Sequoia AI Ascent 2026 的主题演讲围绕一个简单、但影响深远的判断展开：AI 不只是又一轮通信技术浪潮，而是一场“计算革命” {revolution of computation}。它改变的不仅是信息如何分发，更是信息如何被处理、工作如何被完成，以及当机器承担更多工作之后，人类还会如何判断什么值得做。
这场演讲由三位嘉宾从三个距离来描述同一个变化：Pat Grady 解释商业世界正在发生什么；Sonya Huang 解释智能体为什么突然开始真正有用；Konstantine Buhler 则把视线推向更远处，讨论当认知变得充沛之后，人类价值会发生什么变化。
演讲中的关键原词保留在 {大括号} 中。
Pat Grady：地板正在移动
Pat 先把视野拉远。他认为，硅、网络、互联网、云软件和移动设备并不是彼此孤立的奇迹。每一轮浪潮都为下一轮准备了基础设施：计算能力、带宽、数据、人才和分发渠道。
AI 与此前的浪潮有三个不同之处。
第一，它可能是迄今最大的浪潮，因为它不再局限于软件，而是进入服务业。机会不只是销售新的应用程序，也包括重新交付法律、医疗、金融和工程等领域过去由专业人士完成的工作。
第二，它是迄今最快的浪潮。新的能力不断出现，留给新公司的空白区域正在迅速被填满。
第三，AI 是一种不同类型的技术革命。互联网、云和移动设备主要是通信革命：它们改变了信息分发的方式。AI 则是计算革命：它改变了信息处理的方式。
这意味着“脚下的地板”一直在移动。Pat 提到三个重要拐点：
- 2022 年 ChatGPT 时刻，让世界看到预训练的力量。
- 推理模型带来了推理时计算，出现了新的缩放定律
{scaling law}。 - 长周期智能体让系统能够持续朝一个目标推进，而不是只返回一次答案。
Pat 没有试图给 AGI 下一个技术定义，而是给出了一个实用的商业判断：如果一个智能体可以被派去完成一项工作，能够从失败中恢复，并且持续推进直到工作完成，那么从功能和商业角度看，它已经足够接近 AGI，值得所有公司认真对待。
他的比喻非常直观：过去几年，AI 带来的是更快的马车 {faster horses}——让人效率提升 10% 或 40%，但没有从根本上改变工作方式。现在汽车已经替代了马车 {cars have arrived}：应用可能带来 10 倍甚至 40 倍的杠杆，并改变工作的结构和组织的形态。
应用层公司的策略：{MAD}
对于构建在基础模型之上的公司，Pat 的建议是“变得 MAD”。这里的 MAD 代表 {Motes, Affordance, Diffusion}。
Motes：从客户出发
当底层模型每隔几周就发生变化时，产品能力很容易过时。客户的变化通常慢得多。因此，更持久的护城河不一定来自某一个模型功能，而可能来自对客户的深度包裹：理解工作流、拥有结果、建立信任，并成为客户难以替换的一部分。
这不是说产品质量不重要。它强调的是，在技术底座快速移动的时代，单纯依靠产品功能可能不够持久。
Affordance：让结果变得显而易见
一个东西具有 affordance，意味着人们不需要阅读说明书，就知道该如何使用它。锤子就是一个例子。一个功能强大的终端和一组智能体工具，却未必对普通企业员工具有同样的可用性。
应用层公司的机会，是针对特定客户和特定业务问题，建立一条最低的跨越工具认知的架构 {path of least resistance}。客户不需要理解模型、工具链或智能体架构，只需要能够顺利到达想要的结果。
Diffusion：填补扩散鸿沟
基础模型创造能力的速度，远远快于普通企业采用这些能力的速度。这道鸿沟本身就是机会。应用公司可以把“技术上已经可能做到的事情”，转化为企业“能够安全、容易、稳定使用的事情”。
Pat 最后用了另一个赛车比喻：{no lead is safe}。当基础模型像暴雨一样持续释放新能力时，昨天的优势可能很快消失。这令人不安，但也意味着新进入者仍然有机会赢。
Sonya Huang：智能体是把事情做成的系统
Sonya Huang 从 2022 年讲起。AutoGPT 和 BabyAGI 让智能体的概念迅速流行起来：给语言模型一些工具，把它放进循环，然后让它朝一个目标运行。这个想法很有吸引力，但当时的智能体会一次又一次失败，最终几乎无法真正使用。
变化不在于智能体这个想法今天才出现，而在于组成智能体的各个部分终于变得足够强大。
她给出的定义很实用：智能体是一个能够感知环境、选择行动，并自主朝目标推进的系统。一个真正有用的智能体包含三种能力：
- 推理和规划：理解任务，并决定下一步做什么。
- 采取行动：使用搜索、终端、文件、代码、消息和计算机界面等工具。
- 朝目标迭代：在长时间范围内恢复、调整并持续推进。
最后一种能力是关键。聊天机器人可以生成一个答案；智能体必须继续把事情做下去。
智能体的三层结构
Sonya Huang 把智能体的组成部分比作身体：
- 模型是大脑：模型能够持续处理复杂任务的时间，已经从几分钟延长到几小时。
- 工具是手和脚：过去二十年为人类构建的终端、文件系统、Slack、搜索和企业系统，也可以成为智能体的行动层。
- Harness 是持续性：它让智能体保持在任务上，通过反馈评估结果，并不断继续尝试。
强化学习像是智能体的“驾驶学校”。智能体可以在不同环境中训练，在机械工程、设计、金融等领域不断提高。推理、行动、反馈和再次尝试的循环正在快速收紧。
智能体化程度的阶梯
用软件开发来举例，这条阶梯大致是这样的：
- 2023 年，AI 主要是逐行帮助人类补全代码。
- 现在，一个人可以指挥智能体完成有意义的开发任务。
- 下一步是后台智能体、异步智能体，以及能够生成子智能体的系统。
- 最前沿则是 无人工厂
{dark factories}：在护栏和工程足够可靠的情况下，系统可以在没有人类逐步审核的情况下把工作推向生产环境。
因此，问题不是“这是不是智能体”这么简单，而是它拥有多少自主权、能够运行多长时间，以及需要什么级别的监督。
服务是新的软件
Sonya Huang 最强的市场判断是 服务是新的软件 {services is the new software}：服务正在变成软件。未来，人们可以“雇佣”智能体来检查基因组、谈判合同、发现新材料、管理收件箱、申报税务或安排日历。
背后的经济逻辑很清楚。人类昂贵，也很难无限扩展；智能体可以通过计算资源被快速实例化，以 token 作为成本单位。它并不意味着智能体在所有事情上都比人更好，但它让应用层的大规模部署变得非常有可能。
最终，智能体可能彼此谈判、彼此付款，甚至组成群体来管理复杂系统。这个世界会变得陌生，而且会变得非常快。
Sonya 最后谈到时间压缩：过去需要数年的项目，现在一个人可能在周末或假期里完成。但更大的变化来自这些压缩时间的层层叠加。原本需要 100 年才能建成的东西，也许现在可以在 100 天内实现。
Konstantine Buhler：当认知变得充沛
Konstantine Buhler 把视线从应用层推向文明层面。他把工作分为物理工作和认知工作。
工业革命把物理工作从人和动物的肌肉转移给机器。今天，为人类服务的大部分物理工作都由机器完成。Konstantine 认为，神经网络将为认知带来类似的转变：未来，为人类完成的认知工作中，绝大部分可能由机器承担。
他用四个故事来描述这样的未来可能是什么样子。
1. 铝：智能变得充沛
19 世纪，铝曾经极其珍贵，甚至被用于国家纪念碑，并在纽约蒂芙尼店里展出。电解技术让人们可以从泥土中分离出铝之后，铝很快变成了糖果和三明治的包装材料。
Konstantine 的类比是：智能就是曾经的铝 {aluminum is intelligence}，电解对应的就是人工智能。过去需要几十年教育和训练才能获得的技能，未来可能可以被即时调用，用完即弃，就像铝箔一样普通。
这不意味着专业知识不再重要，而是稀缺性的来源发生了变化。当调用某种能力变得容易时，“拥有这种能力”本身的价值就可能下降。
2. Alien design：有效，但不一定符合人类直觉
NASA 曾经用进化算法优化太空任务中的天线。结果看起来不像人类设计的美丽几何结构，却在真实约束下表现得更好。
未来由 AI 设计的芯片、汽车、建筑和系统，也可能同样“异形”。它们可能有效，却很难用人类直觉解释。
因此，AI 时代需要一种开放心态。人类直觉仍然有用，但它不再一定是判断最优解的可靠标准。
3. Emerging sciences：从试错走向理论
工业革命早期，工程师花了一百多年不断试验发动机。后来，热力学才从粒子和能量的层面，正式解释这些现象。
Konstantine 认为，今天的 AI 也处在类似的试错阶段。我们已经看到 scaling law 和可重复的性能提升，但还没有真正掌握能够解释智能、学习甚至意识的深层科学。
未来几十年里，也许会出现一门像热力学一样基础的新科学。它可能由今天某个正在实验、但还没有完整理论的人创造出来，并最终进入高中课程。
4. The art of unreason：人类转向意义
在人类历史的大部分时间里，视觉艺术都在追求写实。摄影出现后，真实再现突然变得很容易。绘画似乎失去了存在理由，直到艺术家换了一个问题。
他们不再只问“如何复制眼睛看到的东西”，而开始问“如何表达心灵和灵魂感受到的东西”。印象派、表现主义、立体主义等艺术形式，不是因为无法与相机竞争而失败，而是人类对技术变化给出的新答案。
AI 可能带来相同的变化。当机器在越来越多的任务上比人类执行得更好，人类可以把注意力转向意义、解释、品味、关系和生活经验。
Konstantine 最后的锚点是 {Man is the measure of all things}。铝、艺术和智能本身并没有脱离人的价值。它们之所以重要，是因为它们为人类创造了某种体验。
一场演讲，三个距离
三位演讲者并不是在讲三个互不相关的故事，而是在不同距离上描述同一个转变。
Pat Grady 站在公司的位置上说：技术底座正在移动，所以要从客户和结果出发。
Sonya Huang 站在系统的位置上说：当智能体能够推理、行动、恢复和持续推进时，智能体才会真正改变工作。
Konstantine Buhler 站在文明的位置上说：当认知变得充沛，人与人之间的连接，以及让人愿意在乎某件事的理由，会变得更加珍贵。
把三种观察合在一起，实践上的方向很清楚：
- 从客户出发：持久价值可能存在于工作流、信任和结果，而不是某个单一模型功能。
- 为自主性做设计：工具、Harness、反馈循环和监督边界，都应该成为产品的一等决策。
- 接受非人类式的答案：最好的解决方案可能不符合人类直觉，组织需要建立验证结果的方法，而不是要求所有结果都用人类的方式推理。
- 保护人的目的感：AI 可以完成工作，但人仍然决定什么值得注意、什么值得信任、什么值得关心。
这场演讲最值得保留的提醒，也许不是“AI 能让原有工作更快”，而是：当工作的性质开始变化、服务开始软件化、认知不再稀缺之后，人类真正稀缺的可能是意义。
来源说明
本文是对下载英文字幕的整理与转写，不是逐字稿。原字幕包含少量识别错误，尤其是演讲者姓名。完整姓名以来源信息为准：Pat Grady、Sonya Huang、Konstantine Buhler。原始视频见：YouTube。
#ai #智能体 #AGI #long-horizon-agents #services-as-software #human-connection