邱懿武
工作台

美国红杉 LP 报告:AI Lab 内部最新方向,应用层与 NeoLab 还有哪些机会

AGI 已喊完,目标转向 ASI;应用层的钱在“扩散鸿沟”里,但每 4 个月要重构一次自己。

整理日期
讲者
Pat Grady(红杉 Sequoia 合伙人),《AI 领域正在发生什么》LP 报告

渠道:微信公众号 · 体裁:报告 · 信源层级:二手(原始出处:红杉 LP 报告《AI 领域正在发生什么》,Pat Grady)


一、AI Labs 内部:从 AGI 转向 ASI,从模型竞争转向生态竞争

目标变了:头部 Lab 从“追求 AGI”→ 宣称“AGI 已实现”→ 现在转向 ASI(超级人工智能)。可能引发“起飞效应”(模型能力快到人类跟不上),因此 Lab 开始重视对齐问题。

三个重点技术方向:

  1. AI4S(AI for Science):AI 从语言走向科学,开始证明新数学定理;药物研发中,模型几天完成过去科学家数年的分子设计——红杉视“一次性生成候选药物分子”为颠覆性事件。
  2. 持续学习(Continual Learning):模型不再是“训练完就固定的产品”,而是从环境持续获取信息、更新自身能力。
  3. 定制化芯片:Lab 与初创都在加投,试图用新架构+专用硬件提升算力效率(算力仍是核心瓶颈)。

商业层面——Token 争夺遇边界 → DeployCo → 生态:

NeoLab 仍有机会(但条件变了):


二、应用层:机会藏在“扩散鸿沟”(Diffusion Gap)

AI Lab 的技术能力,和真实世界的 AI 落地完全是两回事。红杉把这张差距叫「扩散鸿沟」——这恰恰是应用层的机会所在。

三个方向:

① 高价值知识工作——每个核心垂直领域都有机会跑出一家巨型企业。Coding / 网络安全 / 医疗 / 金融服务 / 会计已涌现一批 AI 原生公司。增长数据:

② 新一代企业记录系统——云计算转型催生 Salesforce / ServiceNow 等巨头,AI 转型正在重现类似机遇。

③ 主权 AI 浪潮——从底层自建智能能力(Palantir 等)。不只关乎数据安全,更关乎性能与成本:基础模型只占“成本—性能帕累托最优曲线”上的少数几个点;大量场景中,经过二次微调的开源模型能以更低成本实现更优表现。


三、生存法则:每 4 个月重构 1 次


四、泡沫与风险

三个里程碑拐点:

  1. 2022.11 ChatGPT — 验证 Pre-Training 能力
  2. 2024 末 o1 — 模型推理能力突破
  3. 2025.11 Claude Code + Opus 4.5 — 长程智能体能力落地

但技术进步 ≠ 商业价值同步兑现。 Pat Grady 直言“AI 公司的估值到了非常夸张的程度”:

两条风险线:

结论:模型迭代放缓后,算力约束 + 估值泡沫 + 安全风险,正把“AI 的商业兑现能力”推回核心位置。


读后判断(范德)

这是“个人 AI / 应用层”系列的第三块拼图,而且是最“上层视角”的一块——前两篇(言之《Personal AI 深度研究》、a16z 对谈)讲的是“产品怎么赢”,这篇讲的是“钱流向哪、泡沫在哪”。

三条对我们最直接的:

  1. FDE 热潮有了官方解释。 这篇点破:Lab 的 Token 需求见顶 → 才派 DeployCo 进驻企业搭应用 → 才有了 FDE。你 9/4 那篇 FDE 文章的判断(“从卖软件→卖落地结果”),在这里得到了红杉的产业级印证。
  1. “主权 AI / 二次微调的开源模型更优” = 造物云这类“不做基础模型、做应用集成”团队的生存依据。 基础模型只占帕累托曲线的少数几个点——大部分价值在'把模型调进具体场景',这正是我们干的活。
  1. “每 4 个月重构一次”是对我们最刺的一条。 我们的 vault、技能库、Agent 团队——有没有 4 个月一次的结构性迭代机制? 如果没有,我们可能正躺在一套半年没变的架构上。这条建议单独立项对照。

待验证:报告里“Jev 7 天 0→1 亿美元”“1.1 亿 vs 34 亿估值落差”这类数字属 LP 报告口径,未独立核实;“每 4 个月重构”是红杉观察到的幸存者特征,不是因果律——别把它当教条执行。