2025 年人工智能现状

本文信息来源：bvp

在 AI 大爆炸三年后，早期的星系正在云端 AI 宇宙中形成，仍有大量的“暗物质”在旋转。

如果说 2023 年是 AI 的大爆炸*，那么 2025 年就像是“第一道光”。早期混乱的迷雾正在消散——显现出一批批基础型公司、构建的最佳实践，以及初创公司成功的模式。我们距离宣布任何形式的稳定还有一段距离，但这些早期的 AI 星系让我们比以往任何时候都更清晰地看到未来的轮廓。

我们首先必须明确表示，我们极其确信 AI 正在推动我们所见过的最大一波技术变革。 创业者有理由在每次风险投资人开口时都怀疑如何区分炒作与现实——但在 AI 这个案例中，简单的数字就能说明一切。如果衡量初创公司现实状况的最直接指标是收入增长， 我们已经更新了基准 ，并聚焦于 20 家令人惊叹的 AI 初创公司，以帮助定义一家优秀 AI 初创公司的样子。虽然这些基准在未来几年无疑会不断演变，但很明显，在 SaaS 时代被视为优秀的初创公司标准，如今已不再适用。

如今，没有 AI，就没有云计算。

当然，AI 时代并未为初创公司和投资者带来一律的好消息。

有些增长信号可能会产生误导。买家渴求新产品，AI 演示令人眼花缭乱，销售额可能飙升，但并非所有产品都能带来真正的价值。用户留存可能很脆弱，尤其是在转换成本较低的情况下。仅凭早期的高速增长，如今的意义比以往任何时候都要小。

而“Big Bang”式的爆发很难被忽视，因此竞争强度达到了历史最高水平。有前景的领域吸引的竞争对手数量是过去的 2–3 倍。除此之外，SaaS 巨头正在觉醒，意识到 AI 的重要性，包括我们投资组合中的许多公司，例如 Intercom 已经推出了年收入超过 1 亿美元的 AI 产品。我们怀疑这些领军企业在未来几年将带来更大的竞争压力（以及并购的诱惑！）。

我们依然处在一个极度不可预测的时刻。虽然今年我们的头脑可能转得稍微慢了一点，但依然在旋转。Model Context Protocol（MCP）、AI 浏览器以及本报告中我们称之为“暗物质”的许多其他领域的发展，其影响仍让我们摸不着头脑，只能对这个 AI 宇宙的部分演化做出模糊的猜测。

然而，有一件事是确定的：如今没有 AI，就没有云计算。

在 Bessemer，我们自 2023 年首次承诺以来，已经向 AI 原生初创公司投入了超过 10 亿美元的资金。 此外，几乎每一家传统 SaaS 公司都在其产品和运营中利用 AI。无论我们是否觉得自己已完全具备在这个全新的 AI 宇宙中航行的能力，我们现在都已身处其中。

在本次《AI 现状》报告中，我们的目标是：

分享我们最新的基准，展示优秀 AI 初创公司的特征
带领大家浏览我们在基础设施、开发者工具、横向 AI、纵向 AI 和消费领域的路线图 ，并重点介绍各领域中的稳定星系 ——那些正在形成星座的地方
揭示暗物质 ——那些重要但仍有重大问题未解的领域
提出我们对未来一两年所预期的五大预测 。

接下来的人工智能宇宙模糊地图，是为那些能够接受规则在实时重写的旅程的创业旅行者准备的。前方的旅途可能会颠簸，但至少不会无聊。而我们已准备好迎接它。让我们开始吧。

State of AI title card — Bessemer《2025 年 AI 现状》报告

new growth AI benchmarks State of AI — Bessemer《2025 年 AI 现状》报告

*关于真正的 AI 大爆炸时刻仍存在争论——有人认为是 2012 年 AlexNet 在深度学习上的突破；也有人认为是 OpenAI 在 2020 年提出的扩展定律。在本报告中，我们将 ChatGPT 的大规模发布视为 AI 真正进入公众视野的时刻。

AI 基准：2025 年“优秀”初创公司的样貌

基准一直以来都是评判初创公司的不完美方式——但在人工智能时代，它们的可靠性更低。尤其是，一些人工智能初创公司实现了世界前所未见的增长速度，让每一位人工智能创始人都在思考，到底什么才算是“好”的表现。因此，我们更新了基准，承认有些人工智能初创公司正在玩一场不同的游戏。

两个人工智能初创公司的故事与全新的“T2D3”

为了制定我们新的基准体系，我们研究了投资组合内外 20 家高增长、可持续的人工智能初创公司，包括表现突出的 Perplexity、Abridge 和 Cursor。

虽然这些人工智能明星公司都展现了惊人的增长，但深入研究后可以清楚地看到，在人工智能时代，惊人的增长分为两种类型：超新星和流星。

AI 超新星

超新星是以软件历史上最快速度成长的人工智能初创公司。这些企业从种子轮到实现1亿美元的年度经常性收入几乎不费时间，往往在商业化的第一年就能达成。这些是我们所见到的既最令人兴奋又最令人担忧的初创公司。几乎可以说，这些数字的背后往往是收入可能存在脆弱性的情形。它们依赖于快速的用户采纳，这种采纳要么掩盖了低转换成本，要么意味着巨大的新颖性，但这种新颖性未必与长期价值相符。这些应用往往与核心基础模型的功能极为接近，以至于可能被贴上“薄包装”的标签。而在炙手可热的竞争领域中，利润率往往被压缩到接近零甚至为负，因为初创公司会用尽一切手段争夺赢者通吃的奖赏。

平均而言，我们调查的十家 AI Supernova 创业公司在商业化的第一年就实现了约 4000 万美元的 ARR，在第二年实现了约 1.25 亿美元的 ARR。 当然，ARR 的增长并不总能保证业务健康。可持续增长依赖于强劲的留存率、用户参与度和资本效率。平均来看，这些 AI Supernova 的毛利率仅为 25%，往往在短期内以牺牲利润来换取分发渠道。尽管毛利率较低，这些 AI Supernova 依然展现出惊人的每位全职员工 113 万美元 ARR 的表现，这一数字是典型 SaaS 基准的 4-5 倍。这种收入效率可能意味着在规模化后具备打造高效业务的长期潜力。

超新星：以爆炸性速度扩张、实现前所未有增长与采纳的 AI 初创公司。
平均基准	第一年 ARR	第二年 ARR
年度经常性收入	4000万美元	1.25亿美元

	平均
毛利率	约25%（通常为负）

	第1年
ARR/FTE（平均值）	$1.13M

AI Shooting Stars

相比之下，Shooting Stars 更像是出色的 SaaS 公司：它们能够快速找到产品与市场的契合点，保持并拓展客户关系，并维持较高的毛利率——由于增长更快以及适度的模型相关成本，毛利率略低于 SaaS 同行。它们的平均增长速度比以往的 SaaS 前辈更快，但增长率仍受制于传统的组织扩张瓶颈。这些企业或许尚未频繁登上头条，但它们深受客户喜爱，并正走在创造软件历史的轨道上。

平均而言，这些“流星”型公司在首个营收年度就能达到约 300 万美元的年度经常性收入（ARR）区间，同时实现同比增长四倍，毛利率约为 60%，并在首年实现每位全职员工约 16.4 万美元的年度经常性收入（ARR）。

如果 T2D3（三倍、三倍、两倍、两倍、两倍）定义了 SaaS 时代，那么 Q2T3*（四倍、四倍、三倍、三倍、三倍）则更能反映当今 AI “流星”在五年内的发展轨迹。这些初创公司增长速度显著快于传统 SaaS，但运营表现仍更接近 SaaS 基准，而非爆发式增长的 AI “超新星”。

虽然我们喜爱“Supernovas”，但我们认为这个时代的定义不在于少数的异类，而在于数以百计的“流星”。这使得“流星”成为 AI 创始人最重要的奋斗目标。

流星：增长迅速、资本高效的 AI 初创公司，具备强大的产品市场契合度（PMF）、稳健的利润率和忠诚的客户——像明星级 SaaS 一样实现规模化。
平均基准	第一年 ARR	第二年年度经常性收入	第三年年度经常性收入	第四年年度经常性收入
年度经常性收入	约 300 万美元	约 1200 万美元	约 4000 万美元	约 1.03 亿美元

	平均
毛利率	60%

	第1年
ARR/FTE（平均值）	约 $164K

给 AI 创始人的关键启示： 我们分享这些确实惊人的新基准，是为了展示当下杰出 AI 初创公司的现实情况。话虽如此，打造一家标志性的 AI 公司并不需要一夜之间实现四倍增长。许多最强的公司仍会走一条更为审慎的道路，这条道路由产品的复杂性和竞争格局所塑造。

然而，速度比以往任何时候都更重要。AI 已经解锁了更快的产品开发、GTM 和分发——使得“Q2T3”（四倍、四倍、三倍、三倍、三倍）成为一个雄心勃勃但日益可实现的基准。已有数十家初创公司证明这是可能的——我们相信你也可以做到！

诚然，我们还没有看到五年的数据，所以也许在未来几年里，我们会发现这些公司并不会真正实现三倍增长，但“Q2 T1 D2”听起来就没那么吸引人了。

AI 宇宙的路线图

在 Bessemer 跟踪的每一份路线图中，我们都看到过去一年里 AI 技术栈的许多元素得到了显著的凝聚，促成了几个早期“星系”的形成。我们将在每份路线图中考察这些星系，同时指出那些仍然充满“暗物质”的领域，在这些领域中我们仍在猜测未来会如何发展。

I. AI 基础设施

星系形成：模型层

让我们从显而易见的事实开始：OpenAI、Anthropic、Gemini、Llama 和 xAI 等少数几家企业，依然主导着基础模型领域，不断提升模型性能，同时探索纵向一体化。现在很明显，大型实验室已经不再仅仅提供基础模型和模型开发工具——它们正在推出用于编程、计算机操作以及 MCP 集成的智能体。与此同时，在软件创新和端到端硬件优化的推动下，算力成本也在可预期地持续下降。

像 Kimi、DeepSeek、Qwen、Mixtral 和 Llama 这样的最先进开源模型也持续证明，开放生态系统依然能够展现出超越自身规模的实力，在效率和专业化任务上常常能够媲美甚至超越专有模型。

在研究方面，我们正看到一波创新浪潮：Google 最近的 Mixture-of-Recursions 论文通过一种自适应深度的方法推动了扩展假设，在推理吞吐量和少样本准确率之间取得平衡。Mixture-of-Experts 架构也正在通过新的技术被重新激活，以独特的方式组合专家。最后，推理阶段的技术，如测试时强化学习（RL）和自适应推理，正在获得动力，垂直领域很可能会迎来一些最重大的突破。

这些模型层面的创新只是更大范围重新平台化的一部分。

随着公司构建原生 AI 和嵌入式 AI 产品，一层新的基础设施应运而生——涵盖模型、计算、训练框架、编排和可观测性。我们在 2024 年的 AI 基础设施路线图中强调了这一演变。这一专门的技术栈为构建者提供了所需的速度和灵活性，但随着参与者向相邻领域扩展以掌控更多技术栈，集成化进程正在加快。尽管迄今为止已取得了显著进展，但我们认为 AI 基础设施的快速演进远未结束。

AI 基础设施的第二幕

人工智能的第一个时代由重大的算法突破所定义——反向传播、卷积网络、Transformer。该领域的进步主要依赖于算法改进和规模化方法。相应地，基础设施也反映了这种思路，推动了基础模型、计算能力和数据标注等领域巨头的崛起。

但接下来的篇章可能会更加深远。

正如 OpenAI 的 Shunyu Yao 最近指出的那样，“人工智能的下半场——从现在开始——将把重点从解决问题转向定义问题。”

在 AI 基础设施的第二幕中，行业将从证明 AI 能够解决问题，转向构建能够以经验、清晰度和目标来定义、衡量并解决问题的系统。

大型实验室正从单纯追求基准测试提升，转向设计能够与现实世界高效交互的人工智能。与此同时，企业正从概念验证阶段迈向生产部署。

所有这些转变正在为新一波基础设施工具奠定基础——这些工具不仅仅是为了规模化或提高效率，而是为了将人工智能扎根于运营环境、真实世界经验以及持续学习中。 一些示例包括：

通过平台 （如 Fleet、Matrices、Mechanize、Kaizen、Vmax 和 Veris） 进行强化学习环境和任务策划 ，因为人工生成的标注数据已不足以支撑生产级 AI 的实现
新颖的评估和反馈框架 ，例如 Bigspin.ai、Kiln AI 和 Judgment Labs，可实现持续且具体的反馈循环
复合型 AI 系统 ，不仅关注模型的原始算力，还结合了知识检索、记忆、规划和推理优化等组件

我们正处于这一转变的起点——从将 AI 视为概念验证，迈向将 AI 作为一个能够定义问题并自适应的系统，嵌入到真实世界的体验中。

暗物质：AI 的苦涩教训

Rich Sutton 的 “Bitter Lesson” 提醒我们，AI 历史上最有效的进步往往来自于利用计算能力和通用学习，而不是依赖人工设计的特征或启发式方法。随着 AI 基础设施进入下一个阶段，实践者在努力嵌入上下文、理解和领域专业知识以确保其在现实世界中的实用性时，哪些技术将被证明最有效或最具可扩展性，仍是一个悬而未决的问题。

II. 开发者平台与工具

星系正在形成：AI 工程已成为软件开发不可或缺的一部分

除了基础设施栈之外，AI 显然已经改变了软件开发。自然语言已成为新的编程接口，模型根据指令执行任务。在这一范式转变中，软件开发的基本原则正在发生变化，因为现在提示词就是程序，而 LLMs 则是一种新型计算机。

AI 不仅仅意味着开发者工具的渐进式演变，它还引入了一种全新的软件开发方式。 我们将在即将发布的路线图《Software 3.0 的开发者工具》中详细介绍这一领域（订阅 Atlas 可第一时间获取）。

如今，问题不在于你的团队是否使用 AI，而在于你能多好地将其编排成一个复利式、高速运转的系统。 这种软件开发模式就像是 AI 原生开发的“成型星系”。最优秀的工程团队不仅仅是在用 AI 编写代码——他们在构建能够学习、适应，并在每个周期中更快交付的系统。

星系形成：模型上下文协议（MCP）

一层新的基础设施将对人工智能的发展产生深远影响—— 模型上下文协议（MCP）。由 Anthropic 在 2024 年底推出，并迅速被 OpenAI、Google DeepMind 和 Microsoft 采纳，MCP 正成为代理访问外部 API、工具和实时数据的通用规范。

正如 MCP 的创建者所描述的，它可以被视为人工智能领域的 USB-C。它支持持久化内存、多工具工作流，以及跨会话的精细化权限控制。借助它，代理可以串联任务、对实时系统进行推理，并与结构化工具交互——而不仅仅是生成输出。

对于开发者来说，MCP 从根本上简化了集成过程。对于创始人来说，它为构建真正具备代理能力的产品打开了大门——在这些产品中，AI 不仅仅是辅助用户，而是能够跨系统代表用户采取行动。现在仍处于早期阶段，需要注意的是，MCP 是一本食谱，而不是厨师。为了真正开始“烹饪”，我们需要像 FastMCP（由 Prefect 提供，使构建 MCP 服务器变得更加容易）这样的生态系统，以及像 Arcade 和 Keycard 这样的工具（用于促进代理授权和权限管理）。随着围绕 MCP 连接器、治理框架和特定于代理的工具的生态逐渐形成，我们预计它将像 HTTP 之于互联网一样，成为代理原生网络的基础。

暗物质：记忆、上下文及更深层次

随着 AI 原生工作流程的成熟，记忆正成为核心的产品基础能力。跨时间的记忆、适应和个性化能力，是将工具从“有用”提升为“不可或缺”的关键。优秀的 AI 系统正在超越单纯的回忆功能，并与用户共同进化。到 2025 年，大上下文窗口和检索增强生成（RAG）已经实现了更连贯的单次会话交互，但真正持久的跨会话记忆仍是一个悬而未决的挑战。除了基础模型公司在研究记忆功能外，初创公司如 mem0、Zep、SuperMemory 以及 Langchain 的 LangMem 也在积极探索。

上下文是模型在推理过程中看到的数据。记忆指的是跨交互保留的信息——支持多步推理、个性化以及智能体的持续性。这两者结合，将驱动下一代 AI 应用的发展。

我们认为领先的技术栈最终将结合以下内容：

短期记忆通过扩展上下文窗口实现（128k 到 100 万+ tokens，取决于模型和架构）
长期记忆通过向量数据库、内存操作系统（如 MemOS）以及 MCP 风格的编排实现
语义记忆通过混合 RAG 和新兴的情节模块实现，旨在支持富上下文的回忆

然而，权衡依然存在：长上下文会增加延迟和成本。持久性记忆在缺乏智能上下文工程的情况下很脆弱——动态选择、压缩和任务隔离是关键。

代理型应用——开发代理、客户副驾、创意工具——正引领多模态记忆层和有状态工作流的采用。与此同时，对神经记忆、持续学习和本地上下文缓冲的研究表明，可扩展的回忆能力已近在眼前。

对于人工智能应用的创始人来说，情境和记忆可能会成为新的护城河。 在人工智能领域，解决这些问题的构建者所带来的切换成本可能几乎是情感层面的。当你的产品比任何其他工具都更了解用户的世界时，更换它就像从头开始。无论是精通你团队代码库的编程助手，还是嵌入你 CRM 和通信系统的销售代理，针对用户及其特定环境所积累的智能，都会成为最难以替代的资产。

许多未知因素仍然存在，但未来获胜的初创公司可能需要同时掌握基础设施和界面：

构建灵活、具备记忆感知能力且低延迟回忆的系统
为隐性学习和与核心工作流程的深度集成而设计
将上下文转化为在数据、分发和用户体验上的复合优势

创始人应将记忆视为产品，而不仅仅是后台管道。今天以记忆感知为核心构建的初创公司，将塑造出未来最智能、最个性化、最具黏性的 AI 系统。

三、横向与企业级人工智能

星系形成：记录系统面临压力

在企业软件领域，人工智能正开始揭示初创公司颠覆一些最大型横向记录系统（SoR）的机会。几十年来，Salesforce、SAP、Oracle 和 ServiceNow 等 SoR 凭借其广泛的产品覆盖面、复杂的实施过程以及在业务关键数据中的核心地位而稳固存在。这些企业在软件领域享有最强的护城河之一。更换成本实在太高，几乎没有初创公司敢于尝试取而代之。如今，这些护城河正在削弱。

借助人工智能对非结构化数据进行结构化处理以及按需生成代码的能力，迁移到新系统的速度比以往更快、成本更低、可行性更高。代理型工作流程正在取代机械化的数据录入，而那些曾经需要大量系统集成商和多年工作的典型实施项目，正以数量级的速度加快推进。

这些新平台不仅仅是存储信息——它们还会对信息采取行动。像 Day.ai 和 Attio 这样的 CRM 工具，会自动记录来自电子邮件、电话和 Slack 的客户互动。像 Everest、Doss 和 Rillet 这样的 AI 原生 ERP，可以自动化财务预测和采购流程。生产力的差距正变得无法忽视。创始人们不再只是构建更好的记录系统——他们正在构建行动系统。

对于构建行动系统的创始人来说，关键的突破点是什么？

AI“特洛伊木马”功能：使初创公司能够利用一个有价值的切入工具接入数据流，从而在不必在第一天就替换系统的情况下，开始捕获流入记录系统的所有数据
实施：借助代码生成工具以及 AI 将自然语言描述的业务逻辑转化为代码的能力，速度提升 90%
数据：自动导入，利用 AI 在不同模式之间转换的能力，实现 1 天内的数据迁移，使历史上的供应商锁定几乎成为过去
投资回报率：相较于传统系统提升10倍，不仅仅是渐进式改进；智能代理工作流减少专业服务支出并加快价值实现时间

我们认为，我们正处于一场跨越一代人的重大转变的起点——从记录系统转向行动系统。

星系正在形成：下一代 CRM、人力资源管理和企业搜索

关键问题是：AI 原生挑战者是在创造全新的类别，还是终于对现有巨头构成威胁？在 CRM 领域，早期的颠覆迹象令人振奋。这些 AI 原生工具不仅仅是在取代现有的 CRM——它们提供的是一种全新的体验。它们既能为销售团队大幅减轻繁琐的手动工作，又能基于自动整合的各渠道交易信号，为销售经理智能推荐时间投入的重点。这是一次十倍的飞跃，而不是百分之十的改进。

我们在以下领域也看到了类似的切入点：

人力资源与招聘： 用于候选人筛选、入职培训和绩效跟踪的 AI 副驾
企业搜索： 基于内部知识训练的横向 AI 副驾正在取代原本由 SharePoint 或 Notion 搜索承担的角色
FP&A： 原生 AI 的 FP&A 工具使财务分析师能够将来自多个不同孤岛的数据集中起来，并在无需数据工程团队支持的情况下对其进行复杂分析

真正的制胜之道？ 从一个 AI 切入点——一个相邻的高价值功能——开始，逐步扩展为完整的记录系统。这使得挑战者能够在与传统工作流程良好兼容的同时，随着时间的推移收集专有数据。像知识产权管理领域的 Tradespace 或 ITSM 领域的 Serval 等公司就是这种方法的典型代表。

现在仍处于早期阶段，但在全新类别与真正的 SoR 替代之间，清晰的战线已经开始形成。这将是一个值得关注的有趣领域。

暗物质：企业 ERP 以及记录系统（SoR）的长尾

尽管有如此多的势头，一些最大的企业领域仍然出人意料地几乎未被颠覆：

企业级 ERP： 虽然我们在 AI 原生的会计和 ERP 平台上看到了大量令人振奋的活动，但目前它们大多专注于中小企业和中端市场客户，主要集中在软件和服务等相对简单的领域，而不是那些具有高度复杂制造、供应链和库存需求的行业。话虽如此，我们认为 AI 在这些更复杂的环境中同样能够带来巨大的价值，但新进入者需要时间来构建足够广度的产品，才能服务于这些更复杂的客户，我们认为真正的企业级 ERP 更换周期仍需多年才能到来。
SoR 的长尾： 虽然在谈到记录系统（Systems of Record）时，CRM 和 ERP 往往备受关注，但实际上还有更长尾的记录系统同样在长期内蕴藏着巨大的颠覆机会。这些系统涵盖了从企业安全领域的身份平台，到公共安全领域的计算机辅助调度系统，再到网页设计领域的内容管理系统。我们认为这些类别都已成熟到可以被颠覆的阶段，但这将是一段长达十年的旅程，而创业者才刚刚开始将注意力转向这些领域。

前景巨大——但执行仍然难以实现。展望2026年，我们相信下一波明星可能会在这些领域诞生，但现在仍然为时过早，无法预测。

四、垂直领域人工智能

去年，我们提出了一个大胆的论点：垂直领域人工智能有潜力超越即便是最成功的传统垂直 SaaS 市场。我们对这一论点的信心比以往任何时候都更强。采用速度持续加快，尤其是在那些长期依赖人工、服务密集或被认为对技术抗拒的垂直工作流程中。这改变了我们对所谓“技术恐惧型”垂直行业的看法。事实上，问题从来不在于缺乏采用新工具的意愿，而在于传统 SaaS 无法解决那些高价值、垂直领域特有的多模态或语言密集型任务。垂直领域人工智能终于能够在用户所在的场景中与他们相遇，提供的产品更像是真正的生产力杠杆，而不仅仅是软件。

星系形成：垂直领域特定的工作流程自动化

多个行业——令人惊讶的是，其中许多在过去被认为是技术恐惧型的行业——正在显示出明显的有意义的垂直领域 AI 采用迹象。例如：

医疗健康：Abridge 使用生成式 AI 自动化临床记录撰写，缓解医护人员的职业倦怠，同时提升文档质量。SmarterDx 通过自动化复杂的编码工作流程，帮助医院追回遗漏的收入。OpenEvidence 自动化医学文献审查，并在护理现场即时提供答案。
法律：EvenUp 通过生成法律诉求文件，将数天的人工工作缩短为几分钟，使审判律师和人身伤害事务所能够扩大案件处理量。Ivo 帮助法律团队自动化合同审查，并在企业合同中执行自然语言搜索。Legora 加速法律研究、审查和起草，同时在整个工作流程中实现协作。
教育： 像 Brisk Teaching 和 MagicSchool 这样的公司为教师提供由 AI 驱动的工具，以简化批改作业、辅导和内容创作等任务。
房地产：EliseAI 将原本劳动密集、手动的物业管理工作流程实现自动化，从潜在客户和住户沟通到租约审查均可覆盖。
家庭服务：Hatch 充当由 AI 驱动的客户服务代表（CSR）团队。Rilla 利用真实世界的音频分析面对面的销售对话，并大规模指导销售代表。

我们清楚地看到，具有突破性发展的公司在应对这些垂直领域时呈现出明显的模式：

引人注目的切入点： 早期的赢家通常从解决一个核心痛点入手，这个痛点往往与语言密集或多模态相关，因此在以往的软件浪潮中未被充分满足。最佳的切入型产品直观易用，且常常嵌入到现有工作流程中，使采用过程无缝衔接。语音/音频反复出现，成为神奇切入点的常见要素。
情境为王： 防御能力源自领域专长：包括集成、数据壁垒，以及为特定垂直需求打造的多模态界面。最强的团队会迅速超越微调阶段，进入深度垂直化的实用阶段。
为价值而生： 投资回报从第一天起就清晰可见，无需用 Excel 表格向用户解释。这些工具能释放 10 倍的生产力，将劳动力重新分配到更高价值的工作中，降低成本，或推动营收增长。这种价值是立竿见影的，而不是“可有可无”的。

暗物质：垂直领域人工智能中的未解之谜

尽管发展势头强劲，垂直领域人工智能在三个关键领域仍存在真正的未知数：

与传统记录系统的交互： 下一代垂直领域人工智能公司会继续与现有的记录系统集成并扩展其功能（这是当下的现状），还是会开始直接与它们竞争？我们是否会看到一个未来，这些传统的记录系统将不再是核心，而是被人工智能原生、针对特定垂直领域的行动系统所取代？
来自现有巨头的竞争： 在那些根深蒂固的现有巨头并未掉以轻心的垂直领域中，是规模和分销能力会战胜新兴创新，还是新一代公司会在不利条件下依然突围？
可持续的数据护城河： 随着垂直领域 AI 公司不断扩大业务范围，他们能否在数据分散、隐私敏感且往往难以大规模获取或标准化的行业中，保持有意义的数据优势？

V. 消费者 AI

随着底层技术的发展，满足新消费者需求的机会也在不断涌现。去年，大多数消费者的使用场景偏向于生产力驱动的任务，例如写作、编辑和搜索，因为消费者在探索 AI 的新奇性和实用性。但我们开始看到向更深入的使用场景转变，包括治疗、陪伴和自我成长。AI 不再只是任务辅助工具，它正在渗透到消费者生活中更有意义的领域。

星系形成：用于日常任务和创作的 AI 助手

各个年龄段的消费者越来越多地转向通用型 LLMs，尤其是 ChatGPT 和 Gemini，以获取日常或每周的帮助（截至 2025 年 3 月，估计每周活跃用户分别为 6 亿和 4 亿）。最初的新奇体验如今已成为一种习惯，这些工具每周为数亿用户提供服务。即使出现了大量专业化应用，大多数消费者仍依赖这些通用助手来满足包括研究、规划、建议和交流在内的各种需求。

在过去的一年中，语音已成为消费者与这些应用程序交互的一种强大方式。与 Alexa 或 Siri 等传统助手不同，基于 LLM 的语音 AI 能够处理开放性问题、促进思考，并支持更流畅的对话交流，为与技术交互提供了一种直观、免提的方式。在语音 AI 领域，像 Vapi 这样的平台正在帮助消费者以跨越语言、语境和情感的方式与机器互动。

或许最有意义的转变之一，是消费者搜索信息和与整个网络交互的方式。 在这一不断演变的格局中，Perplexity 已经成为一匹脱颖而出的黑马。其与模型无关的编排能力和极快的用户体验，使其成为 AI 原生搜索的首选。随着其代理浏览器 Comet 的推出，Perplexity 正在进一步推动前沿发展，并有可能成为下一代环境化、主动型智能体的标志性形态。

除了正在崭露头角的卓越助手角色之外，AI 还在降低创作门槛，将每一位消费者都变成潜在的创作者。消费者正在使用 Create.xyz、Bolt 和 Lovable 等工具构建应用，使用 Suno 和 Udio 创作音乐，借助 Moonvalley、Runway 和 Black Forest Labs 等平台制作多媒体内容，并通过 FLORA、Visual Electric、ComfyUI 和 Krea 等工具加速创意构思与迭代。AI 正在将日常消费者转变为创作者，不断突破我们曾经认为的可能性边界。

星系形成：为特定目的打造的 AI 助手

随着消费者希望将人工智能更深入地融入日常生活，一波面向特定需求的消费类应用应运而生。其中增长最快的领域之一是心理健康与情绪健康 。虽然“ChatGPT 疗法”持续受到关注，但我们也看到了一批专注于自我反思和个人成长的定制化工具的兴起。这包括像 Rosebud 这样的 AI 日记和导师，以及像 Finch 这样的游戏化自我关怀伙伴，帮助用户设定个人目标、养成健康习惯并追踪情绪健康状况。Character.AI 早期就显示了消费者对情感表达型 AI 的兴趣，但在过去一年中，这种需求已进入主流，越来越多由 LLM 驱动的工具被设计用于支持长期记忆、情绪韧性和自我发展。

另一个新兴类别是电子邮件和日历工作流程。 越来越多的初创公司正尝试利用人工智能简化日程安排、收件箱管理以及待办事项自动化。但由于这些是对信任度要求较高的应用场景，并且在拥有强大现有竞争者（如 Gmail）的竞争激烈领域中，客户获取和留存一直是个挑战。

虽然在餐饮规划、健身和育儿等更细分的消费场景中有大量产品可供选择，但我们不太确定这些细分领域会出现明确的赢家。尽管有这些选择，大多数消费者仍倾向于使用通用型 LLMs，认为它们在许多任务中已经“足够好”。要让专业化应用脱颖而出，它们需要提供明确的差异化价值，并通过针对性体验解决高频且持续的使用场景，才能在用户的主屏幕上占据长期位置。

暗物质：明显但尚未解决的消费者痛点

一些最显而易见的消费者使用场景依然未被充分满足，并不是因为缺乏需求，而是因为它们仍然需要用户投入过多的手动操作。虽然早期的自主代理产品正在出现，但底层技术仍在成熟过程中。

关于安全性、自主性和可靠性的问题依然没有解决，因此能够代表用户采取行动的代理仍处于早期阶段。

那些显而易见却被忽视、迫切需要代理基础设施跟上的使用场景包括：

旅行： 旅行预订依然分散且耗时。个性化、端到端的旅行礼宾服务机会巨大，但尚未被占领。
购物： 当起点不再是 Google，而是能够代表消费者进行浏览、价格比较甚至结账的智能代理时，电子商务将迎来被根本性重塑的机会。

谁将拥有这些使用场景的主导权？ 会是掌控 AI 原生浏览器的参与者、通用型 LLM 助手，还是新一波面向消费者的端到端智能代理应用？答案可能决定下一代消费者平台的赢家。

Bessemer 对 2025 年的 AI 顶级预测

和往年一样，我们调查了合伙人，以确定未来几年我们认为最重要的五大 AI 预测。我们从数十条预测中筛选出这五条，至少在一定程度上达成了共识。那么，事不宜迟：

1. 浏览器将成为代理型 AI 的主导界面

随着代理型 AI 的发展，浏览器正逐渐成为自主执行的潜在环境——不仅仅是导航工具，而是通向整个数字世界的可编程界面。

虽然语音在某些情境下仍将是一种自然的交互方式，但浏览器提供了更强大的能力：一种嵌入日常工作流程中的环境化、具备上下文的界面。浏览器能够无缝集成到消费者和企业系统中，使智能体能够在用户已经依赖的应用中原生地进行观察、推理和操作。

新一代的智能代理浏览器——如最近推出的 Comet 和 Dia——将远不止是插件。它们会在操作层嵌入 AI，实现多步骤自动化、跨标签页和会话的智能交互，以及实时决策。与传统扩展不同，这些浏览器能够理解用户意图并端到端地执行工作流程。

我们预计很快会看到来自 OpenAI、Google 以及其他公司的新一代 AI 原生浏览器，每一家都会推动智能体在会话中能力的边界。浏览器的普及性、灵活性以及深度集成能力，使其成为在 B2B 和 B2C 场景中最强大且不可避免的智能体 AI 接口层。新的浏览器大战即将打响！

2. 2026 年将成为生成式视频之年

2024 年标志着生成式图像模型进入主流的拐点。2025 年，语音领域出现了类似的突破，这得益于延迟、感知能力、拟人化程度和定制化的提升，以及成本的大幅下降。2026 年正逐渐成为视频跨越鸿沟的一年。无论是 Google 的 Veo 3、Kling、OpenAI 的 Sora、Moonvalley 的 Marey，还是新兴的开源技术栈，模型质量都在加速提升。我们正接近在可控性、可及性和逼真度上的临界点，这将使生成式视频在大规模商业化上变得可行。

视频历来是最昂贵且最复杂的媒介。生成式视频和多模态模型正在打破这些壁垒，使视频变得可行且易于获取。我们已经看到生成式视频模型在娱乐、营销、教育、社交媒体和零售等领域获得主流采用。我们预计会有大量初创公司和工具涌现，针对特定的使用场景——从电影化叙事和虚拟形象动画，到实时客户互动和产品视频。

我们还预计未来 12 个月将会明确生成式视频的市场结构：

大型实验室会赢得一切吗？ 像 Google 的 Veo 3 这样的模型正在为视频的真实感和可控性设定基准。Higgsfield 正在通过在现有前沿模型之上利用上下文学习构建差异化应用而引起关注——这表明你并不一定需要训练自己的模型就能打造出强大的产品。
开源能迎头赶上吗？ 与开源模型表现更优异的图像生成不同，视频领域的开源领军者较少。视频模型对算力和数据的需求很高，训练成本昂贵且评估复杂。尽管如此，我们预测在 2026 年会出现强大的开源视频模型——Qwen 的开源视频模型是早期的赢家，势头正在积聚。
实时或低延迟的使用场景是否有优势？ 我们正在关注像 Lemonslice 这样的早期团队，他们在尝试流式视频和实时推理，在这些场景中，速度和响应能力本身就能成为产品的护城河。

我们正在关注的几个主要用例是：

电影级视频：为创作者、制片厂和营销团队提供的工具，如 Moonvalley
实时、低延迟生成：直播、虚拟网红、游戏
极致真实感：照片级真实的叙事、虚拟制作
个性化内容与社交身份
让开发者工作流程更容易创建视频应用和输出

然而，伴随技术进步而来的，是围绕知识产权日益复杂的问题。生成式视频的版权和监管环境仍在追赶之中，因为大型制片厂已经开始对滥用受版权保护的素材采取行动。在这一领域运营的初创公司应当在数据许可、负责任地获取训练集，以及制定尊重创作者的版税结构方面保持审慎和积极。这不仅关乎法律风险——更关乎长期的信任、差异化和防御能力。

无论生成式视频最终会成为由少数实验室主导的市场，还是形成一个充满应用、基础设施和开放创新的生态系统，有一点是明确的：一个视频创作的新纪元已经到来——它将重塑互联网。

3. 评估和数据溯源将成为推动人工智能产品开发的关键催化剂

企业级人工智能部署中最大且尚未解决的瓶颈之一是评估。产品、功能或算法的更改“表现如何”？用户是否喜欢？它是否提升了收入、转化率或留存率？几乎每家公司仍在努力评估模型在其特定的、真实世界的使用场景中是否能可靠运行。像 MMLU、GSM8K 或 HumanEval 这样的公共基准测试，充其量只能提供粗粒度的信号——而且往往无法反映真实工作流程、合规限制或关键决策场景中的细微差别。

这就是为什么 2025–2026 年将成为一个转折点：AI 评估将变得私有化、落地化并值得信赖——因此企业部署量将增长 10 倍。

当今的企业不仅追求性能，还追求信心。而信心需要基于自身数据、用户和风险环境的可信、可复现的评估框架。这一转变已经开始：公司不再追逐排行榜分数，而是构建内部评估套件 ，以衡量 AI 在隐私敏感的工作流程、客户支持、文档解析以及智能体决策等方面的表现。

下一阶段的 AI 测量将由以下因素定义：

基于专有数据的私有、特定用例评估
以业务为基础的指标 ，如准确率、延迟、幻觉率、客户满意度
持续评估流水线 ，与生产系统和反馈循环紧密集成
溯源与可解释性 ，尤其是在医疗、金融和保险等受监管行业

像 Braintrust、LangChain、Bigspin.ai 和 Judgment Labs 这样的初创公司正在为这一新时代开创基础设施栈——提供评估工具、智能体基准测试环境、实时反馈循环等。

随着企业买家的成熟，他们将不仅要求性能，还要求可验证、可解释且值得信赖的性能。DataHub 让企业确信其 AI 模型仅使用来自正确来源、用于正确目的、在正确地点的数据，并提供数据血缘以便进一步验证和合规。AI 供应商需要在购买前而非部署后提供有效性证据。在这种情况下，评估和数据血缘不仅是开发功能——它们成为 AI 栈的战略层的一部分，也是采购和治理的核心要求。

我们所熟知的产品开发一直以来都致力于以数据为驱动、以用户为导向，像 LaunchDarkly 这样的平台使实验和测量成为可能。在人工智能的世界中——预测性与确定性的用户体验占据主导地位——这些产品开发原则的根基已被动摇。像 Arklex、Kiln AI 和 Pi Labs 这样的公司，提出了一种在 AI 原生时代对测量和反馈循环进行全新思考的激进方式。

在该领域创业的创始人应优先考虑：

多指标评估工具 （例如，准确率、幻觉风险和合规性）
合成评估环境用于对智能体进行压力测试
与日志、检索和反馈系统的互操作性
支持模型漂移和随时间的持续更新

随着基础模型性能的趋同， 真正的差异化因素将不再是原始的准确率，而是确切地知道你的模型在你的环境中如何、何时以及为何发挥作用。 能够让评估可扩展、可解释并适用于企业的初创公司，将开启下一波人工智能部署浪潮，并定义下一个重要的基础设施前沿。

4. 一个全新的 AI 原生社交媒体巨头可能会出现

消费者技术的重大变革历来为新的社交巨头铺平了道路。PHP 促成了 Facebook 的诞生。手机摄像头让 Instagram 成为可能。移动视频的进步推动了 TikTok 的崛起。很难想象由生成式 AI 带来的新能力不会引发类似的爆发。

我们尚不清楚下一个社交媒体巨头将以何种形式出现。它可能是一个由 AI 智能体在幕后默默确保我们不会错过任何生日、朋友动态或本地重要事件的网络，帮助我们在网络和现实生活中展现最好的自己。或者，它可能是一个由具备情感智能的 AI 网红和 AI 克隆体构成的世界。像 Character.AI 和 Replika 这样的平台暗示了一个社交空间，在那里 AI 而非人类可能成为主角。

无论以何种形式出现，语音交互、长期记忆以及图像和视频生成方面的突破，显然将成为下一次社交媒体爆发的强大推动力。获胜的平台可能会以主流市场的轰动效应推出，或先在小众社区中崭露头角，然后迅速扩展成一个完整的生态系统。

5. 随着人工智能并购升温，行业巨头开始反击

在经历了两年由 AI 原生初创公司带来的快速颠覆后，企业巨头正在反击——他们并非从零开始重建，而是通过收购所需的能力来追赶。在 2025 年和 2026 年，我们预计将看到并购活动的激增，因为现有企业将积极通过收购的方式进入 AI 时代。

在垂直软件领域，战线最为清晰。随着 AI 原生初创公司不断深入行业特定的工作流程——自动化保险理赔、法律简报或收入周期管理——传统 SaaS 厂商面临着一个严峻的选择：进化，或者被淘汰。对许多公司来说，最快的创新路径是收购。我们预计，在医疗、物流、金融服务和法律科技等高服务、受监管的行业，将出现一波整合浪潮。

但这不仅仅是为产品加上 AI 功能。垂直 AI 的兴起正在推动结构性转变——软件与服务的界限正在模糊。AI 工具正深度嵌入行业工作流程，以至于它们更像是智能服务提供商。对于现有企业来说，收购这些公司不仅是一次 AI 升级，更是对其价值主张的重塑。

与此同时，对人工智能基础设施和工具的需求将推动在模型编排、评估、可观测性和存储系统方面的战略收购。 企业不仅仅是在购买应用程序——他们是在购买人工智能原生技术栈的构建模块。

给创始人的要点：

做好迎接战略兴趣的准备：如果你正在构建特定领域或基础设施层的 AI 产品，预计会有传统企业主动联系，寻求弥补其产品空白。
争取杠杆优势：处于最佳位置的初创公司将拥有强大的技术壁垒、客户吸引力以及深度嵌入的工作流程，使其难以被复制。
了解收购方的路线图：弄清楚在你的领域中，现有企业在哪些方面正在落后。如果你能提供他们无法足够快构建的东西，你就很有价值。

对于投资者来说，这一轮整合浪潮既代表了流动性机会，也验证了投资论点：现有企业正通过他们的钱包确认——AI 原生公司正在设定新的标准。AI 原生颠覆的时代或许始于初创公司，但第二幕已经拉开——巨头们正在整装待发。

创始人在人工智能领域的优势

我们已不再处于人工智能的黎明时分——而是深处于它不断扩展的星系之中。如今最顶尖的初创公司不仅仅是在构建更快的软件，它们正在设计能够看、听、推理和行动的系统——将智能嵌入到工作与生活的肌理之中。

但事实是：在人工智能领域取得成功不仅关乎速度，更关乎方向——即朝着正确方向的速度。最具标志性的公司不会只是顺势而为，而是能够塑造浪潮——将指数级的能力与现实世界的清晰度相结合。

人工智能不再是理论，它已进入实用阶段。它正在创造收入、建立关系，并重写行业规则。然而，许多问题仍未解决：记忆、上下文、治理、能动性。这正是当下的力量所在——地图依然模糊，但前沿是真实存在的。

以下是人工智能应用创始人的核心要点

两种 AI 初创公司类型正在胜出： 平均而言，Supernovas 在约 1.5 年内达到约 1 亿美元的年度经常性收入（ARR）——但往往留存率脆弱、利润率微薄；Shooting Stars 的增长如同明星级 SaaS：4 年内从 300 万美元增长到 1 亿美元，具备强大的产品市场契合度（PMF）和健康的利润率。
记忆与上下文是新的护城河： 最具防御力的产品将能够记忆、适应并实现个性化。持久记忆与语义理解能够创造情感和功能上的锁定效应。
行动系统正在取代记录系统： 原生 AI 应用不仅仅是存储数据——它们会对数据采取行动。不要将 AI 生硬地附加到传统软件上——而是要重新构想整个工作流程。
从 AI 切入点开始： 先解决一个狭窄且高摩擦的问题（例如，法律研究、销售笔记）。快速交付 10 倍的价值——然后再扩展。
浏览器是你的画布：Agentic AI 正在转向浏览器层——现在它是一个可编程的环境，代理可以在其中观察和执行。为这一界面构建；它是新的操作层。
私有且持续的评估至关重要： 公共基准测试远远不够。企业需要值得信赖且可解释的性能。从第一天起就构建评估基础设施。
实施速度是战略优势： 过去需要数月的上线过程如今只需数小时。代码生成、自动映射和自然语言接口打破了供应商锁定。
垂直领域 AI 是新的 SaaS： “技术恐惧型”行业正在快速采用 AI。通过深度嵌入、从第一天起证明投资回报率并快速扩展来取胜。
行业巨头已觉醒且积极收购： SaaS 巨头正通过收购进入 AI 领域。构建技术和数据护城河。做好并购准备，但要像将长期主导该领域一样运营。
品味和判断力是你的差异化优势： 在充满智能代理和自动化的世界中，人类的洞察力才是关键。能够直觉性地判断什么应该存在——而不仅仅是判断什么可以存在——的创始人，将定义下一个时代。

创始人的优势正在转变。仅有速度已不再足够。你需要产品直觉、同理心和清晰的目标。你不仅需要一个更好的模型——你需要一个更好的世界模型。下一批获胜的公司不会只是做更多的 AI，而是会做正确的 AI——在正确的高度，达成正确的结果。

人工智能的宇宙正在迅速扩张。现在是时候构建能将你的星系凝聚在一起的引力了。 出发吧。