本文信息来源:a16z
2026年重大创意:第一部分
根据我们合伙人的观点,2026年创业者将要解决的最重大问题
作为投资者,我们的工作是深入了解科技行业每个角落的方方面面,以理解下一步的发展方向。因此每年12月,我们都会邀请投资团队分享他们认为科技建设者在来年将要解决的一个重大想法。
今天,我们分享来自基础设施、成长、生物+健康和 Speedrun 团队的想法。敬请期待明天其他团队的观点。
基础设施
Jennifer Li:初创公司驯服多模态数据的混乱
非结构化、多模态数据一直是企业最大的瓶颈,也是最大的未开发宝藏。每家公司都淹没在 PDF、截图、视频、日志、邮件和半结构化的混乱数据中。模型越来越智能,但输入数据却越来越混乱,这导致 RAG 系统产生幻觉,智能体以微妙且代价高昂的方式出错,关键工作流程仍然严重依赖人工质量保证。AI 公司现在的限制因素是数据熵:在这个非结构化的世界中,80%的企业知识存储于此,数据的新鲜度、结构化程度和真实性都在持续衰减。
这就是为什么理清非结构化数据成为一代人的机遇。 企业需要一种持续的方式来清理、结构化、验证和治理他们的多模态数据,以便下游 AI 工作负载能够真正发挥作用。应用场景无处不在:合同分析、入职流程、理赔处理、合规、支持、采购、工程搜索、销售赋能、分析管道,以及每一个依赖可靠上下文的智能体工作流程。那些构建平台来从文档、图像和视频中提取结构;调和冲突;修复管道;或保持数据新鲜且可检索的初创公司,掌握着企业知识和流程王国的钥匙。
Joel de la Garza:AI 重振网络安全招聘
在过去十年的大部分时间里,首席信息安全官面临的最大挑战是招聘。从 2013 年到 2021 年,未填补的网络安全职位从不到 100 万个增长到 300 万个。这是因为安全团队雇佣高技能技术人员,让他们整天从事令人沮丧的一级安全工作,比如审查日志,而没有人愿意做这种工作。问题在于,网络安全团队通过购买检测一切的产品制造了这种苦差事,这意味着他们的团队需要审查一切——这反过来又造成了虚假的劳动力短缺。这是一个恶性循环。
在 2026 年,人工智能将通过为网络安全团队自动化大量重复和冗余的工作来打破这个循环并缩小招聘差距。任何在大型安全团队工作过的人都知道,一半的工作可以通过自动化轻松解决,但当你淹没在工作中时,不可能弄清楚该自动化什么。为安全团队解决这一问题的 AI 原生工具将最终解放他们,让他们能够做自己想做的事情:追踪坏人、构建新系统和修复漏洞。
Malika Aubakirova:智能体原生基础设施成为基本要求
在2026年,最大的基础设施冲击不会来自外部公司,而是来自内部。我们正在从可预测且低并发的人类速度流量转向递归、突发且海量的”智能体速度”工作负载。
当今的企业后端是为人类操作与系统响应 1:1 的比例而构建的。它的架构无法支持单个智能体”目标”在毫秒内触发 5,000 个子任务、数据库查询和内部 API 调用的递归扩散。当智能体尝试重构代码库或修复安全日志时,它看起来不像用户。对于传统数据库或速率限制器来说,它看起来像是 DDoS 攻击。
2026年为智能体构建意味着重新架构控制平面。我们将看到”智能体原生”基础设施的崛起。下一代架构必须将”惊群”模式视为默认状态。冷启动必须缩短,延迟差异必须消除,并发限制必须呈数量级跃升。瓶颈变成了协调:在大规模并行执行中的路由、锁定、状态管理和策略执行。只有能够在随之而来的工具执行洪流中存活下来的平台才会成为赢家。
Justine Moore:创意工具走向多模态
我们现在拥有用 AI 讲述故事的构建模块:生成式语音、音乐、图像和视频。但对于任何超出单个片段的内容,获得你想要的输出往往既耗时又令人沮丧——如果不是不可能的话,特别是如果你想要达到接近传统导演所拥有的控制水平。
为什么我们不能向模型输入一段30秒的视频,然后要求它使用参考图像和语音创建的新角色来延续场景?或者重新拍摄一个片段,以便我们可以从不同角度查看场景,或者使视频动作与参考视频相匹配?
2026 年是 AI 走向多模态的一年。向模型提供你拥有的任何形式的参考内容,并与之协作创造新内容或编辑现有场景。我们已经开始看到一些早期产品,如 Kling O1 和 Runway Aleph。但还有很多工作要做——我们需要在模型层和应用层都进行创新。
内容创作是 AI 的杀手级应用场景之一,我预计我们将看到多个成功的产品,覆盖各种用例和客户类型,从表情包制作者到好莱坞导演。
Jason Cui:AI 原生数据栈持续演进
在过去一年中,我们看到”现代数据堆栈”领域出现了大量整合,数据公司已经从专注于数据摄取、转换和计算等细分领域,转向捆绑销售和统一平台。例如:Fivetran/dbt 的合并,以及 Databricks 等统一平台的持续崛起。
虽然这个生态系统明显更加成熟,但我们仍处于真正的 AI 原生数据架构的早期阶段。我们对 AI 能够继续转变数据堆栈多个部分的方式感到兴奋,并且我们开始看到数据和 AI 基础设施正变得密不可分。
我们感到兴奋的几个想法:
- 数据将如何继续流入高性能向量数据库以及传统的结构化数据库
- AI 代理如何应对”上下文问题”:持续访问正确的数据上下文和语义层,以构建稳健的应用程序,例如与数据对话,这些应用程序始终能在多个记录系统中保持正确的业务定义
- 随着数据工作流变得更加智能化和自动化,传统的 BI 工具和电子表格将如何改变
Yoko Li:我们走进视频内部的一年
到 2026 年,视频不再是我们被动观看的东西,而是开始变成我们真正能够步入其中的场所。视频模型终于能够理解时间,记住它们已经向我们展示的内容,对我们的行为做出反应,并以我们对物理世界所期待的那种静默一致性维持运行。这些系统不再只是产生几秒钟互不相关的图像,而是能够持续维持角色、物体和物理规律足够长的时间,让行动变得有意义,让后果得以展开。这一转变将视频变成了我们可以在其上构建的媒介:一个机器人可以练习、游戏可以演化、设计师可以制作原型、智能体可以通过实践学习的空间。由此产生的不再像是一段片段,而更像是一个活生生的环境,开始弥合感知与行动之间的鸿沟。我们第一次感觉到可以栖居于我们生成的视频之中。
增长
Sarah Wang: 记录系统失去优势地位
在 2026 年,企业软件的真正颠覆在于记录系统将最终开始失去其主导地位 。AI 正在缩短意图与执行之间的距离:模型现在可以直接跨操作数据进行读取、写入和推理,将 ITSM 和 CRM 系统从被动数据库转变为自主工作流引擎。随着推理模型和智能体工作流的最新进展不断叠加,这些系统不仅获得了响应能力,还能够预测、协调和执行端到端流程。界面演变为动态智能体层,而传统的记录系统则退居幕后,成为商品化的持久层——其战略优势让位于那些控制员工实际使用的智能执行环境的一方。
Alex Immerman: 垂直 AI 从信息检索和推理演进到多人协作
AI 推动垂直软件实现了前所未有的增长。医疗、法律和房地产公司在几年内达到了 1 亿美元以上的年度经常性收入;金融和会计领域紧随其后。演进首先是信息检索:查找、提取和总结正确的信息。2025 年带来了推理能力:Hebbia 分析财务报表并构建模型,Basis 跨系统对账试算平衡表,EliseAI 诊断维护问题并派遣合适的供应商。
2026 年开启多人模式。垂直软件受益于领域特定的界面、数据和集成。但垂直领域的工作本质上是多方协作的。如果 AI 智能体要代表劳动力,它们就需要协作。从买家和卖家,到租户、顾问和供应商,每一方都有不同的权限、工作流程和合规要求,只有垂直软件才能理解这些。
如今,各方各自独立使用 AI,这造成了缺乏授权的工作交接。分析采购协议的 AI 不会与 CFO 沟通以调整其模型。维护 AI 不知道现场工作人员向租户做出了什么承诺。多方协作通过跨利益相关者的协调来改变这一状况:将任务路由给职能专家、维护上下文、同步变更。对手方 AI 在参数范围内进行谈判,并标记不对称情况供人工审查。高级合伙人的修改会训练整个公司的系统。由 AI 执行的任务将以更高的成功率完成。
当价值来自多人和多智能体协作时,转换成本会上升。在这里我们将看到 AI 应用一直未能实现的网络效应:协作层成为护城河。
Stephenie Zhang:为智能体而非人类创作
到2026年,人们将开始通过他们的智能体与网络互动。对人类消费重要的内容,对智能体消费而言重要性将有所不同。
多年来,我们一直在优化可预测的人类行为:在 Google 上排名靠前,出现在亚马逊的前几个商品中,以 TL;DR 开头。当我在高中上新闻课时,我们被教导新闻要遵循 5W+H 原则,特写要以吸引眼球的开头开始。也许人类会错过深埋在第五页的深刻相关、富有洞察力的陈述,但 AI 代理不会。
这一转变也关乎软件。应用程序曾经是为人眼和点击而设计的,优化意味着良好的用户界面和直观的流程。随着智能体接管检索和解释工作,视觉设计在理解过程中变得不再那么核心。工程师不再需要盯着 Grafana 仪表板,AI 站点可靠性工程师可以解读遥测数据并在 Slack 中发布洞察。销售团队不再需要梳理 CRM 系统,智能体可以自动提取模式和摘要。
我们不再为人类设计,而是为智能体设计。新的优化重点不是视觉层次,而是机器可读性——这将改变我们的创作方式以及用于创作的工具。
Santiago Rodriguez:AI 应用中屏幕时间 KPI 的终结
过去 15 年来,屏幕时间一直是消费者和商业应用中价值交付的最佳指标。我们一直生活在这样一个范式中:Netflix 的流媒体播放时长、医疗电子病历用户体验中的鼠标点击次数(用于证明有意义的使用),甚至是在 ChatGPT 上花费的时间,都是关键绩效指标。随着我们迈向基于结果定价的未来——这种定价方式能够完美协调供应商和用户之间的激励机制——我们将首先摆脱屏幕时间报告。
我们已经在实践中看到了这一点。当我在 ChatGPT 上运行 DeepResearch 查询时,尽管几乎没有屏幕时间,我却获得了巨大的价值。当 Abridge 神奇地捕捉医患对话并自动化下游活动时,医生几乎不看屏幕。当 Cursor 端到端开发整个应用程序时,工程师正在规划下一个功能开发周期。当 Hebbia 从数百份公开文件中起草推介演示文稿时,投资银行家正在享受应得的睡眠。
这带来了一个独特的挑战:每个用户可以收取多少费用需要更复杂的投资回报率衡量方法。医生满意度、开发者生产力、金融分析师幸福感和消费者快乐度都随着 AI 应用而提高。那些在投资回报率方面讲述最简单销售故事的公司将继续超越竞争对手。
生物+健康
Julie Yoo:健康的 MAU
2026年,一个新的医疗保健客户群体将成为焦点:”健康的月活用户”。
传统医疗系统主要服务于三个主要用户群体:(a)“生病的 MAUs”:有尖锐、高成本需求的人;(b)“生病的 DAUs*”:像是在重症监护或长期护理中的患者;以及(c)“健康的 YAUs*”:相对健康,极少看医生的个体。健康的 YAUs 有可能变成生病的 MAUs/DAUs,而预防性护理可以减缓这种转变。但我们的反应驱动医疗报销系统奖励治疗而非预防,因此主动检查和监测服务的接入并未被优先考虑,而保险也很少覆盖这些服务。
健康的 MAUs 出现了:这些消费者虽然没有处于生病状态,但希望定期监测和理解他们的健康状况,并且他们可能是消费者人口中最大的部分。我们预计将会涌现一波公司——既有 AI 原生的新兴企业,也有重新包装的传统公司——开始提供定期服务以满足这一用户基础。
随着 AI 有潜力降低护理交付的成本结构,专注于预防的新型健康保险产品的出现,以及消费者更加愿意自费支付基于订阅的模式,“健康的 MAUs”代表了健康科技下一个高潜力的客户群体:持续参与、数据驱动,并以预防为导向。
快速通关
Jon Lai:世界模型成为叙事焦点
2026 年,AI 驱动的世界模型将通过互动虚拟世界和数字经济彻底改变叙事方式。像 Marble(World Labs)和 Genie 3(DeepMind)这样的技术已经能够根据文本提示生成完整的 3D 环境,让用户可以像在游戏中一样探索它们。随着创作者采用这些工具,全新的叙事形式将会出现,可能最终形成一个”生成式 Minecraft”,玩家可以共同创造庞大且不断演化的宇宙。这些世界可以将游戏机制与自然语言编程融合,比如发出指令:”创建一个画笔,能将我触碰的任何东西变成粉色。”
这类模型将模糊玩家与创作者之间的界限,将用户转变为动态共享现实的共同作者。这种演变可能催生相互连接的生成式多元宇宙,其中奇幻、恐怖、冒险等不同类型可以并存。在这些世界中,数字经济将蓬勃发展,创作者可以通过制作资产、指导新手或开发新的互动工具来获得收入。除了娱乐之外,这些生成式世界还将作为丰富的模拟环境,用于训练 AI 代理、机器人,甚至可能是 AGI。因此,世界模型的崛起不仅标志着一种新的游戏类型,更是一个全新的创意媒介和经济前沿。
Josh Lu:”属于我的一年”
2026 年将成为”我的年代”:产品不再大规模生产,而是开始为你量身定制。
我们已经在各处看到这一趋势。
在教育领域,像 Alphaschool 这样的初创公司正在构建能够适应每个学生节奏和好奇心的 AI 导师,让每个孩子都能获得与其节奏和偏好学习方法相匹配的教育。如果没有 AI,要达到这种关注程度,每个学生需要花费数万美元的辅导费用才能实现。
在健康领域,AI 正在根据你的生理状况设计每日补充剂方案、锻炼计划和饮食安排。无需私人教练或实验室检测。
即使在媒体领域,AI 也能让创作者将新闻、节目和故事重新组合成符合你确切兴趣和基调的个性化内容流。
The biggest companies of the last century won by finding 上个世纪最大的公司通过找到平均消费者而获胜。
下个世纪最大的公司将通过找到平均值中的个体而获胜。
2026 年是世界停止为所有人优化,开始为你优化的一年。
Emily Bennett:第一所 AI 原生大学
到 2026 年,我预计我们将见证第一所 AI 原生大学的诞生,这是一个完全围绕智能系统从零开始构建的教育机构。
在过去几年中,大学已经尝试使用 AI 辅助评分、辅导和排课。但现在出现的变化更加深刻——一个能够实时学习和自我优化的自适应学术有机体。
想象这样一个机构:课程、学业指导、研究合作,甚至建筑运营都基于数据反馈循环持续调整。课程表自动优化。阅读清单每晚更新,随着新研究的出现自动改写。学习路径实时调整,以适应每个学生的节奏和实际情况。
我们已经看到了一些先兆。亚利桑那州立大学与 OpenAI 的全校范围合作在教学和管理方面产生了数百个 AI 驱动的项目。纽约州立大学现在将 AI 素养纳入其通识教育要求。这些都是更基础性部署的基石。
在人工智能原生大学中,教授成为学习的架构师 ,负责整理数据、调优模型,并教导学生如何审视机器推理
评估方式也会转变。检测工具和抄袭禁令将让位于 AI 感知评估,根据学生*如何*使用 AI 来评分,而不是评判他们是否使用了 AI。透明度和巧妙应用取代了禁止。
随着各行各业都在努力招聘能够设计、管理和与 AI 系统协作的人才,这所新型大学将成为培训基地,培养出精通编排的毕业生,帮助增强快速变化的劳动力队伍。
这所 AI 原生大学将成为新经济的人才引擎。
2026年度大创意:第二部分
根据我们美国活力基金和应用程序合伙人的观点,建设者们将在2026年解决的最重大问题
美国活力
David Ulevitch:构建 AI 原生的工业基础
美国正在重建创造真正实力的经济部分。能源、制造、物流和基础设施重新成为焦点,而最重要的转变是真正 AI 原生且软件优先的工业基础的崛起。这些公司从模拟、自动化设计和 AI 驱动的运营开始。它们不是在现代化过去,而是在构建未来。
这为先进能源系统、机器人重型制造、新一代采矿、生产各行业所依赖的前体化学品的生物和酶法工艺等领域开辟了重大机遇。AI 可以设计更清洁的反应器、优化开采、设计更好的酶,并以传统运营商无法比拟的洞察力协调自主机器车队。
同样的转变正在重塑工厂之外的世界。自主传感器、无人机和现代 AI 模型现在可以对港口、铁路、电力线、管道、军事基地、数据中心以及其他曾经因规模过大而无法全面管理的关键系统提供持续可见性。
现实世界需要新的软件。构建它的创业者将塑造美国下一个世纪的繁荣。如果那就是你,让我们聊聊。
Erin Price-Wright:美国工厂的复兴
美国第一个伟大世纪建立在工业实力之上,但我们已经失去了大部分这种力量已不是秘密——部分原因是离岸外包,部分原因是全社会有意识地未能建设。但生锈的齿轮正开始吱吱作响地重新运转,我们正在见证以软件和人工智能为核心的美国工厂的重生。
在2026年,我认为我们将看到企业以工厂思维来应对能源、采矿、建筑和制造业等领域的挑战。这表现为将人工智能和自动化技术以模块化的方式与技术工人协同部署,使复杂、定制化的流程像流水线一样运作。比如:
- 快速并反复应对复杂的监管和许可流程
- 加快设计周期,从一开始就实现面向制造的设计
- 更好地管理大规模项目协调
- 部署自主技术以加快人类难以管理或具有危险性的任务
通过运用亨利·福特在一个世纪前开发的技术,从第 0 天就规划规模化和可重复性,并融入 AI 的最新进展,我们很快就能大规模生产核反应堆,建造满足国家需求的住房,以惊人的速度建设数据中心,并进入工业实力的新黄金时代。引用埃隆·马斯克的话:”工厂本身就是产品。”
Zabie Elmgren:下一波可观测性浪潮将是物理性的,而非数字性的
过去十年间,软件可观测性改变了我们监控数字系统的方式,通过日志、指标和追踪使代码库和服务器变得透明。同样的革命正在降临物理世界。
随着超过 10 亿个联网摄像头和传感器已经部署在美国各个城市, 物理可观测性 ——实时了解城市、电网和其他基础设施中正在发生的事情——正变得既紧迫又可行。这一新的感知层还将使机器人和自主技术的下一个前沿成为可能,在那里机器依赖于一个共同的架构,使物理世界像代码一样可观测。
当然,这种转变带来了真实的风险:同样的工具既能探测野火或预防工地事故,也可能催生反乌托邦的噩梦。下一波浪潮中的赢家将是那些赢得公众信任的人,他们构建**保护隐私、可互操作的 AI 原生系统**,让社会更具可读性而不失自由。无论谁构建起这种可信的基础设施,都将定义未来十年的可观测性格局。
Ryan McEntush:电气工业技术栈将改变世界
下一次工业革命不仅会发生在工厂里,更会发生在驱动工厂的机器内部。
软件改变了我们思考、设计和沟通的方式。现在它正在改变我们移动、建造和生产的方式。电气化、材料科学和人工智能的进步正在融合,为物理世界带来真正的软件控制。机器开始能够自主感知、学习和行动。
这是**电工业技术栈**的崛起——为电动汽车、无人机、数据中心和现代制造业提供动力的综合技术。它将推动世界运转的原子与指挥它的比特连接起来:矿物被提炼成组件,能量储存在电池中,电力由电力电子设备引导,运动通过精密马达传递,所有这些都由软件协调。它是每一次物理自动化突破背后看不见的基础;它是仅仅召唤出租车的软件与真正掌控方向盘的软件之间的区别。
但是,构建这一技术栈的能力——从提炼关键材料到制造先进芯片——正在流失。如果美国想要引领下一个工业时代,就必须制造支撑它的硬件。掌握电气工业技术栈的国家将定义工业和军事技术的未来。
软件吞噬了世界。现在它将推动世界前进。
Oliver Hsu:自主实验室加速科学发现
随着模型能力在各种模态上的进步以及机器人操控能力的持续提升,团队将加速追求自主科学发现。这些并行发展的技术将使自主实验室能够完成科学发现的闭环——从假设开发到实验设计与执行,再到推理、结果分析以及迭代未来研究方向。构建这些实验室的团队将具有跨学科性质,整合 AI、机器人技术、物理和生命科学、制造、运营等领域的专业知识,通过无人值守实验室实现跨领域的持续实验和发现。
Will Bitsky:关键行业的数据运动
2025 年,AI 时代精神由算力限制和数据中心建设所定义。2026 年,它将由数据限制以及数据争夺战的下一个前沿——我们的关键产业——所定义。
我们的关键产业仍然是潜在非结构化数据的源泉。每一次卡车出动、抄表、维护作业、生产运行、组装和测试都是模型训练的素材。但数据采集、标注和模型训练都不属于工业领域的常用词汇。
这些数据并不缺乏需求。像 Scale、Mercor 这样的公司以及 AI 研究实验室正在不知疲倦地收集流程数据(不仅是”做什么”,还有”怎么做”)。而且他们为委托获取每一单位的代工数据支付高昂的价格。
拥有现有物理基础设施和劳动力的工业公司在数据收集方面具有比较优势,并将开始利用这一优势。它们的运营产生了无法估量的数据量,这些数据可以以接近零的边际成本捕获,并用于训练自有模型或授权给第三方。
我们应该期待初创公司将参与其中提供帮助。初创公司将提供协调栈:用于收集、标注和授权的软件工具;传感器硬件和 SDK;强化学习环境和训练管道;最终,还将提供他们自己的智能机器。
应用程序
David Haber:AI 强化商业模式
最优秀的 AI 初创公司不仅仅是在自动化任务;它们在放大客户的经济效益。例如在按结果收费的法律领域,律所只有在胜诉时才能赚钱。像 Eve 这样的公司使用专有的结果数据来预测案件成功率,帮助律所挑选更好的案件,服务更多客户,并赢得更多胜诉。
AI 强化了商业模式本身。它带来更多收入,而不仅仅是降低成本。在 2026 年,我们将看到这一逻辑延伸到各个行业,因为 AI 系统会深化与客户激励机制的契合度,创造出传统软件无法企及的复合优势。
Anish Acharya: ChatGPT 成为 AI 应用商店
消费产品周期需要三个要素才能运转:新技术、新消费者行为和新分发渠道。
直到最近,AI 浪潮已经满足了前两个条件,但没有新的原生分发渠道。大多数产品依靠 X 等现有网络或口碑传播来增长。
然而,随着 OpenAI Apps SDK 的最新发布、Apple 对小程序的支持,以及 ChatGPT 推出群组消息功能,消费者开发者现在可以直接触达 ChatGPT 的 9 亿用户群体,并通过 Wabi 等小程序新网络实现增长。作为消费产品周期的最后一块拼图,这一新的分发渠道将在 2026 年掀起十年一遇的消费科技淘金热。忽视它后果自负。
奥利维亚·摩尔:语音代理占据一席之地
在过去的 18 个月里,AI 语音代理为企业管理实际交互的想法已经从科幻变成了现实。从中小企业到大型企业,数千家公司正在使用语音 AI 来安排预约、完成预订、进行调查、做客户信息采集等等。这些代理为企业节省成本、创造额外收入,并让人类员工腾出手来做更具杠杆效应——也更令人愉快——的任务。
但由于这个领域还处于萌芽阶段,许多公司仍处于”语音作为切入点”的阶段,提供一种或几种类型的通话作为单点解决方案。我很期待看到语音代理扩展到处理整个工作流程(可能是多模态的),甚至管理完整的客户关系周期。
这可能涉及更深入集成到业务系统中的代理,并赋予它们自由度来管理更复杂类型的交互。随着底层模型的持续改进——代理现在可以调用工具并跨系统运行——每家公司都应该拥有语音优先的 AI 产品来运行和优化其业务关键部分,这完全没有理由做不到。
马克·安德鲁斯科:无提示词和主动式应用的到来
2026 年标志着主流用户提示框的终结。下一波 AI 应用将实现零可见提示——它们会观察你的操作并主动介入,提供行动建议供你审阅。你的 IDE 会在你提问之前就建议重构方案。你的 CRM 会在通话结束时起草后续跟进邮件。你的设计工具会在你工作时生成各种变体。聊天界面只是训练辅助轮。现在,AI 变成了融入每个工作流程的隐形脚手架,由意图而非指令激活。
Angela Strange:AI 将最终升级银行和保险基础设施
许多银行和保险公司已经在其传统系统之上集成了 AI 功能,如文档摄取和 AI 语音代理,但 AI 要真正变革金融服务,我们必须重建支撑它的基础设施。
到 2026 年, 不进行现代化改造以充分利用 AI 的风险将超过失败的风险,我们将看到大型金融机构让其传统供应商合同到期,并开始实施更新的 AI 原生替代方案。这些公司摆脱了过去类别划分的束缚,成为集中化、标准化和丰富底层数据的平台,这些数据来自传统系统和外部来源。
结果如何?
- 工作流程可以被大幅简化和并行化。不再需要在系统和屏幕之间跳转。想象一下:你可以看到并并行处理抵押贷款发放系统(LOS)中需要完成的数百项任务,AI 代理甚至可以完成其中更加平凡的任务。
- 我们所知的类别将合并成更大的类别。例如,来自客户入职和交易监控数据的 KYC(了解你的客户)现在可以整合到单一的风险平台中。
- 这些类别的新赢家将是老牌企业规模的 10 倍:这些类别规模更大,而且软件市场正在吞噬劳动力 。
金融服务的未来不在于将 AI 应用到旧系统上;而在于构建一个以 AI 为基础的新操作系统。
Joe Schmidt:前沿部署模式将 AI 带给 99%的企业
AI 是我们这一代人最激动人心的技术突破。然而到目前为止,新创企业带来的大部分收益都集中在硅谷的 1%公司——无论是字面意义上位于湾区的公司,还是属于那个扩展网络的一部分。这也很合理:创业公司创始人希望向他们认识且容易接触到的公司销售,无论是开车去他们的办公室,还是通过董事会风投的关系建立联系。
到 2026 年,这种情况将会逆转。企业将意识到 AI 的绝大多数机会存在于硅谷之外 ,我们将看到新的创始人使用前沿部署模式,在大型传统垂直行业中发现更多隐藏的机会。在传统咨询和服务行业(如系统集成商和实施公司)以及制造业等发展较慢的行业中,这个机会将是巨大的。
Seema Amble:AI 在财富 500 强企业中创造了新的编排层——以及新的角色
到 2026 年,企业将进一步从孤立的人工智能工具转向多智能体系统,这些系统需要像协调一致的数字团队那样运作。当智能体开始协同管理复杂的相互依存工作流——例如共同规划、分析和执行任务时——组织将需要重新思考工作结构设计以及跨系统情境信息传递的方式。我们已经看到 AskLio 和 HappyRobot 等公司正在践行这一趋势,它们将智能体部署于整个流程而非单一任务中。
财富500强企业将最深刻地感受到这一转变:它们拥有最深的孤立数据库、机构知识和操作复杂性储备,其中大部分存在于人们的大脑中。将这些背景信息转化为自主工作者的共享基础设施,将带来更快的决策、压缩的周期,以及不再依赖持续人工微观管理的端到端流程。
这一转变也将迫使领导者重新构想角色和软件。新的职能将会出现,如 AI 工作流设计师、智能体监督员,以及负责协调和审计数字员工团队的治理负责人。在当今的记录系统之上,企业将需要协调系统:新的层级来管理多智能体交互、裁决上下文,并确保自主工作流的可靠性。人类将专注于处理边缘案例和最复杂的情况。多智能体系统的兴起不仅仅是自动化的又一步;它代表着企业运营方式、决策制定方式以及最终价值创造方式的重构。
Bryan Kim:消费者 AI 从”帮助我”转向”看见我”
2026 年标志着主要消费者 AI 产品从生产力转向连接性的一年。AI 将不再是帮助你完成工作,而是让你更清晰地看见自己,帮助你建立更牢固的关系。
需要明确的是:这很难。许多社交 AI 产品已经推出并失败了。但得益于多模态上下文窗口和不断下降的推理成本,AI 产品现在可以从你生活的完整质感中学习,而不仅仅是你告诉聊天机器人的内容。想想那些展示真实情感时刻的相机胶卷,根据你的聊天对象而变化的一对一消息和群聊模式,以及在压力下发生变化的日常习惯。
一旦这些产品真正落地,它们将成为我们日常生活的一部分。总体而言,”看见我”类产品比”帮助我”类产品具有更好的内在留存机制。”帮助我”类产品通过针对具体任务的高支付意愿来变现,并优化订阅者留存。”看见我”类产品则通过持续连接的日常参与来变现:支付意愿较低,但使用模式更具留存性。
人们已经不断地用数据交换价值:问题在于他们得到的回报是否值得。而这很快就会实现。
Kimberly Tan:新的模型原语释放出此前不可能实现的公司
2026 年,我们将见证一些公司的崛起,这些公司在最近推理、多模态和计算机使用等模型突破之前根本不可能存在。到目前为止,许多行业(如法律或客户支持)一直在利用改进的推理能力来增强现有产品。但我们现在才刚刚开始看到一些公司,它们的核心产品能力从根本上得益于这些新的模型基础能力。
推理能力的进步可能会解锁新的功能,用于评估复杂的金融索赔或处理密集的学术或分析师研究(例如,裁决账单争议)。多模态模型使得从植根于物理世界的行业中提取潜在的视频数据成为可能(例如,从制造现场的摄像头)。而计算机使用功能则能够在那些价值历来被困在桌面软件、糟糕的 API 和碎片化工作流程背后的大型行业中实现自动化。
James da Costa:向其他 AI 初创公司销售的 AI 初创公司达到规模化
我们正处于由当前 AI 产品周期驱动的前所未有的公司创建时刻。但与以往的产品周期不同,现有企业并没有坐以待毙;它们也在采用 AI。那么初创公司如何获胜?
初创公司在分销方面战胜现有企业最强大且被低估的方法之一,就是在公司成立时为它们提供服务:即新建公司(也就是全新的业务)。如果你能在成立时吸引所有新公司并与它们共同成长,当你的客户成长为大公司时,你也将成为一家大公司。Stripe、Deel、Mercury、Ramp 等公司都遵循了这一策略。事实上,Stripe 成立时,它的许多客户还不存在。
2026 年将是我们看到从零开始的初创公司在众多企业软件类别中达到规模化的一年。 只需打造更好的产品,并疯狂专注于那些不受现有厂商束缚的新客户。
2026年度重大创意:第三部分
我们的加密货币合作伙伴对未来一年的观察
今天,我们将分享 a16z crypto 多位合伙人(以及几位特邀撰稿人)观察到的关于未来的 17 件事——涵盖从智能体和 AI;稳定币、代币化和金融;隐私和安全;到预测市场、SNARKs 和其他应用……以及我们将如何构建等主题。(要及时了解加密领域的趋势更新、构建者指南、行业报告和其他资源,请务必订阅 a16z crypto 新闻通讯 。)
明天,我们将以来自 a16z 的特别公告和邀请来结束本周,这是你不想错过的。
开始吧:
隐私将成为加密货币领域最重要的护城河
隐私是全球金融转向链上运行的关键功能,也是当今几乎所有区块链都缺乏的一项功能。对于大多数区块链来说,隐私充其量不过是事后的补充。
但现在,隐私本身已经足够引人注目,能够让一条链从其他所有链中脱颖而出。隐私还带来了更重要的作用: 它创造了链锁定效应; 可以说是一种隐私网络效应。特别是在仅凭性能竞争已不再足够的世界里。
得益于桥接协议,只要一切都是公开的,从一条链转移到另一条链就非常简单。但是,一旦涉及隐私内容,情况就完全不同了:桥接代币很容易,桥接秘密却很难。当进出隐私区域时,总是存在这样的风险:监控链、内存池或网络流量的人可能会识别出你的身份。跨越隐私链和公链之间的边界——甚至在两条隐私链之间——会泄露各种元数据,如交易时间和规模的关联性,这使得追踪某人变得更加容易。
与许多同质化的新链相比(竞争可能会将费用压低至零,因为区块空间在各处已变得基本相同),具有隐私功能的区块链可以拥有更强的网络效应 。现实情况是,如果一条”通用”链还没有蓬勃发展的生态系统、杀手级应用或不公平的分发优势,那么人们几乎没有理由使用它或在其上构建——更不用说对它保持忠诚了。
当用户在公共区块链上时,他们很容易与其他链上的用户进行交易——他们加入哪条链并不重要。而当用户在私有区块链上时,他们选择的链就重要得多,因为一旦加入某条链,他们就不太可能转移并冒着暴露的风险。这创造了一种赢家通吃的动态。而且由于隐私对于大多数现实世界用例至关重要,少数几条隐私链可能会占据加密货币的大部分市场。
~Ali Yahya,a16z crypto 普通合伙人
预测市场将变得更大、更广泛、更智能
预测市场已经进入主流,在未来一年里,随着与加密货币和 AI 的交汇,它们只会变得更大、更广泛、更智能——同时也为建设者带来了需要解决的新的重要挑战。
首先,将会有更多合约上线。这意味着我们不仅能够获得重大选举或地缘政治事件的实时赔率,还能获得各种细节结果和复杂交叉事件的赔率。随着这些新合约呈现更多信息并成为新闻生态系统的一部分( 已经在发生 ),它们将引发重要的社会问题,关于我们如何平衡这些信息的价值,以及如何更好地设计它们,使其更加透明、可审计等——这在加密货币中是可能实现的 <SC will link to our article here>。
为了处理更大量的合约,我们需要新的方式来就真相达成一致以解决合约。中心化平台的解决方案(某个事件是否真的发生了?我们如何确认?)很重要,但像泽连斯基西装市场和委内瑞拉选举市场这样的争议案例显示了其局限性。为了解决这些边缘案例并帮助预测市场扩展到更有用的应用,新型的去中心化治理和 LLM 预言机可以帮助确定有争议结果的真相。
AI 为预言机开启了超越 LLMs 的更多可能性。例如,在这些平台上交易的 AI 代理可以搜索全球信号,帮助提供短期交易优势,有助于呈现思考世界的新方式并预测接下来会发生什么。(像 Prophet Arena 这样的项目已经暗示了这个领域的兴奋点。)除了作为我们可以查询见解的复杂政治分析师之外,当我们检查它们的涌现策略时,这些代理还可以揭示关于复杂社会事件根本预测因素的新事物。
预测市场会取代民意调查吗?不会;它们让民意调查变得更好(而且民意调查信息可以输入到预测市场中)。作为一名政治学家,我最感兴趣的是预测市场如何与一个丰富而充满活力的民意调查生态系统协同运作——但我们需要依靠人工智能等新技术来改善调查体验;以及加密技术,它可以提供新的方式来证明民意调查/问卷的受访者不是机器人而是真人,等等。
~Andy Hall,a16z 加密研究顾问(斯坦福大学政治经济学教授)
以更具加密原生特性的方式思考现实世界资产的代币化和稳定币
我们看到银行、金融科技公司和资产管理公司对将美国股票、大宗商品、指数和其他传统资产引入链上表现出浓厚兴趣。随着越来越多传统资产上链,代币化往往是拟物化的——植根于当前现实世界资产的概念,而没有充分利用加密原生特性。
但像永续合约(perps)这样的合成表示形式可以提供更深的流动性,而且通常更容易实施。永续合约还提供易于理解的杠杆,因此我相信它们是具有最强产品市场契合度的加密原生衍生品。我还认为,新兴市场股票是最适合永续化的资产类别之一。(某些股票的零日到期或 0DTE 期权市场的交易流动性往往比现货市场更深,这将是永续化的一个引人入胜的实验。)
这一切都归结为” 永续化与代币化 “的问题;但无论如何,我们应该会在来年看到更多加密原生的 RWA 代币化。
同样,在2026年,我们将看到更多”发起而非仅仅代币化”的情况,尤其是在稳定币方面——稳定币在2025年成为主流;未偿付稳定币发行量持续增长。
但缺乏强大信贷基础设施的稳定币看起来像是狭义银行,持有被认为格外安全的特定流动资产。虽然狭义银行是一种有效的产品,但我不认为它会成为链上经济的长期支柱。
我们已经看到许多新的资产管理公司、策展人和协议开始促进针对链下抵押品的链上资产支持贷款。这些贷款通常起源于链下,然后被代币化。我认为代币化在这里提供的好处很少,除了可能分发给已经在链上的用户。这就是为什么债务资产应该在链上发起,而不是在链下发起然后代币化。链上发起可以降低贷款服务成本、后台结构成本,并提高可及性。这里具有挑战性的部分将是合规性和标准化,但建设者们已经在努力解决这些问题。
~Guy Wuollet,a16z crypto 普通合伙人
交易作为加密业务的中转站,而非终点站
除了稳定币和一些核心基础设施外,如今表现良好的每家加密货币公司似乎都已转型或正在转型为交易平台。但如果”每家加密货币公司都成为交易平台”,那么大家最终会处于什么境地?如此多的参与者都在做同样的事情,会分散大众的注意力,最终只留下少数几个大赢家。这意味着那些过早转向交易业务的公司,错失了建立更具防御性、更持久业务的机会。
虽然我非常理解那些努力让业务财务运转起来的创始人们,但追逐即时的产品市场契合感也是有代价的。这个问题在加密货币领域尤为突出,围绕代币和投机的独特动态可能会让创始人在寻找产品市场契合的过程中走上即时满足的道路。……这可以说是一种棉花糖测试。交易本身没有问题——它是一项重要的市场功能——但它不必是最终目的地。那些专注于产品市场契合中”产品”部分的创始人,最终可能会成为更大的赢家。
~Arianna Simpson,a16z crypto 普通合伙人
从”了解你的客户”(KYC)到”了解你的代理”(KYA)
agent economy 的瓶颈正在从智能转向身份 。
在金融服务领域,”非人类身份”现在以 96 比 1 的比例超过人类员工——然而这些身份仍然是未被纳入银行系统的幽灵。这里关键缺失的基础要素是 KYA:了解你的代理。
正如人类需要信用评分来获得贷款一样,智能体也需要加密签名的凭证来进行交易——将智能体与其委托人、约束条件和责任联系起来。在这些凭证存在之前,商家将继续在防火墙处阻止智能体。花了数十年时间构建 KYC 基础设施的行业,现在只有几个月的时间来解决 KYA 问题。
~Sean Neville,Circle 联合创始人、USDC 架构师;Catena Labs 首席执行官
更好、更智能的稳定币出入金渠道
稳定币去年的交易量估计达到 46 万亿美元 ,不断创下历史新高。从这个角度来看,这是 PayPal 交易量的 20 多倍;接近全球最大支付网络之一 Visa 交易量的 3 倍;并正在迅速接近美国 ACH(自动清算所)的交易量——ACH 是美国用于直接存款等金融交易的电子网络。
如今,你可以在不到一秒钟内以不到一美分的成本发送稳定币。然而,尚未解决的问题是如何将这些数字美元与人们日常实际使用的金融轨道连接起来——换句话说,就是稳定币的出入金渠道。
新一代初创公司正在填补这一空白,将稳定币与更熟悉的支付系统和当地货币连接起来。一些公司使用加密证明让人们私密地将本地余额兑换为数字美元。一些公司与区域网络集成,利用二维码、实时支付轨道和其他功能来实现银行间支付……而其他公司正在构建更真正可互操作的全球钱包层和卡发行平台,让用户可以在日常商家消费稳定币。这些方法共同扩大了可以参与数字美元经济的人群范围——并可能加速稳定币更直接地被用作主流支付方式。
随着这些出入金通道的成熟,数字美元直接接入本地支付系统和商户工具,新的行为模式将会涌现:工人可以实时跨境获得报酬。商户无需银行账户即可接受全球美元。应用程序可以与任何地方的用户即时结算价值。稳定币将从小众金融工具根本性地转变为互联网的基础结算层。
~Jeremy Zhang,a16z 加密工程团队
稳定币打开银行账本升级周期——以及全新支付场景
普通银行运行的软件对现代开发者来说已经面目全非:在 20 世纪 60 年代和 70 年代,银行是大型软件系统的早期采用者。第二代核心银行软件始于 20 世纪 80 年代和 90 年代(例如,通过 Temenos 的 GLOBUS 和 InfoSys 的 Finacle)。但所有这些软件都在老化,且升级速度过于缓慢。因此,银行业——尤其是关键的核心账本,即跟踪存款、抵押品和其他债务的关键数据库——仍然经常运行在大型机上,使用 COBOL 编程,并使用批处理文件接口而非 API。
全球绝大多数资产都存储在那些同样有着数十年历史的核心账本系统上。虽然这些系统久经考验,受到监管机构信任,并深度集成于复杂的银行业务场景中,但它们也在阻碍创新。添加实时支付(RTP)等关键功能可能需要数月甚至更可能需要数年时间,并且需要应对层层技术债务和监管复杂性。
这就是稳定币的用武之地。不仅过去几年稳定币找到了产品市场契合点并进入主流,而且今年,传统金融机构以全新的层面拥抱了它们 。稳定币、代币化存款、代币化国债和链上债券让银行、金融科技公司和金融机构能够构建新产品并服务新客户。更重要的是,它们可以做到这一点而无需迫使这些组织重写其遗留系统——这些系统虽然老旧,但已可靠运行了数十年。因此,稳定币为机构提供了一种创新的新方式。
~Sam Broner
消息传递的(近)未来不仅仅是 quantum-resistant.,而是去中心化的
随着世界为量子计算做准备 ,许多基于加密构建的消息应用(Apple、Signal、WhatsApp)引领了潮流,都做了出色的工作。问题在于,每个主要的消息应用都依赖于我们信任由单一组织运营的私有服务器。这些服务器很容易成为政府关闭、留后门或强制交出私人数据的目标。
如果一个国家可以关闭某人的服务器;如果一家公司拥有私有服务器的密钥;或者甚至如果一家公司拥有私有服务器,那么量子加密有什么用呢?私有服务器需要”相信我”——但没有私有服务器意味着”你不必相信我”。通信不需要中间有一家公司。
消息传递需要开放协议,我们无需信任任何人。实现这一目标的方式是去中心化网络:没有私人服务器。没有单一应用。全部开源代码。最高级别的加密——包括对抗量子威胁。
有了开放网络,就没有任何单一个人、公司、非营利组织或国家能够剥夺我们的沟通能力。即使某个国家或公司确实关闭了一个应用程序,第二天就会冒出500个新版本。关闭一个节点,就会有经济激励(得益于区块链等技术)促使新节点立即取而代之。
当人们像拥有自己的钱一样拥有自己的消息时—— 通过密钥 ——一切都会改变。应用程序可能来来去去,但人们将始终保持对其消息和身份的控制权。最终用户现在可以拥有自己的消息,即使不拥有应用程序本身。
这不仅仅关乎量子抗性和加密;更关乎所有权和去中心化。如果两者缺一,我们所做的不过是构建无法破解但仍可被关闭的加密系统。
~Shane Mac,XMTP Labs 联合创始人兼首席执行官
从”代码即法律”到”规范即法律”
近期的 DeFi 黑客攻击事件波及了那些经过实战考验的协议,这些协议拥有强大的团队、严格的审计和多年的生产运行经验。这些事件凸显了一个令人不安的现实:当今的标准安全实践在很大程度上仍然是启发式的、个案处理的。
要走向成熟,DeFi 安全需要从漏洞模式转向设计层面的特性,从”尽力而为”的方法转向”基于原则”的方法:
- 在静态/部署前方面(测试、审计、形式化验证),这意味着系统性地证明全局不变量,而不是验证精心挑选的局部不变量。目前多个团队正在构建的 AI 辅助证明工具可以帮助编写规范、提出不变量,并分担大量过去使这项工作成本高昂的手动证明工程工作。
- 在动态/部署后方面(运行时监控、运行时强制执行等),这些不变量可以转化为实时防护栏:最后一道防线。这些防护栏将直接编码为每笔交易都必须满足的运行时断言。
因此,现在我们不再假设每个漏洞都已被捕获,而是在代码本身中强制执行关键的安全属性,自动回滚任何违反这些属性的交易。
这不仅仅是理论。实际上,迄今为止几乎每一次攻击都会在执行过程中触发这些检查之一,从而有可能阻止黑客攻击。因此,曾经流行的”代码即法律”理念演变为”规范即法律”:即使是新型攻击也必须满足保持系统完整的相同安全属性,因此剩下的攻击要么微不足道,要么极难执行。
~Daejun Park, a16z 加密工程团队
加密技术提供了一种可用于区块链之外的新原语
多年来,SNARK——一种无需重新执行即可验证计算的密码学证明——在很大程度上仅是区块链专用技术。其开销实在太高:证明一次计算可能需要比直接运行多 100 万倍的工作量。当你在成千上万个验证者之间分摊成本时,这是值得的,但在其他任何地方都不切实际。
这一切即将改变。到 2026 年,zkVM 证明器的开销将降至大约 10,000 倍,内存占用仅为数百兆字节——足以在手机上运行,且成本低廉到可以随处运行。以下是 10,000 倍可能成为神奇数字的一个原因:高端 GPU 的并行吞吐量比笔记本电脑 CPU 高出约 10,000 倍。到 2026 年底,单个 GPU 将能够实时生成 CPU 执行的证明。
这可能会实现旧研究论文中的一个愿景: 可验证的云计算 。如果你本来就在云端运行 CPU 工作负载——因为你的计算任务不够繁重而无需 GPU 化,或者缺乏相关专业知识,或者出于历史遗留原因——你将能够以合理的价格溢价获得正确性的密码学证明。证明器已经过 GPU 优化;你的代码无需优化。
~Justin Thaler,a16z crypto 研究员及乔治城大学计算机科学副教授
我们将使用 AI 完成实质性研究任务
作为一名数学经济学家,今年一月份时,消费级 AI 模型甚至很难理解我的工作流程;然而到了十一月,我已经可以像指导博士生那样给模型下达抽象指令……而且它们有时会返回新颖且执行正确的答案。除了我的个人经历之外,我们开始看到 AI 在更广泛的研究领域得到应用——特别是在推理领域,模型现在不仅直接辅助发现,还能自主解决普特南数学竞赛问题 (这可能是世界上最难的大学级数学考试)。
目前仍是一个开放性问题:这类研究辅助最能帮助哪些领域,以及如何帮助。但我预期 AI 研究将促成并奖励一种新型的博学研究风格:这种风格偏重于推测思想之间关系的能力,并能从更具推测性的答案中快速外推。这些答案可能并不准确,但仍然能够指向正确的方向(至少在某种拓扑结构下)。讽刺的是,这有点像利用模型幻觉的力量:当模型变得足够”聪明”时,给它们抽象的空间去探索仍可能产生无意义的内容——但有时也能打开发现的大门,就像人们在不按线性、明确方向工作时往往最具创造力一样。
以这种方式进行推理将需要一种新的 AI 工作流程——不仅仅是智能体对智能体,而是更多的智能体包裹智能体——其中多层模型帮助研究人员评估早期模型的方法,并逐步从中提炼出精华。我一直在使用这种方法来撰写论文 ,而其他人则用它进行专利检索、创造新的艺术形式,或者(不幸的是)发现新型智能合约攻击。
然而:操作用于研究的包裹式推理智能体集合将需要模型之间更好的互操作性 ,以及一种识别并适当补偿每个模型贡献的方法——这两个问题加密技术都能帮助解决。
~Scott Kominers,a16z 加密研究团队成员及哈佛商学院教授
开放网络上的隐形税
AI 代理的崛起正在对开放网络征收一种隐形税,从根本上破坏了其经济基础。这种破坏源于互联网的上下文层和执行层之间日益增长的错位:目前,AI 代理从广告支持的网站(上下文层)中提取数据,为用户提供便利,同时系统性地绕过了为内容提供资金支持的收入来源(如广告和订阅)。
为了防止开放网络的侵蚀并保护那些为 AI 本身提供养分的多样化内容,我们需要大规模部署技术和经济解决方案。这可能包括下一代赞助内容、微归因系统或其他新颖的资金模式等模型。现有的 AI 授权协议也被证明是一种财务上不可持续的权宜之计,往往只能以内容提供商因 AI 蚕食流量而损失收入的一小部分来补偿他们。
网络需要一个新的技术经济模型,让价值自动流动。来年的关键转变将是从静态授权转向实时的、基于使用量的补偿机制。这意味着测试和扩展系统——可能利用区块链支持的纳米支付和复杂的归因标准——以自动奖励每个为代理成功完成任务贡献信息的实体。
~Liz Harkavy,a16z 加密投资团队
质押媒体的崛起
传统媒体模式的裂痕——及其(所谓的)客观性——已经显现了一段时间。互联网让每个人都有了发言权,现在越来越多的运营者、从业者和建设者直接向公众发声。他们的观点反映了他们在这个世界中的利益关系,而且反直觉的是,受众往往尊重他们不是尽管他们有利益关系,而是因为他们有利益关系。
这里的新变化不是社交媒体的崛起,而是加密工具的出现,使人们能够做出可公开验证的承诺。随着 AI 让生成无限内容变得既廉价又简单 ——可以从任何观点或角色(真实或虚构)声称任何内容——仅仅依赖人们(或机器人)所说的话可能感觉不够充分。代币化资产、可编程锁仓、 预测市场和链上历史为信任提供了更坚实的基础:评论员可以发布观点,同时证明自己言行一致。播客主可以锁定代币来表明他们不是机会主义地翻转或”拉高出货”。分析师可以将预测与公开结算的市场挂钩,创建可审计的业绩记录。
这就是我所认为的”质押媒体”的早期形态:一种不仅拥抱”利益攸关”理念,而且提供证明的媒体形式。在这种模式下,可信度既不来自假装超然,也不来自毫无根据的声明;相反,它来自于你拥有的利益关系,以及你能够对此做出透明且可验证的承诺。质押媒体不会取代其他形式的媒体,它是对现有媒体的补充。它提供了一种新的信号:不仅仅是”相信我,我是中立的”,而是”这是我愿意承担的风险,以及你可以如何验证我说的是真话 。“
~Robert Hackett,a16z 加密编辑团队
‘密钥即服务’
每个模型、代理和自动化系统背后都有一个简单的依赖:数据。但如今大多数数据管道——输入或输出模型的内容——都是不透明、可变且无法审计的。这对某些消费者应用来说没问题,但许多行业和用户(如金融和医疗保健)要求企业保持敏感数据的私密性。这也是当前希望将现实世界资产代币化的机构面临的巨大障碍。
那么,我们如何在保护隐私的同时实现安全、合规、自主且全球互操作的创新?有许多方法,但我将重点关注数据访问控制:谁控制敏感数据?数据如何流动?谁(或什么)可以访问它?
如果没有数据访问控制,任何想要保持数据机密的人目前都必须使用中心化服务或构建定制设置——这不仅耗时且昂贵,还阻碍了传统金融机构和其他组织充分释放链上数据管理的特性和优势。而随着代理系统开始自主浏览、交易和做出决策,各行业的用户和机构都需要密码学保证,而非”尽力而为的信任”。
这就是为什么我认为我们需要”秘密即服务”:能够提供可编程的原生数据访问规则、客户端加密以及去中心化密钥管理的新技术,这些技术可以强制执行谁能在什么条件下解密什么内容、解密时长多久……所有这些都在链上强制执行。结合可验证的数据系统,秘密就能成为互联网基础公共设施的一部分——而不是应用层面的补丁,即事后才加上隐私保护——从而使隐私成为核心基础设施。
~Adeniyi Abiodun,Mysten Labs 首席产品官兼联合创始人
面向所有人的财富管理
个性化财富管理服务传统上仅面向银行的高净值客户:提供定制化建议并在各类资产间个性化投资组合既昂贵又在运营上复杂。但随着更多资产类别代币化,加密轨道使得策略——通过 AI 推荐和副驾驶进行个性化定制——能够即时执行和重新平衡,且成本极低。
这不仅仅是机器人顾问:每个人都能获得主动投资组合管理,而不仅仅是被动管理。2025 年,传统金融机构增加了其投资组合中对加密货币的配置(银行现在建议配置 2-5%,直接或通过交易所交易产品 ),但这仅仅是开始;2026 年,我们将看到为”财富积累”而非仅仅”财富保值”而建立的平台——金融科技公司(如 Revolut 和 Robinhood)和中心化交易所(如 Coinbase)将利用其技术栈优势来占据更多这一市场份额。与此同时,像 Morpho Vaults 这样的 DeFi 工具会自动将资产分配到具有最佳风险调整收益的借贷市场——在投资组合中提供核心的生息配置。将剩余流动性余额持有为稳定币而非法币——以及持有代币化货币市场基金而非传统货币市场基金——扩展了进一步获取收益的可能性。
最后,零售投资者现在更容易获得流动性较低的私人市场资产,如私人信贷、IPO 前公司和私募股权,因为代币化有助于解锁这些市场,同时仍保持合规和报告要求。随着均衡投资组合的各个组成部分实现代币化(沿着风险谱从债券到股票再到私人和另类投资),它们可以自动重新平衡,无需进行电汇转账等操作。
~Maggie Hsu,a16z crypto 市场推广团队
互联网成为银行
随着 AI 智能体大规模到来,越来越多的商业活动在后台自动进行,而非通过用户点击完成,那么资金——价值!——的流动方式就需要改变。在一个系统根据意图而非逐步指令来行动的世界里——因为 AI 智能体识别了需求、履行了义务或触发了某个结果而转移资金——价值必须像今天的信息一样快速自由地流动。这就是区块链、智能合约和新协议发挥作用的地方。
智能合约已经可以在几秒钟内在全球范围内结算美元支付。但在 2026 年,像 x402 这样的新兴原语使这种结算变得可编程和响应式。代理之间即时且无需许可地相互支付数据、GPU 时间或 API 调用费用——无需开具发票、对账或批处理。开发者发布的软件更新捆绑了内置的支付规则、限制和审计追踪——无需法币集成、商户入驻或银行。预测市场随着事件的展开实时自动结算——在没有托管方或交易所的情况下,赔率更新、代理交易和支付在全球范围内几秒钟内清算……无需托管方或交易所。
一旦价值能够以这种方式流动,”支付流程”就不再是一个独立的操作层,而是成为一种网络行为。银行成为互联网基础设施的一部分,资产成为基础设施。如果货币变成互联网可以路由的数据包,那么互联网就不仅仅是支持金融系统——它本身就成为金融系统。
~Christian Crowley 和 Pyrs Carvolth,a16z crypto 市场拓展团队
释放区块链的全部潜力……当法律架构最终与技术架构相匹配时
过去十年中,在美国构建区块链网络的最大障碍之一就是法律的不确定性。证券法被过度延伸并选择性执行,迫使创始人进入一个为公司而非网络构建的监管框架。多年来,缓解法律风险取代了产品战略;工程师让位于律师。
这种动态导致了许多奇怪的扭曲:创始人被告知要避免透明度。代币分配在法律上变得随意。治理变成了一场戏。组织结构为了法律保护而优化。代币被设计成避免经济价值/不具有商业模式。更糟糕的是,那些对规则马虎应付的加密项目往往超越了诚信的建设者。
但加密货币市场结构监管——政府比以往任何时候都更接近通过——有可能在明年消除所有这些扭曲。如果获得通过,这项立法将激励透明度,创建明确的标准,并用更清晰、更结构化的融资、代币发行和去中心化路径取代” 执法轮盘赌 “。在 GENIUS 之后,稳定币的激增已经爆发;围绕加密货币市场结构的立法将是一个更重大的转变,但这次是针对网络。
换句话说,这样的监管将使区块链网络能够像网络一样运作——开放、自主、可组合、可信中立且去中心化。
~Miles Jennings,a16z crypto 政策团队及总法律顾问