂），生产流程第一次从“家庭手工业的分散小作坊”，变成了 统一管理、流水作业的工厂模式。

• 1923 年，由福特汽车公司最早提出的流水线模式，逐渐扩展为一整套现代化的机器生产线体系，把装配分解为多个标准化工序，每个工人只负责其中一部分，大大提升了效率。

需要注意的事，这三个节点的时间跨度非常长。

从第一台蒸汽机到第一座工厂之间隔了 67 年，而那座工厂甚至不是靠蒸汽机驱动，而是靠水力；从第一座工厂到现代流水线之间又隔了 144 年。

问题来了，为什么会花这么久？尤其是，这 144 年之间到底在发生什么？

红杉认为，漫长演化背后一个新兴技术的趋势：复杂系统发展到一定规模后，必须往“专业化”走。

任何复杂系统，发展到一定规模后，都得把“通用技术”和“专门工具”结合起来，才能真正落地。就像光有蒸汽机还不够，还需要不断拆解、细化，把它们改造成适合纺织、采矿、运输等不同场景的机器，才能真正高效运转。

回到 AI 革命里，其实一切都能找到对应关系。

1999 年，英伟达推出的第一块 GPU——GeForce 256，就像当年的蒸汽机，点燃了智能计算的火种。

到了 2016 年，深度学习迎来大爆发。GPU 算力、大规模数据集，以及 TensorFlow、PyTorch 这样的开源框架逐渐完善，AI 的训练和应用第一次像工厂流水线一样“有章可循”。这意味着，AI 从零散的探索真正走进了规模化生产的阶段，开始能源源不断地产生智能成果（AI Token）。

那么问题来了，AI革命里的“洛克菲勒”（石油大王）“卡内基”（钢铁大王）会是谁？

我们认为，不会是传统巨头，而会是今天这些正在把通用技术不断“做专做深”的创业公司，以及未来还未诞生、但会用 AI 打造出一个个具体应用的新玩家。

/ 02 /

AI 服务市场，10 万亿美元的新机会

云计算转型之初的软件支出是3500亿美元，其中SaaS（软件即服务）只有一小块 60 亿美元。

后来的故事是，SaaS 不仅扩大了它在本地化软件市场的份额，还把整个市场扩大到 6500 亿美元以上。

红杉认为人工智能会发生类似的情况，而且机会更大。现在，AI自动化的市场规模只有200亿美元，而未来这将是一个10万亿美元的市场。

下面这张图是红杉内部的一个数据，对服务领域各个场景的规模测算，测算逻辑是：“该职业的从业人数 × 年薪中位数”（数据来自美国人口普查局）。

通过这些数据，你能看到，AI所能取代的服务市场到底有多大。在上面的很多领域，红杉都做了投资，比如册护士领域的 Open Evidence 和 Freed，软件开发领域的 Factory 和 Reflection，法律领域的 Harvey、Crosby 和 Finch。

在红杉内部，他们一直强调市场的重要性。

这张图展示了标普 500 的市值分布。你会注意到，只有少数几家特别大的公司。最左边是英伟达，市值超过 4 万亿美元，百分比显示的是它过去一年的涨幅。

但是，你不会在上面看到 Kirkland & Ellis 这样的律师事务所，也不会看到 Baker Tilly 这样的会计事务所，尽管它们的营收都有数十亿美元。

所以，红杉认为，AI革命带来的机会，不只是把现有市场分一杯羹，而是把市场的边界整体做大。未来，很可能会诞生一批全新的公司，它们专门服务行业打造AI应用，并最后成长为独立的上市巨头。

/ 03 /

AI 未来的五大关键趋势

第一个趋势：AI带来生产力杠杆，但也要学会与不确定共处。

红杉发现，由于AI的出现，让我们的工作方式正在变化。过去，一件任务要靠自己亲力亲为，虽然效率不高，但结果几乎是可控的。未来，AI 能帮我们把效率放大几十倍、上百倍，但也要接受结果可能没那么完美。

比如做销售，以前你得自己盯着所有潜在客户，一个个跟进。而在 AI 代理的世界里，你可能会用像 Roks 这样的工具，每个客户都配一个 AI Agent，帮你追踪进展、发现变化、提醒你什么时候该重新出手。

当然，这些 AI Agent 不会像你本人一样滴水不漏，它们有时会犯错、会漏掉细节，这时候需要人来校正。但总体上，你等于有了一整个“分身团队”，带来的是百倍甚至千倍的效率提升，只是要学会和一些“不确定性”共处。

第二个趋势：AI 的标准正在走出实验室，进入真实世界。

过去很长一段时间，AI 的能力主要靠学术基准来衡量，比如十几年前图像识别就靠 Imagenet 排名。可现在，如果你要证明 AI 真有实力，就必须在现实场景里见真章。

比如 ，Expo 想证明自家的 AI 是世界上最强的“黑客”，他们选择了在 HackerOne 平台上与和全球黑客直接比拼。HackerOne 是一个全球性的网络安全众测平台，上面有成千上万的黑客，他们会尝试入侵系统、找漏洞，然后提交报告获取奖金。

结果，他们真的打败了所有人，拿下全球第一。

这说明一个趋势：今天衡量 AI 的新金标准，不再是学术测试，而是能不能在真实世界里赢。

第三个趋势：强化学习走到台前。

过去几年，强化学习一直是研究圈的热门话题，但更多停留在概念层面。真正的转折点，是在过去一年它开始大规模进入实用阶段。

无论是顶尖的大型推理实验室，还是红杉投资的初创公司，都把强化学习当作核心技术。比如 Reflection，就依靠强化学习，训练出了目前最强的开源编程模型之一。

第四个趋势：AI 走向物理世界。

过去，我们更多看到 AI 在软件里发挥作用，比如写代码、生成文本。但现在，它已经开始深入到真实的物理世界。这不仅仅是我们熟悉的类人机器人，还包括生产制造环节。

比如，Nominal用 AI 来优化硬件制造的流程，大幅提升效率；在产品部署到现场之后，还能用 AI 做质量检测，确保运行可靠。

第五个趋势：算力成为新的生产函数。

如果说过去的生产函数是“资本+劳动力”，那么在 AI 时代，它变成了 “算力×知识工作者”。衡量标准就是每个知识工作者所消耗的 FLOPs。

红杉调研发现，很多创业公司都认为未来这一数字至少会增长 10 倍。因为知识工作者可能不止依赖一个 AI 助手，而是同时调用几十、几百甚至上千个 AI Agent 来完成工作。在最乐观的情况下，消耗量甚至可能增长 上万倍。

这意味着，谁能提供更高效的推理服务、更安全的推理保护，或者把这种新型算力生产方式更好地带给更多人，谁就能抓住下一个大机会。

/ 05 /

五大AI投资主题：从持久记忆到开源竞争

第一个机会：持久记忆。

它包含两层意思：一是长时记忆：AI 能长期记住你说过的话、你的习惯和上下文，而不是“聊完就忘”。二是身份的持久性，AI Agent 能在一定时间内保持自己的个性和风格。

如果要让 AI 真正进入生产力场景，这就是绕不开的关键。但和模型规模扩展不同，持久记忆还没有出现类似“规模定律”的突破。现在大家在尝试的方法，包括 向量数据库、RAG、超长上下文窗口，都还没彻底解决问题。这背后，正孕育着一个巨大的机会。

第二个机会：无缝通信协议。

最近 MCP 很热，但如果对标互联网革命，就会发现 TCP/IP 并不是终点，而是起跑线。未来 AI 之间要能真正无缝交流，这将催生出一大批新应用。

举个例子：在购物场景里，今天你可能先用 AI 查信息，再自己去下单；而在未来，AI 之间能直接沟通——帮你比价、下单、完成支付，整个过程自动完成。这样一来，那些原本靠“平台垄断体验”的企业优势，都会被削弱。

第三个机会：AI 语音。

可能有人会问，为什么不是 AI 视频？这是刻意的选择。视频可能还需要一两年才能真正普及，而语音已经准备好了：音质已经足够自然，延迟也低到可以实时对话。

这意味着，语音将是 AI 最快落地的大入口。应用场景非常多：C端有 AI 朋友、AI 陪伴、AI 心理咨询师；B端更有巨大潜力，比如物流调度、金融大宗交易。这些原本依赖语音沟通的场景，AI 能显著提高效率和准确性。

第四个机会：AI 安全。

这是一个极其巨大的机会，因为无论是在研发环节、分发过程，还是最终用户的使用场景中，安全都至关重要。

举个例子，有的用户可能会在 AI 的指导下运行 Terminal 命令去安装软件，但他并没有意识到，这个操作可能带来严重的安全漏洞。

未来，我们会进入一个 “AI 安全代理” 普及的时代。在数字世界里没有物理限制，每个人，甚至每个 AI Agent，都能配备多个安全代理，为其提供多层次的保护。

第五个机会：开源。

就在两年前，很多人还坚信开源模型能和最顶尖的商业模型掰手腕，甚至可能后来居上。但今天，这种信心已经明显动摇，开源的处境变得更加脆弱。

我们认为，开源能否保持竞争力至关重要。只有开源继续发展，更多人才能自由地去构建 AI 的未来；同时，这也能防止整个行业被少数资金雄厚的巨头牢牢掌控。

免责声明：本文来自乌鸦智能说客户端，不代表超天才网的观点和立场。文章及图片来源网络，版权归作者所有，如有投诉请联系删除。