云开体育官网入口登录网页版:
最近红杉资本合伙人Konstantine Buhler发表了一场题为《AI革命：一场价值10万亿美元的浪潮，比工业革命更宏大》的演讲，他把AI比作一场价值10万亿美元的浪潮，甚至比工业革命更宏大。
每当这种论调出现，市场总会分为两派：一派热血沸腾，觉得奇点已至；另一派则认为不过是资本的新故事。那这么次咱们就来深入聊聊红杉到底看到了什么。
“十万亿美元”这一个数字听起来很吓人，但它不是凭空想象的。红杉认为这笔巨大的价值主要蕴藏在美国价值10万亿美元的服务业市场中，换句话说，AI的商业机会在于改造和提升现有产业的效率与模式。
为了让大家更好地理解这场变革的量级，Buhler用了一个非常形象的类比：工业革命。他认为我们正处在一场“认知革命”之中。如果说工业革命解放了人类的体力，那么认知革命解放的就是人类的脑力。在这个类比中，1999年诞生的第一块GPU就像是1712年的第一台蒸汽机，是革命的引擎。而到了2016年，第一个真正意义上的“AI工厂”出现，它把算力、数据、算法等要素整合起来，开始不断地生产“智能”。
而这个比喻最关键的地方在于它揭示了技术成熟的路径。蒸汽机本身不直接创造巨大的社会财富，真正改变世界的是将蒸汽机应用到纺织、铁路、轮船等所有的领域的工厂和机器。同样的，GPU和大模型本身也只是“引擎”，真正的价值爆发往往就在于将这种“认知能力”应用到各行各业的“认知工厂”和“认知流水线、速度与专业化
这场认知革命最令人瞩目的一点是它的速度，从蒸汽机诞生到第一个工厂系统出现，工业革命花了67年；而从GPU诞生到AI工厂的出现，只用了17年。Buhler在演讲中强调，从工厂系统到现代流水线，工业革命又用了一百多年，而AI的“认知流水线”可能在短短几年内就会成型。
而这个速度背后的一个核心驱动力，被红杉称为“专业化 imperative”（The specialization imperative），也就是专业化的迫切需求。任何一个复杂的系统在发展到一定规模后，都必须将通用的能力和高度专业化的组件结合起来才能成熟。就像在工业革命中，通用的蒸汽动力被专业化为火车头、纺织机一样，通用的AI大模型能力也必须被专业化为服务于像金融风控、法律咨询、药物研发等这样特定场景的工具和应用，这也正是那十万亿美元价值所在。
当然，谈到AI，就绕不开那些科技巨头。它们投入巨资构建基础设施，就像是在为这场认知革命修建铁路和发电厂。根据红杉在2024年底的分析，大模型竞赛已确定进入了“决赛圈”，并形成了独特的竞争格局。
红杉资本在《AI in 2025》报告中指出，目前市场上主要有五个“决赛选手”，并且各自进化出了不同的“超能力”。其中，Open AI的优点是强大的品牌和先发优势，Chat GPT几乎是AI的代名词；谷歌的王牌是“垂直整合”，从芯片（TPU）到数据中心再到模型，无所不包；Anthropic则凭借其创始人背景和对安全的重视，吸引了大量顶尖AI人才；马斯克的x AI在数据中心建设上展现了惊人的速度；而Meta则独树一帜，全力押注开源，其Llama系列模型拥有庞大的开发者社区。
巨头们在基础设施上的军备竞赛，虽然让勇于探索商业模式的公司望而生畏，但同时也为它们创造了机会。正如Buhler所说，问题不在于这场变革是否会发生，而在于“谁会成为AI时代的洛克菲勒和卡内基？”红杉的答案是：今天正在创建的，以及那些尚未成立的创业公司。
当基础设施慢慢的变完善和普惠，创新的重心自然会转移到应用层。勇于探索商业模式的公司不要自己造“蒸汽机”，而可以租用巨头们的“动力”，专注于打造面向特定行业的“专业机器”。这不仅是成本上的考量，更是市场需求的必然，就像一个通用的聊天机器人无法替代一个精通医疗影像分析的AI助手，也无法胜任一个能处理复杂供应链协同的自动化系统。
既然“专业化”是关键，那么AI应用具体如何落地？它不是简单地给每个行业套上一个大模型的壳子，而是要深入行业的业务流程，解决那些最棘手、最耗费人力的痛点。
据红杉预测，AI搜索将是2025年 proliferating（激增）的杀手级应用之一。这不仅仅是指Perplexity这类新兴搜索引擎对传统搜索的挑战，其更深层的含义在与搜索这个行为本身正在被重新定义。传统搜索是基于关键词索引的“导航技术”，帮你找到信息在哪；而AI搜索是基于大模型理解能力的“信息技术”，它能直接给你答案。
更重要的是，这一个市场可能会被“碎片化”。我们大家可以想象一下，未来每个知识工作者都会有至少两个AI搜索引擎：一个通用的，一个工作专用的。律师会用Harvey这样的平台来检索判例，医生会用OpenEvidence来查询医学文献。这种专业化的搜索工具也因为融合了行业特有的数据、工作流和交互方式，其价值远非通用搜索引擎可比。
AI的价值实现终究是要看它能否为公司能够带来实实在在的ROI（投资回报）。麦肯锡的报告数据显示，已经部署AI的企业确实看到了成本下降和收入增加。这种价值往往来自于对具体业务流程的改造。
以零售业为例，库存管理一直是老大难问题。沃尔玛就曾因积压和缺货而头疼。而现在一些公司开始尝试部署AI驱动的机器人或系统来监控货架，自动触发补货决策。更进一步，AI能够最终靠分析历史销售数据、天气、节假日甚至社会化媒体热点来预测未来的需求，从而优化整个供应链。这已经不是简单的信息查询，而是深入到业务决策和执行层面。
在金融、制造等更复杂的领域，这种“深入肌理”的需求则更加迫切。比如，一个复杂的业务流程可能涉及多个不同的软件系统（如ERP、CRM、SCM），需要人工在不同系统间切换、拷贝数据及核对信息。这种场景光靠一个聊天窗口是解决不了问题的。这时候，一种更强大的AI形态——AI Agent（智能体）就派上了用场。像国内的实在智能就在探索如何用其产品“实在Agent”来模拟人类员工，执行跨系统的复杂任务。它可以被授权访问企业的内部数据库，自动完成一份销售报告的制作，或者在收到客户投诉邮件后，自动查询订单状态、联系物流、并回复客户。这种将AI能力封装成“虚拟员工”的思路，正是“专业化”和“自动化”的深层次地融合，是把AI从“玩具”变成“工具”的关键一步。
一个显而易见的趋势是，软件开发的范式正在改变。随着AI代码助手（如GitHub Copilot）的普及，单纯的“编码”工作在价值链中的比重可能会下降。未来的软件工程师可能更像一个“编排者”或“指挥家”，他们的核心工作不再是逐行编写所有代码，而是定义问题、设计系统架构、选择正真适合的AI模型或工具、然后将AI生成的部分与传统代码有机地结合起来，并最终对总系统的质量、安全和伦理负责。
Buhler在另一篇文章中提到了一个很有意思的观点：我们应该从“确定性思维”（deterministic mindset）转向“随机性思维”（stochastic mindset）。传统软件是确定性的，输入A，永远输出B。而AI系统，尤其是大模型，本质上是概率性的，它的输出带有一定的不确定性。
上一篇:股市必读：泰坦股份（003036）9月1日披露最新机构调查与研究信息