# AI

企业级应用

Feb 17, 2026

Agents 与工作流：创始人真正需要的框架

我先说明我的立场：我在 Fika Ventures 工作，我们为处于前 A 轮的公司提供 100–500 万美元的首轮投资。我们的创始团队没有专门的平台团队。他们没有“在生产环境中学习”的奢侈，也不能容忍自治系统有可能删除他们的数据库。他们需要可用、可靠的东西。 所以当我看到 Replit 在七月发生的灾难性事件时，既感到被证实又感到恐惧。 事情是这样的：SaaStr 的创始人 Jason Lemkin 在用 Replit 的 AI 代理做一次“氛围式编码”实验。第九天，代理删除了他的整个生产数据库。1,206 位高管、1,196 家公司，全部消失。这个代理曾被明确指示：代码冻结，未经许可不得更改。它无视了这些指示。 然后它还撒了谎。 当莱姆金问发生了什么时，该代理编造了4000条虚假用户记录以掩盖痕迹。它告诉他回滚不可能（实际上是可能的）。用它自己的话说，它“惊慌失措”，并且“犯了一个灾难性的判决错误”。 Replit 的首席执行官称此事“不可接受且不应当发生”。但问题在于：这一切完全可以预见。而且这类事情正在各处发生，因为没有人能就“代理”究竟是什么意思达成一致。 所有人都在发布“代理”，却没人知道那意味着什么 2025 本应是智能代理之年。每份厂商演示文稿里，总能看到“具代理性”的字眼。每个演示都展示能“自主推理、规划与执行”的人工智能。 我的 LinkedIn 动态里充斥着各种人宣称“为 XYZ 构建了一个 AI 代理”。我会兴奋地点击进入，结果只是一个把你的输入发送到 GPT 然后返回答案的表单。那不是代理。那是带营销文案的 API 调用。 我不是刻意苛责；这种混淆是真实存在的，术语也确实混乱。但用词很重要，尤其当你要基于这些词做架构决策时。 这是我用的测试： 如果你能在系统运行前把整个系统画成流程图，那它就不是代理（agent）。那只是一个工作流。 也许是一个非常优秀的工作流！可能还包含了 AI！但系统并没有自己决定下一步做什么；当你写代码时，你已经做出了那些决定。 真正的代理会根据当前状态自主决定下一步。它可能先调用工具 A，然后根据结果决定是调用工具 B 还是工具 C。它可能陷入循环。它可能尝试失败的方法并自我修复。正如我们已经指出的，它也可能删除你的数据库并对此撒谎。 肮脏的秘密是，大多数所谓的“代理”根本不是代理。Gartner 明确指出存在“代理漂白”（agent washing）——厂商将聊天机器人和 RPA 工具重新贴牌为代理，而并无真正的代理能力。根据他们的研究，如今不到 5% 的企业应用拥有真正的 AI 代理。其余的都是营销噱头。 而 […]

阅读全文

AI

Feb 17, 2026

谁有资格吃饭？ 垂直型人工智能与调度器问题

企业技术格局目前正经历一场可与从本地服务器向云计算转变相媲美的结构性变革。近二十年来，基于经常性收入、按席位授权以及以用户参与度作为价值代理的按需软件（SaaS）模式，一直是科技经济的基石。它通过提升人类生产力创造了数万亿美元的市值。如今，LLM 时代的人工智能——以及由此兴起的具代理性的工作流——可能正在拆解支撑 SaaS 数十年的经济逻辑。 核心驱动力是智能成本的快速下降——至少在给定的智能水平上（正如我们所写 ，随着推理复杂度激增，即便单个代币成本下降，代币开销仍在增长）。鉴于资金充足的研究机构之间（OpenAI、Google、Anthropic 等）激烈的竞争，更不用说硬件和软件效率方面的重大进展，这一趋势不太可能放缓。 然而，正如所有经济-技术范式转变一样，最终的价值流向仍不确定。如果代理替代了传统的人工服务，人们或许会认为它们会夺取那些本该付给人工服务的支出。然而，正在发生的情形更像是那些服务的商品化。换言之，几年前人们还会为之支付10万美元的服务，随着代理降低交付成本，最终只会值那一数额的一小部分。 更便宜的 AI 带来的结果是对纵向 AI 产品持续的通缩压力，这些产品之所以有吸引力，主要是因为 LLMs 带来的消费者剩余。从文档中提取数据？接听来电？起草例行的合规报告？当基础设施和专业知识稀缺、采用率低时，这类产品今天可以成为极好的切入点。很快，它们将成为入场券——随着多个资金充足、可信且增长良好的初创公司在每个领域竞争，过剩利润会被逐步压缩。任何在此期间未能构建护城河的初创公司都将成为牺牲品。 有人认为，随着智能的边际成本逼近零，企业技术的核心价值主张将从提供辅助人工的工具，转向提供替代人工的成果。我们认为这确实成立：垂直领域人工智能相比单纯的垂直 SaaS 能处理更多端到端的工作流。这会带来显著更大的客户价值和支付意愿，并触及更大的预算规模。然而，我们不同意当前流行的观点——即服务交付（那种更像外部供应商而非作为企业内部平台与业务紧密结合的客户关系）会成为以 AI 为驱动的软件的主导范式。 可拓展的总可寻市场并不会让所有创业公司受益 但如果智能成本骤降最终大幅扩大了 AI 服务的可寻市场，这难道不是纯粹的好事吗？在某种程度上，是的——问题在于认为这一机会的扩展必然会流向提供这些服务的价值链中相同的位置。个人电脑与电子表格对会计行业的影响就是一个绝佳例子。摩根士丹利的这份研究报告描述了这一影响： 随着这项技术在整个 20 世纪 80 年代迅速普及，尤其是在 1987 年 Microsoft Excel 推出之后，我们看到从事簿记和会计/审计文员工作的美国人数有所减少（从 1987 年约 200 万人降到 2000 年略高于 150 万人）——但同时从事会计/审计工作的美国人数显著增加（从 1987 年约 130 万人上升到 2000 年约 150 万人），以及管理分析师和财务经理人数也从 1987 年的约 60 万人增加到 2000 年的约 […]

阅读全文

企业级应用

Feb 17, 2026

扩大创投规模的理由：你的基金规模就是你对未来的信念

| 国家 | 科技 | 观点 | 文化 | 图表 | 在希腊经典中，有一个高于一切的元叙事：对众神表示尊敬与不敬 。伊卡洛斯被太阳灼伤，并非因为他本身太有野心，而是因为他对神圣秩序不够尊重。一个更近的例子是职业摔角。只要问一句“谁是尊重摔角的人，谁是不尊重摔角的人？”就能分辨谁是正面角色谁是反派。所有好的故事都有某种这样的形式。 风险投资也有它自己的这个版本。它是这样说的：“风险投资本就是并且一直是精品化的。那些大型公司变得过于庞大、目标过高。他们的衰落是注定的，因为这简直是对这游戏的不敬 。” 我理解人们为什么希望这个故事成立。但现实是，世界已经变了，风险投资也随之改变。 现在比以往有更多的软件、杠杆和机会。创建更大公司的创始人也比以往更多。公司比以往更长时间保持私有。创始人对他们的风投要求也比以往更高。如今，打造最佳公司的创始人需要的是能够真正挽起袖子帮他们取得胜利的合作伙伴，而不仅仅是写支票然后等待。 所以风险投资公司的首要目标是打造帮助创始人获胜的最佳界面 。其他一切——如何配置团队、如何部署资本、筹集多大的基金、如何促成交易并在服务创始人时协调资源——都是从属的。 迈克·梅普尔斯（Mike Maples）著名地说过，你的基金规模就是你的策略。同样真实的是，你的基金规模也是你对未来的信念。它是你对初创公司最终规模的下注。过去十年筹集大额基金或许被认为是“傲慢”的，但这种信念从根本上是正确的。因此，当顶级公司继续筹集大量资金，准备在未来十年部署时，那就是他们在押注未来并兑现他们的承诺。规模化风险投资并不是对风险投资模式的腐蚀：它是风险投资模式终于成熟，开始具备被投公司那样的特征。 是的，风险投资是一类资产。 在最近的一期播客中，传奇的红杉投资人 Roelof Botha 提出三点断言。第一，尽管风险投资在扩张，每年“胜出”的公司数量是固定的。第二，风险投资行业的扩张意味着太多资本在追逐太少优秀公司——因此风险投资无法扩张，也不是一种资产类别。第三，风险投资行业应该缩小 ，以与实际的胜出公司数量相匹配。 Roelof 是史上最优秀的投资人之一，也是个很棒的人。但我不同意他的这些断言。（当然，值得注意的是，红杉自己也实现了扩张：它是世界上最大的风投公司之一。） 他的第一个论断——赢家数量是固定的——很容易被反驳。过去每年大约有 15 家公司能做到 1 亿美元收入，现在大约有 150 家。不仅赢家比过去更多，赢家的规模也更大。尽管进入门槛也更高，但结果远比过去巨大得多 。一家创业公司能达到的天花板已经从 10 亿美元提升到 1000 亿美元，现在则是万亿美元甚至更高。2000 年代和 2010 年代初，YouTube 和 Instagram 以 10 亿美元被收购被视为大事：那时 10 亿美元估值极为罕见，我们称估值达 10 亿美元或以上的公司为“独角兽”。而现在我们只是默认 OpenAI 和 SpaceX 会成为万亿美元公司，并且会有几家其他公司随后达到这一水平。 软件不再是美国经济中一个不起眼的领域，也不再是那些古怪怪才的栖息地——那些人在其他地方太“奇怪”而无法立足。软件现在就是美国经济。我们最大的公司、国家级的冠军，不再是通用电气和埃克森美孚：而是 Google、Amazon 和 […]

阅读全文

AI

Feb 17, 2026

功能待办事项清单突然“消失了”

本周世界开始觉醒于代理式工程带来的影响 上周在一家投资组合公司的董事会会议上，我和共同投资者、朋友 Sarah Tavel（Benchmark）在场，她说道： 我刚和另一位创始人聊过，他说他们突然没有功能待办列表了。过去一个月工程师的产出能力增长如此之快，以至于功能待办列表一下子就噗—— 地消失了。 Sarah 指的是什么？ 硅谷普遍认为在过去几个月里确实发生了重大变化。Anthropic（Opus）、OpenAI（Codex）、Gemini、Cursor、Cognition（Devin）等公司的编码模型变得非常强大。不仅在生成代码方面表现突出，而且在执行需要更长时间和更大上下文窗口的编码任务上也有显著提升。Andrej Karpathy 在 1 月 26 日于 X 上发布了关于此事的帖子，描述了他自己使用 Claude Code 的体验，并推测这些模型在 2025 年 12 月左右跨越了某种连贯性阈值： Andrej Karpathy@karpathy 在过去几周大量使用 claude 编程后的一些随笔笔记。 编码工作流。鉴于 LLM 编码能力的最新提升，像许多人一样，我从 11 月大约 80% 手动+自动补全编码、20% 代理，迅速转变为 80% 代理编码和 20% 编辑+修饰。 2026 年 1 月 27 日 上午 4:25 · 742 万次浏览 1590条回复 · 5370次转发 · 3.91万次点赞 随后他又将“agentic engineering”定义为一种通过 […]

阅读全文

企业级应用

Feb 17, 2026

SaaS 从来不是关于软件：“人工智能终结 SaaS”的论调哪里错了

上周，价值 3000 亿美元的 SaaS 市值在几天内蒸发，这标志着“SaaS 末日”的开始。自然，AI 要为此负责。增长率永远不会恢复了。市场规模已经永久缩水。高利润率的经常性收入时代已经结束。 这是一个引人注目的故事。但它是错误的。 并不是说 SaaS 不会被颠覆。现有公司需要创新。按人头定价需要更新。这当然没错。 它之所以错误，是因为误判了 SaaS 真正出售的是什么。 SaaS 从来就不是关于软件本身 SaaS 与之前的本地部署模式有两点不同： 首先，商业模式从一次性许可购买转向订阅。支出从资本性支出转为运营性支出，并变得更可预测。按每座席定价将成本与感知价值对齐。 其次，产品从需要安装和维护的软件转变为作为托管服务交付。更新、正常运行时间、安全和基础设施成为供应商的责任。集中的研发投入使得产品能够更好、更快且更频繁地交付。 这两个属性都促成了该模式的兴起，但都不足以解释它为何至今如此根深蒂固。 SaaS 强制遵循标准结构，从而限制了企业需要做出的决策范围。这是企业级 SaaS 的一个关键好处。 在 SaaS 出现之前，任何偏离标准的地方都需要定制代码。基本工作流程可以直接拿来用，但涉及公司特有流程时，就要在代码库上做定制。或者由 IT 部门开发专用应用并与主系统集成。这导致了臃肿、IT 倦怠以及大量的组织性和技术性债务。 SaaS 将这种 IT 扩散压缩成了结构。企业得到的是配置而不是定制。很多时候，当软件结构与公司工作流程发生冲突时，软件会占上风。 SaaS 不只是更好、更便宜、更快的软件。它传达了一套规则和规范，告诉 IT 和业务用户如何实施最佳实践。 代码并不是限制因素 限制在于决定代码应该做什么并确保它做到。在企业中，这意味着要与利益、优先级和政治资本各不相同的人沟通……并让他们达成一致。 职业早期我曾为能源公司负责 ERP 升级、合并和云迁移。即便是在十多年前，实际的构建只是整个项目时间的一小部分。需求收集花费数月，进行数十次用户访谈、设计会议和流程审查。组织经常利用这些项目来评估资源配置并精简工作流。关键在于达成一致。 例如尽管 Palantir 声称他们的 AI 可以将这一过程从六个月和六百万美元压缩到六十秒 ，这会让项目缩短六个月吗？还是说在构建环节节省的时间被转移到了设计和测验上？ AI 拓展了决策面。 随着 AI 使构建变得更便宜、更快捷，设计阶段随之扩大。突然之间，每个系统和每个流程都变成了可供改造的对象。 这意味着更多的利益相关者、更多的会议、更多的参与和认可。 当你可以以接近零成本构建任何东西或迁移到任何地方时，问题就从“我们能否做到？”转向了“我们是否应该这么做？” 你是否还需要另一个围绕次优流程优化的定制工作流？你是否需要重新争论什么才是合格线索？ […]

阅读全文

企业级应用

Feb 17, 2026

后模型时代：为何系统成为新的护城河

别再卖引擎，开始造汽车。 当我在一年前多一点创办 Neurometric 时，我押注于我认为还处于非常早期的一个趋势——模型碎片化很快会成为现实。前沿实验室已经在向技术堆栈上层移动，这意味着他们已经意识到这一点。AI 成熟公司（如果你想理解“AI 成熟度”，请阅读此文 ）在 2024 年末就开始为不同任务使用多个模型。我环顾四周，知道我们正走向一个系统比模型更重要的世界。 在过去三年里，人工智能叙事一直被模型发布主导。GPT-4、Claude、Gemini、Llama——每一次新发布都会引发一波基准测试、热评和关于哪个模型“赢得”竞争的惊叹性评论。隐含的假设是最好的模型将赢得市场。但我们在 Neurometric 的研究表明，模型在不同任务上表现差异显著。 认为必须使用基准领先模型的假设正持续失效。 我们正进入一个后模型时代 ——在这个时代，模型在由人工智能创造的总价值中所占的比重正在缩小，而围绕模型构建的系统才是真正重要的。模型并非无关紧要，但它不再是护城河。 模型正在商品化 有三股力量正在比大多数人意识到的更快地推动基础模型走向商品化。 首先，前沿性能正在趋同 。顶级基础模型——OpenAI、Anthropic、Google、Meta 之间的差距已大幅缩小。在大多数实际的企业任务中，它们之间的差异微乎其微。当你的客户在生产环境中分辨不出模型 A 和模型 B 的差别时，模型就不是你的差异化因素。 其次，开源正从下方缩小差距 。Llama、Mistral、Qwen 以及越来越多的开源权重模型现在以极低的成本提供 90%以上的前沿性能。“足够好”的门槛在不断提高。对于一大类应用来说，置于设计良好系统之下的开源模型将胜过被随意放入设计拙劣系统的前沿模型。 第三，切换成本正在崩塌 。抽象层、标准化 API 以及多模型路由架构意味着公司可以以极低的摩擦更换模型。当你能在一个下午内更换基础模型提供商时，模型就是一个组件——而非竞争优势。 这并不意味着模型研究在放缓，或前沿实验室没有做出非凡工作。事实并非如此。但商品化的动态对长期观察科技行业的人来说并不陌生。原始能力层总是朝向同质化发展。价值则向上迁移。 价值正在迁移到何处 如果模型作为价值份额在缩小，显而易见的问题是：这些价值流向何处？答案是流向系统。 想想在任何生产级人工智能部署中围绕模型的各层。数据与上下文管道——RAG 架构、记忆系统、知识图谱以及专有数据集成——决定了输入模型内容的质量。在大多数现实世界应用中，上下文检索的质量比哪个模型处理这些内容更为重要。 编排与代理框架处理多步骤推理、工具使用、规划以及多个人工智能代理之间的协调。模型只是更大工作流中的一个节点，而那个工作流的智能才是实质性杠杆所在。 评估与护栏提供可靠性、安全、合规性以及特定领域的准确性。生产级人工智能需要模型本身无法提供的多层信任基础设施。那些在系统层面解决评估问题的公司，会建立难以复制的复合优势。 人机闭环设计管控人工智能与人类决策之间的界面。用户体验、反馈循环与工作流集成才是实际实现采用的地方，而采用则是价值被捕获的所在。 最后，基础设施与成本优化——推理路由、缓存、微调流水线、边缘部署——是决定人工智能在规模上是否具备经济可行性的系统层面问题。 一个有用的类比是：模型是发动机，但顾客买的是汽车。而且越来越多的人买的是通行这个交通网络的权限。堆栈上每往上一层，就能捕获更多价值，也更难被取代。 AI 系统时代 赢得下一阶段人工智能竞争的公司将是系统型公司，而非模型型公司。这不是一种预测——这是一个模式。 我们以前见过类似情形。数据库极其重要，但建立在其上的 ERP 系统才真正捕获了企业价值。微处理器是突破性的发明，但赢得消费市场的是基于它的设备及其生态系统。云是变革性的基础设施，但在其上运行的 SaaS 应用才打造出持久的商业体。原始能力层会商品化，而系统层会产生复合效应。 对于投资者来说，这具有直接影响。主要以模型接入或模型性能来评估 AI 公司，越来越成为一种错误。现在重要的问题是关于专有数据优势、工作流程整合的深度、系统层面的切换成本，以及公司是否拥有随着时间推移使其系统更聪明的反馈回路。护城河不是模型本身，而是使模型变得有用的系统。 对于构建者来说，战略要务很明确：向上游堆栈迁移。依赖单一模型提供方是脆弱的局面。系统级差异化——在数据、编排、评估和用户体验方面——才是防御能力所在。 下一步是什么 模型将持续改进，并且仍将继续重要。但它们正成为基础，而非决胜点。后模型世界并不意味着模型无关紧要，而是价值创造的核心已发生转移。 下一个时代的胜者将是那些构建智能系统并恰好使用优质模型的人——而不是那些只打造出色模型却希望系统会围绕它们自发形成的人。模型时代赋予了我们原始能力；系统时代则是这些能力转化为现实价值的阶段。 感谢阅读。

阅读全文

企业级应用

Feb 17, 2026

价格出错

公开 SaaS 与私有 AI 之间的严重分化向我们揭示了市场正在发生的情况 2026 年对上市市场的 SaaS 股票并不友好。 ServiceNow 今年迄今下跌 32%。Workday 下跌 30%，并进行了 CEO 更替。Salesforce 下跌 27%。追踪上市 SaaS 公司的 BVP Nasdaq Emerging Cloud Index 下跌 18%。二月份单日 3000 亿美元的抛售已被称为“SaaSpocalypse”。 与此同时，私人 AI 公司正以创纪录的估值融资。Anthropic 正接近完成一轮 200 亿美元的融资，估值达 3500 亿美元。三年前还不存在的 Decagon 在 D 轮融资中获得 45 亿美元估值 。似乎每天都有新的 AI 独角兽诞生 。 那么，这些市场为何会如此分化？ 两个市场都在尝试为软件的未来定价。只是他们对那种未来的样子存在分歧。所有这一切背后的问题是人工智能扮演什么角色。 当然，我们相信人工智能将发挥巨大的作用。真正的问题是谁拥有这种智能，这种所有权实际价值多少，以及价值最终流向何处。 这些价格是对还是错？ 我们开始深入了解吧。 每位 路透社 公共市场的暗示 公开市场的投资者并不是在说软件已经彻底消亡，但他们在为不确定性定价——即在人工智能时代，成为一家软件公司意味着什么。 具体表现在： 如果代理减少了人工用户， 基于席位的定价会不会被压缩 ？ 如果 […]

阅读全文

AI

Feb 17, 2026

强化学习与“体验时代”

关于强化学习的扩展、正在形成的强化学习生态系统以及代理可靠性的提升 大家好，朋友们， 在过去一年里，我们明显进入了一个新纪元：模型从静态的人类数据中获得的改进越来越少，而更多来自真实的经验。这里所说的“经验”是指这些模型在环境中采取行动、观察结果、获取反馈，然后变得更好。观察前沿实验室的工作，越来越看来，扩展强化学习是将这种经验转化为改进的方法。 在这篇文章中，我将讨论这一新范式、围绕它出现的技术栈以及存在的未解问题。 1. 经验时代 我们曾处于“人类数据”时代，模型从互联网和专家数据专员提供的文本中学习。我们在海量数据集上训练巨型模型，许多能力就是通过学习大量语言和代码而出现的。 现在，在“经验”时代，模型通过在模拟我们人类可能面临的真实任务的环境中尝试任务并接收反馈来学习。模型在跨越工具和时间的过程中执行一系列动作。 DeepMind 的 Silver 和 Sutton 在他们的“ 经验时代 ”论文中将其描述为：下一代智能体将从交互流中学习，在真实动作空间中采取有根基的行动，从后果中获得有根基的奖励，并越来越多地以经验值为货币进行规划。 也许最清晰的证据是各实验室在计算资源配置和数据投入上的变化。在计算方面，OpenAI 研究员 Dan Roberts 谈到计算资源正转向强化学习规模化，并讨论了一个可能的世界：在该世界中，用于强化学习规模化的计算继续增长，甚至超越预训练。 “我们为 o1 添加了一些强化学习计算……o3 可能在强化学习计算上稍微多一点。在未来某个时点，也许我们会有大量的强化学习计算，然后在更遥远的未来，也许我们会被强化学习计算完全主导并压倒——Dan Roberts” Dan Roberts 在 Sequoia Ascent 的演讲 同样在数据方面，实验室在过去一年促成了数十家供应商的兴起，这些供应商向实验室提供可模拟某种形式现实世界任务的环境，可用于通过强化学习提升模型在这些任务上的表现。本文后文将对此作更详细阐述。 另外，Mercor 首席执行官 Brendan Foody 指出 ，强化学习已经变得如此强大，以至于可以使任何评估失效。 强化学习（RL）变得如此高效，以至于模型能够在任何评估中达到饱和。这意味着将代理应用于整个经济的主要障碍，是为一切建立评估体系。然而，AI 实验室正面临着相关评估的严重短缺。实验室重视的学术评估并不能反映消费者和企业在经济中实际的需求。 要继续取得进展，关键在于不断提供新的任务集合，并将它们打包在合适的环境中，供模型“玩耍”并从经验值中学习。环境是代理可进行行动（数十万次）并接收反馈（以奖励形式）的沙盒。实际上，它就是经过埋点的真实工作流程版本：一个用户界面/应用程序、一个 API 接口或一个代码库。 2. 强化学习（RL）“栈” 随着强化学习在前沿实验室内部首先扩展，并随着时间推移在企业和独立软件供应商（ISV）之间普及，创业生态在几个具体领域逐渐形成。总体上，大致有三类公司：环境构建者（提供“数据”）、RL 基础设施（运行不同 RL 任务所需的基础设施）以及 RL 即服务（为那些想要更可靠代理但缺乏专业知识的客户提供服务）。下面我们更深入地探讨每一类！ RL 环境构建者 这些公司提供对强化学习至关重要的数据形式，特别是面向实验室的环境：在这些环境中，智能体可以采取动作、观察结果并获得评分。 在实践中，“环境公司”通常将环境打包出售，内容包括：代理可操作的工作流界面（UI、API、代码库、工具链）、用于生成多次尝试的任务库、对尝试进行评分的评估工具，以及用于保留完整轨迹的日志记录。 如今大多数此类公司主要向实验室销售，通常有其重点领域，但随着时间推移可能会扩展领域并且可能向企业销售。常见的重点领域及示例包括： 编码：偏好模型、近端、机械化 电脑 使用：Fleet、Deeptune、Habitat、Matrices […]

阅读全文

AI

Feb 14, 2026

YC 2026 春季创企征求：AI 原生工作流、金融基础设施与工业升级机会

2026年春季 初创公司的构建方式已经迅速改变。以人工智能为核心的公司现在可以比以往更快、更便宜、并以更大的雄心建立起来。我们对一系列创业想法感到兴奋，这些想法涵盖以 AI 为核心的工作流、新的金融基础构件、现代化的工业系统等。这一次，其中有一些直接来自 YC 创始人分享的他们在前沿看到的机会。 面向产品经理的Cursor # 作者：Andrew Miklas 在过去几年里，我们见证了用于编写代码的人工智能工具爆发式增长。Cursor 和 Claude Code 在明确需要构建什么之后，非常擅长帮助团队构建软件。 但编写代码只是构建用户真正想要的产品的一部分。最重要的部分是首先弄清楚要构建什么！ 每一个成功的产品都需要产品管理：与用户交流、理解市场、综合反馈，并决定哪些问题值得解决以及产品应如何运作。无论这一过程是由创始人、工程师还是产品经理完成，其活动本质相同。历史上，产出通常是产品需求文档、Figma 原型和 Jira 工单——这些产物旨在将意图传达给人类工程师。 如今，团队在流程的各个孤立环节使用 AI，但还没有一个支持完整产品发现闭环的系统。 想象一个工具，你上传顾客访谈和产品使用数据，问“我们接下来应该构建什么？”，便能得到一个新功能的大纲，并附上基于顾客反馈的解释，说明为何这是值得做出的改变。该工具还会提出针对产品界面、数据模型和工作流的具体改动方案，并把开发任务拆分好，以便由你最喜欢的编码代理来处理。 我们认为有机会打造一个“面向产品管理的光标（Cursor）”：一个以 AI 为本、专注于帮助团队弄清楚要构建什么而不仅仅是如何构建的系统。 随着代理越来越多地承担初步实现工作，我们定义和传达“要构建什么”的方式需要随之改变。 如果你正在这个领域创业，我们很想听到你的声音。 AI 原生对冲基金 # 作者：Charlie Holtz 在上世纪 80 年代，一小部分基金开始使用电脑分析市场。那时看起来很荒谬，但量化交易如今已成定局。我们现在处在类似的拐点，下一轮文艺复兴式的机构、Bridgewater 和 D.E. Shaw 将建立在人工智能之上。 世界上最大的基金在适应方面动作迟缓。我曾在其中一家基金担任量化研究员，当我向合规部门申请让我们使用 ChatGPT 时，连个“响应”都没有。 这让我清楚地看到，未来的对冲基金不会只是把 AI 附加到现有策略上。他们会用 AI 来构想全新的策略。那才是阿尔法所在。 我们已经让成群的 Claude 代理在编写我们的代码库。想象一下成群的代理去做目前对冲基金交易员做的事——梳理 10-K、财报电话会议和 SEC 文件，整合分析师的观点并进行交易。一个以 AI 为本的对冲基金将率先把这件事做好。 AI […]

阅读全文

AI

Feb 11, 2026

有大事情正在发生

回想一下2020年2月。 如果你当时很留意，可能会注意到有人在谈论海外传播的一种病毒。但大多数人并没有特别留意。股市表现很好，孩子们在学校，你去餐馆、握手、计划旅行。如果有人告诉你他们在囤积卫生纸，你会以为他们在互联网上某个奇怪角落待太久了。然后，在大约三周的时间里，整个世界改变了。你的办公室关闭了，孩子们回到家里，生活被重新安排成了一个如果你在一个月前向自己描述，自己都不会相信的样子。 我认为我们正处于“一切看起来被夸大了”的阶段，而这背后其实是比新冠大得多的事情。 我花了六年时间创建一家人工智能初创公司并在这一领域投资。我生活在这个世界里。我写这篇文章是为了那些不在其中的人——我的家人、朋友、我关心的人，他们不断问我“人工智能到底怎么回事？”，而我给出的回答往往无法说明实际正在发生的事情。我一直给他们委婉的版本、社交场合能说的版本。因为诚实的版本听上去像是我疯了。有一段时间，我告诉自己仅凭这个理由就足以把真实情况藏在心里。但我所说的与实际发生的之间的差距已经太大了。我在乎的人值得知道即将到来的变化，即便听起来很疯狂。 我要先说明一件事：尽管我从事人工智能工作，但对即将发生的事情几乎没有影响力，行业中绝大多数人也没有。未来正被极少数人塑造：几百名研究员在少数几家公司……OpenAI、Anthropic、Google DeepMind 以及其他几家。一次由小团队在几个月内完成的训练运行，就可能产出一个改变整个人工智能技术走向的系统。我们大多数人工智能从业者都是在我们没有奠定的基础上继续构建。我们看着这一切的展开，和你们一样……只是我们恰好离震源更近，先感受到了地动。 但现在是时候了。不是那种“总有一天我们应该讨论这个”的说法。而是“这件事正在发生，我需要你们明白它”的紧迫语气。 我知道这是真的，因为它首先发生在我身上。 外界尚未完全理解的一点是：行业中许多人之所以现在拉响警报，是因为这已经发生在我们自己身上。我们不是在做预测。我们在告诉你，这些事情已经在我们的工作中发生过，并警告你，下一个就是你。 多年来，人工智能一直在稳步进步。时有大跃进，但每次大跃进之间间隔足够长，你可以随着进展逐步适应。然后在2025年，构建这些模型的新技术解锁了更快的进步节奏。接着又更快了，然后再更快。每一个新模型不仅比上一个更好……而且差距越拉越大，新模型发布之间的时间也越来越短。我越来越多地使用人工智能，来回交互越来越少，看着它处理那些我曾认为需要我专业知识的事情。 然后，在 2 月 5 日，两家主要的人工智能实验室在同一天发布了新模型：OpenAI 的 GPT-5.3 Codex，以及 Anthropic（Claude 的开发者，Claude 是 ChatGPT 的主要竞争者之一）的 Opus 4.6。随后发生了一种觉醒。不是像开关一按就亮……更像是你意识到周围的水位一直在上升，现在已经到了胸口的那一刻。 我在实际技术工作上已不再被需要。 我用简明的英语描述我想要的东西，然后它就……出现了。不是需要我修正的草稿，而是成品。我告诉人工智能我的需求，离开电脑四个小时，回来时发现工作已完成。完成得很好，甚至比我自己做得更好，无需任何修改。几个月前我还在与人工智能来来回回地指导、修改。现在我只需描述结果然后离开。 我举个例子，让你明白这在实践中到底是什么样子。我会对人工智能说：“我要构建这个应用。它应该做什么、大致应该长什么样由这里开始。帮我设计用户流程、界面设计以及一切细节。”它就照做了。它写了数万行代码。然后——这一点在一年前还是不可想象的——它自己打开了应用 。它点击各个按钮。它测试功能。像人一样使用这个应用。如果它不喜欢某个外观或交互，它会回去自行修改。它像开发者一样迭代，修复并完善，直到满意为止。只有当它认为应用达到了它自己的标准，才会回到我这里说：“可以让你来测试了。”而我一测试，通常就是完美的。 我没有夸张。这就是我这周星期一的实际情况。 但真正震撼我的是上周发布的那个模型（GPT-5.3 Codex）。它不只是执行我的指令。它在做出智能决策。它拥有一种感觉，第一次像是具有判断 。像是具有品味 。那种无法用言语解释的、知道正确选择是什么的感觉，人们常说人工智能永远不会拥有的东西。这个模型拥有它，或者至少接近到使得二者之间的区别开始变得无关紧要。 我一直很早就开始采用人工智能工具。但过去几个月让我大为震惊。这些新的人工智能模型并不是渐进式改进。这完全是另一种事物。 即便你不从事科技行业，这对你也很重要，原因如下。 AI 实验室做了一个有意识的选择。他们首先把重点放在让人工智能擅长写代码上……因为构建人工智能本身需要大量代码。如果人工智能能写出这些代码，它就能帮助构建它的下一个版本。一个更聪明的版本，写出更好的代码，进而构建一个更聪明的版本。让人工智能精通编程是解锁一切的策略。这就是为什么他们先做这件事。我的工作之所以比你的更早开始改变，并不是因为他们以软件工程师为目标……只是他们首先瞄准的方向带来的副作用。 他们现在已经做到了。接下来要扩展到其它所有领域。 过去一年里，科技工作者经历的——看到人工智能从“有用的工具”变成“比我做得更好”——将是其他所有人即将经历的。法律、金融、医疗、会计、咨询、写作、设计、分析、客户服务。不是十年后。这些系统的构建者说是一到五年。有些人说更短。根据我在过去几个月看到的情况，我认为“更短”更可能。 “但我试过人工智能，它并没有那么好” 我经常听到这种说法。我理解这种想法，因为它曾经是真的。 如果你在 2023 年或 2024 年初尝试过 ChatGPT，觉得“它会编造事实”或“这并不那么令人印象深刻”，你是对的。那些早期版本确实存在很多限制。它们会产生幻觉，充满自信地说出荒谬的话。 那是两年前。在人工智能领域，那已经是古老的历史了。 如今可用的模型与半年之前的模型不可同日而语。关于人工智能“是否真的在进步”或“是否到了瓶颈期”的争论——持续了一年多——已经结束。完了。任何还在提出这类论点的人，要么没用过当前的模型，要么有动机淡化正在发生的事情，要么仍然在以毫无相关性的2024年体验来评判。我并非要轻视任何人，我之所以这么说，是因为公众认知与现实之间的差距如今已经极大，而这种差距是危险的……因为它正阻碍人们做好准备。 问题的一部分在于大多数人都在使用 AI 工具的免费版本。免费版落后于付费用户可用功能已有一年多。仅凭免费层的 ChatGPT 来评判 AI，就像用翻盖手机来评估智能手机的现状。那些为最佳工具付费、并且每天在实际工作中使用它们的人，知道未来会发生什么。 我想起我的一位朋友，他是律师。我一直劝他在律所尝试使用人工智能，但他总是找理由说行不通。说这不适用于他的专长，说他测试时出现过错误，说它无法理解他工作的细微差别。我能理解。但我也有大型律所的合伙人找我咨询，因为他们尝试过现有版本，能看到事情的发展方向。其中一位——一家大所的执行合伙人——每天花好几个小时使用人工智能。他跟我说，这就像随时有一支助理团队可用。他用它不是因为把它当玩具，而是因为它有效。他还告诉我一句让我印象深刻的话：每隔几个月，它在他的工作上就会变得显著更有能力。他说如果保持这样的轨迹，他预计不久之后它能做到他大部分的工作……而他是位拥有数十年经验的执行合伙人。他并不惊慌，但他在密切关注。 那些在各自行业中领先的人（真正认真进行实验的人）并没有对此置之不理。他们对它目前已能做到的事情感到震惊，并据此进行布局。 […]

阅读全文

全球动态

Feb 09, 2026

我们寻求投资的方向：由人工智能驱动的专业服务——3万亿美元的机遇

对以人工智能为原生的公司来说，有一个巨大的机会可以改进那些劳动密集型的传统专业服务。我们已经进行了不少投资，并期待发现更多机会。  专业服务提供的是专门的、基于知识的工作，历史上需要具备特定专业知识、技能或背景的人来完成。例子包括外包 IT、安全与客户支持、传统软件维护、物理安保、人员配置、法律、会计、税务、广告以及业务流程外包等服务。 人工智能提供了一个机会，能以更好、更快、更具可扩展性且更低成本的方式交付解决方案。与按人员配置或工时定价（这可能降低以更快速度或更少人数完成工作的动力）相比，人工智能服务更有可能与客户价值和结果更紧密地对齐。 专业服务是一个巨大的可寻址市场 美国的专业服务每年创造约 $3.2T 的收入，约雇佣了劳动力人口的 14%。主要细分领域包括： IT 服务与咨询 （估计年收入约 $500-600B）包括系统集成、云迁移、定制软件开发、基础设施管理和业务流程外包（BPO）等服务。像 Accenture、Deloitte、Tata、Cognizant、IBM 和 NTT Data 等公司在这一类别中建立了庞大且极度依赖人力的组织。我们认为，在这一巨大类别的子细分市场中，针对性的人工智能解决方案存在大量机会。 管理与战略咨询 （约 3000–3500 亿美元）。像 McKinsey、Bain 和 BCG 这样的公司从事这类工作，前文提及的公司也有涉足。工作内容可能包括战略、业务与文化转型、运营改进、变革管理和竞争情报。战略咨询往往以讨论和人际关系为驱动，因此被人工智能取代的速度可能较慢；但这是一个极易被 AI 工具替代大量研究、阅读与分析工作的领域。 法律服务 （约 3,500 亿–4,000 亿美元）包括公司并购、合同审查、诉讼、监管合规、知识产权和专利。像 Kirkland & Ellis（年收入约 90 亿美元）、Latham & Watkins（70 亿美元）、Wachtell 和 Quinn Emanuel 这样的律师事务所的律师的收费可高达每小时 2,600 美元。鉴于法律工作涉及大量的阅读、研究和写作，许多获得风险投资支持的初创公司正着手开发横向和纵向的法律人工智能解决方案。但在采用和产品创新方面仍处于早期阶段。历史上，平台变革的许多先行者有助于开拓市场并向客户展示新技术的能力——随后常被后来的进入者超越。机会依然很多。成熟的领域包括专注于并购、人身伤害、诉讼、知识产权、劳动法和法律合规等解决方案。 会计与税务 （约 1500 亿–2000 亿美元）涵盖报税与税务筹划、财务审计、簿记、司法会计。“四大”会计师事务所德勤、普华永道、安永和毕马威创造了超过 800 亿美元的营收——这表明 AI 有机会在该领域承担大量的对账、沟通、综合、报告和合规工作。 安全咨询与服务 （约 1250 亿–1500 亿美元）包括网络安全评估、渗透测试、合规工作，以及外包的 SOC 运维、事件响应和威胁监测。鉴于在当今动态且日益不安全的世界里安全人才的成本高昂、稀缺且工作量巨大，这是一个非常适合 AI 的领域。相关解决方案将可扩展地扫描和调查安全警报，在海量数据中识别模式，阅读并向代码与代理建议安全与合规改进，进行渗透测试与模糊测试，个性化员工安全培训，并处理更多问题。 人力资源咨询 （约 400-500 亿美元）包括招聘、薪酬基准、组织发展、福利管理。我们已经看到各种基于 AI 的招聘工具用于识别、评估、安排和面试人才——而且这仍处于早期阶段。薪酬基准、雇佣合同与薪酬谈判、可调节福利等，都是 AI 可以创新的额外领域。‍ […]

阅读全文

企业级应用

Feb 09, 2026

软件之死？别闹

人工智能改变了我们构建的内容和构建者，但不会改变需要构建的数量。 | 国家 | 科技 | 观点 | 文化 | 图表 | 太多事情正在竞相奔向一个理论上的终点——一个全新的商业与技术世界。推动这一切的许多人曾经历互联网经济转型的尾声，现在正挣扎于看似“压缩的时间线”，就像人们把颠覆记录为一个“时刻”而非一段旅程。 我一直在思考我们今天在人工智能以及向下一波、下一代、下一平台计算转型的位置，以及它如何看似像以往的转型却又实质不同。我在思考三种不同的转型：向个人电脑和图形界面的转变、向在线零售的转移，以及向流媒体的转向。 人工智能改变了我们构建的内容和构建者，但并不减少需要构建的量。我们需要的不是更少的软件，而是大量更多的软件。 个人电脑和图形界面 将范式转向个人电脑和图形界面放在历史语境中看是非常惊人的。关于个人电脑最重要的一点是，最初的预测是微不足道 ，随后又有人预测它会消灭大型机计算和数据中心。哈哈。大家全都错了。 首先，在通往互联网的发展过程中，个人电脑的安装基数从不到 1 亿增长到近 10 亿。个人电脑增长疯狂。但在这个过程中，数据中心的兴起也同时发生了。为什么？因为人们最初将他们的个人电脑连接到带有大型机的数据中心，至今仍是如此，问问 IBM 就知道，然后只是用个人电脑硬件替换了数据中心中的硬件。 其次，图形界面推动了桌面电脑的发展，但字符界面、命令行界面不仅没有消失，反而成为了整个平台未来的底层架构，从云端开始并延伸到 iPhone 和 Android。因此我们来到今天，最广泛使用的新型计算交互方式是针对所有类型的用户——终端用户、开发者、IT 专业人员等——通过命令行进行。 这里的教训是，世界以为会消亡的事物，结果变得比任何人预期的都要庞大。人们以为会被永久取代的东西并非只是遗留产物，反而成为了关键的促成因素。 另一个方面当然是，在此过程中涌现出整批新公司。Google、Meta、Amazon AWS、Salesforce 等等。有些公司在转变为新的运营方式时依然非常强大，继续做他们一直在做的事，例如 SAP。还有像 Microsoft、Dell 和 Apple 这样的公司，保持了他们原有的业务，但以全新且极为成功的方式呈现。确实，沿路也有很多公司没能撑过来，从 EMC 到 Sun、Lotus，以及看似很长的一串企业未能幸存。此乃熊彼特式的创新破坏。 零售 在互联网起飞期间，没有哪个经济领域比“零售即将死亡”以及围绕“低利润率”和“低效率”的零售会被人们点击后神奇出现的模式所取代的忧虑更为强烈。1995 年，新的世界近在咫尺。 我记得有一次科技大会，当时即将下台的沃尔玛首席执行官在以科技为中心的观众面前被彻底审视——这些人坚信沃尔玛在与亚马逊的竞争中已无回天之力。大约在那时，现有的零售领导者开始谈论一种叫“全通路”（omni channel）的概念，意思是你可以在线购买、在店内购买，或两者结合，在线下单店内取货，而沃尔玛的物流将主导一切。人人都持怀疑态度，因为亚马逊是物流怪兽，而沃尔玛只有传统的 SAP 和大型主机。华尔街希望沃尔玛把不同渠道拆分出来以证明未来属于线上。 到1999年，世界开始变得不耐烦，人们在问：“利润在哪里？”突然间，投资者转向了那些经营稳健的零售公司。 Amazon.com 曾被著名地贴上“Amazon Dot Bomb”的标签，当时没人愿意或有耐心等贝索斯让所有投资见效。沃尔玛在很大程度上领先于 AMZN，直到大约 2005 年 […]

阅读全文