红杉的 AGI 论证与它的三根支柱：通信革命对计算革命、能力扩散差、以及"没有安全的领先"（Sequoia AI Ascent 2026 主旨演讲，2026-04-30）

本篇是分析笔记，逐段中译另存为精翻，见 `interviews_md/20260430_sequoia_this_is_agi_精翻.md`。讲者为红杉三位合伙人 Pat Grady、Sonya Huang、Konstantine Buhler，分工是校准与应用层策略、当下的代理、未来的认知革命。这场演讲值得单独精读的原因不在于它的乐观程度，而在于它是本轮周期里少数把"为什么这一轮与前几轮不同"讲成了可操作命题的公开材料：它没有停在"更大更快"，而是给了一个类型差异的判断，并从这个判断直接推出了应用层的三条策略。同时它有明确的立场，红杉的钱押在应用层与在模型之上搭建的公司上，因此凡是抬高应用层机会、压低模型层排他性的论证都要打折读。

一、论证的骨架：三点不同里只有第三点是真论证

Grady 给的三点不同，前两点是程度判断，第三点才是类型判断，读的时候值得分开处理。

第一点"最大的一浪"的支撑是一个口径转换：这是第一个同时是软件和服务的浪潮。云转型头 15 年软件可寻址市场从约 3,500 亿美元到 6,500 亿美元，云占其中约 4,000 亿；而新增的是服务收入这一整行。他自己先把这个数字的确定性拆了，"10 万亿美元是一个方便的整数，我们不知道是 10 万亿、5 万亿还是 50 万亿"，唯一给了具体锚的是"仅美国法律服务就是 4,000 亿美元，那是一个垂直行业、一个地理区域，就抵得上整个软件"。所以这一点的真实内容不是 10 万亿这个数，而是分母换了：从软件预算换成了服务与人力预算。这与黄仁勋在红杉 Training Data 播客上按小时给 AI 付费的说法是同一件事的两种讲法。

第二点"最快的一浪"的支撑是那张收入十亿美元以上公司的标识图，即空白区域被填满的速度。这是观察不是论证。

第三点是全篇唯一的类型判断，Grady 注明借自合伙人 Buhler："技术革命有两种基本类型。一种是通信革命，关于信息如何被分发……AI 是计算革命，关于信息如何被处理。"互联网、云、移动都归入前者。他自己也承认"这听起来可能像在抠字眼"，随后给出让它变得可操作的那个体感表述："地板一直在脚下移动。"所有人赖以搭建的技术地基每天都随新能力发布而变化，并列出过去几年的三次拐点，ChatGPT 时刻的预训练、o1 带来的推理与围绕推理时计算的第二条扩展定律、以及最近 Claude Code 展示的长时程智能体，并强调第二点与第三点之间存在一道断裂，是不连续的变化。

值得注意的是措辞。演讲里用的是"three major inflection points"，而红杉 2026 年 1 月 14 日的同名文章《2026: This is AGI》把这三样称作 AGI 的三种"成分"（ingredients），并给了对应时点。引用时按所引载体选词。另外演讲只论证了计算革命中地板在动，并没有反过来断言前三轮的技术地基稳定，把"前三轮地基相对稳定"写进正文属于作者归纳。

二、AGI 的功能性定义：这是一个商业口径而非技术口径

Grady 对定义问题的处理很干脆，先自我限权再给定义。"我是学经济学的，我们是风险投资人，不打算提出一个关于 AGI 的技术定义。我们研究的是创始人、市场，以及两者相撞产生的东西，也就是生意。"然后是那句功能性定义："如果你能派一个智能体去干一件活，它能从失败中恢复、并且坚持到把这件活干完，我不知道，那感觉就挺像 AGI 了。"

这个定义的作用是把 AGI 从能力争论里搬出来，变成一个可以被采购与部署验证的属性：能否交付、能否自恢复、能否坚持到完成。它绕开了智能水平的度量问题，代价是把定义标准降到了工程可靠性上，因此这句话不适合被引用为对模型能力的判断，只适合引用为红杉给企业买家的验收口径。

紧接的"更快的马"到"汽车"是同一件事的产品侧表述：过去几年是效率提升 10% 到 40%、不改变工作方式的应用，现在开始出现效率提升 10 倍到 40 倍、并且改变工作性质与组织性质的应用。"汽车已经到了。"这组比喻在库里与 Brockman 关于聊天与代理合并的说法、Acharya 关于"用上 AI"与"围绕 AI 重组"分水岭的说法互为印证，三方都在说同一个转折点，只是切面不同。

三、MAD 三支柱：反直觉的那一条是往客户看而不是往能力看

这是全篇对应用层最有操作性的部分，也是红杉立场最集中的地方。

护城河那一条是明确反直觉的：在计算革命里你会本能地盯着不断冒出的新能力，"而为了建护城河，你真正应该做的是往上看客户，因为你的客户变化的速度，远远慢于能力变化的速度"。他给的推论是"你造的东西明天可能就不相关了，而你把自己缠绕在客户身上的程度，会更持久一些"，同时补充产品与技术依然极其重要、通常最好的产品会赢。这条判断的逻辑基础正是第一部分那个地板比喻：正因为地基在动，所以护城河不能建在地基上。

可达性那一条借自设计领域，用锤子作例，"一个有可达性的物件，是不需要被解释的物件"。他给的反例点名了 Claude Code："Claude Code 强得离谱。去给一个普通的世界 500 强员工打开一个终端，看看他能走多远。"并明确声明这不是贬低 Anthropic，而是留给在其上搭建者的机会。这句话在库里可以与斯坦福 MS&E435 系列里关于应用层与模型层分工的讨论对读，也可以与 Acharya"堆栈每一层都有二十家玩家"的判断并置：红杉说的是模型层强而入口不友好，因此应用层有活干。

扩散那一条给了机会的量化方向："能力向市场扩散的速度，远远赶不上这些能力被创造出来的速度。基础模型每比一家普通的世界 500 强企业跑快一天，这个差距就变大一点，这个机会也就变大一点。"这是一个对应用层单方向有利的表述，也是最应该打折读的一条：同一个扩散差既可以解释为应用层的机会空间，也可以解释为企业侧采纳缓慢导致的收入兑现滞后，红杉只取了前一种读法。

收尾的"没有安全的领先"用赛车比喻："晴天你超不了 15 辆车，雨天你可以超 15 辆车"，而现在新能力正在倾盆而下，"这意味着没有安全的领先，但也意味着任何人都可能赢"。作为面向创始人听众的演讲，这是恰当的收尾；作为投资判断，它同时含着一个不常被引用的含义，即在位者的先发优势在这一轮更容易被抹平，这对已经拿到收入的应用层公司是负面的。

四、Huang 的当下：代理三部件，以及"服务是新的软件"

Huang 这一段的价值在于把代理拆成了可跟踪的部件，而不是停在现象描述。

她先用 2022 年的 AutoGPT 与 BabyAGI 定位当时的失败原因，"看着挺有戏，直到你看着那些智能体一次又一次又一次地失败。有点可爱，有点惹人怜，但完全没用"，结论是代理要来这件事几年前就能看见，只是模型还没准备好。这个判断很重要，它把代理的可用性归因到模型的长时程能力而不是工程框架。

三个功能部件是推理与规划、采取行动、朝目标迭代，"代理性把这三件事结合起来，它就是把事办成的能力"。对应的三个构成件是模型、工具、harness。模型是大脑，她引 METR 那条任务时长曲线，从一年前的几十分钟量级到今天的数小时量级，并称这是"发生过的最重要的事"。工具是手脚，她给了一个与市场共识相反的判断："有一种常见的论调说 SaaS 已死，我的看法恰恰相反：随着使用这些工具的代理数量增加，这些工具的价值将会爆炸。"harness 给的是持久性，强化学习让反馈回路真正转起来。

代理性的滑动标尺是这一段最实用的框架：从 2023 年的 tab 自动补全，到一个人指挥一个或一队代理的代理式开发，到后台代理、异步代理、代理派生子代理，最后到她称为"黑灯工厂"的形态，把人类审查完全拿出系统。她给了一个具体的可信度锚："这听起来很疯狂，但我在生产环境里见过，包括在网络安全公司。只要护栏够好、工程够好，这是可能的。"她判断异步代理这套范式很可能在量上超过当前范式。

"服务是新的软件"是给创始人的落点，她说 Pat 讲了很久、合伙人 Julian 写过文章，"我们早就知道这件事，但我觉得它现在真的在发生"。支撑这个判断的经济学是她那组人与代理的对照：人难以扩展而代理有算力就能扩展，人贵而代理付 token，"通常用 token 完成一项任务的成本，低于等量工资"。她主动澄清这不意味着人类失业，"我认为人类独有的特质是适应力"，但预期代理在应用层的部署会以前所未有的速度铺开。这组对照与 NVIDIA 那期讲 token 效用是同一枚硬币的两面：红杉说的是 token 成本低于工资所以会铺开，NVIDIA 说的是必须按用例匹配 token 价值否则价差不成立，后者是前者的约束条件。

她收尾时给的三个压缩时间线例子（Zed 的 Nathan 假期完成三年项目、Bret Taylor 周末重建 Sierra、Notion 六周重写 800 万行代码）都是转述且无出处，真正有分量的是她加在后面的那句话："很少有人见过：当你把这些被压缩的时间线一个个叠起来，会发生什么。"由此得出"一百年的东西一百天造出来"。这句是全篇最容易被误引的表述，它是把单点提速外推到复合提速的修辞，不是测算。

五、Buhler 的未来：一个强类比与它的弱点

Buhler 把 Grady 的二分再做一次，把工作分成体力与认知，然后主张两者在革命中遵循相似模式。他的论证结构是：人类历史绝大部分时间体力工作由肌肉完成，水力风力、蒸汽机、内燃机与电动机之后，"到今天，2026 年，你可以估计地球上为人类完成的所有体力工作中，99% 以上是由机器完成的"；认知侧刚开始，过去一百年电子计算已经在任一时刻承担万亿次计算，"我们相信神经网络是下一个大浪，并且在不远的将来，地球上 99.9% 的认知将由机器完成"。结论是"认知革命会很像工业革命，只是大得多、快得多"。

这个类比的力量在于它把"AI 会渗透多深"从信念问题转成了历史参照问题。它的弱点也明显：两个 99% 的数字都是他自陈的估计，前者他用的措辞就是"你可以估计"，而"认知"缺乏体力工作那样的可加总物理单位，把每一次浮点运算与人的一次判断放进同一个分母本身就是选择，而不是测量。引用这一段应引其类比结构，不宜引其比例。

四个故事是演讲的修辞高潮，各有一个可用的判断。铝与电解讲的是稀缺技能的价值坍塌，"一些最珍贵的、需要几十年才能挣到的技能，博士级别的技能，可以被瞬间调用，用完之后你可以把它揉成一团扔进垃圾桶"，这与 Collison 的食物类比是同一结论的两种讲法，即价值流向稀缺处而智能正在变得丰裕。异星设计讲的是机器接手认知后结果不再符合人的直觉，用 2006 年 NASA 那副演化算法生成的天线作例，"当 AI 设计芯片、汽车、建筑，它们的样子可能大不相同"。第三个故事最有方法论价值：内燃机被工程师"鼓捣"了近一百年才等到卡诺把它形式化为热力学，"现在我们正处在 AI 的鼓捣阶段。即使我们以为它是一门已被理解的科学，它不是"，他预期未来几十年会出现一门像热力学一样基础的科学。这条判断对如何看待当前的扩展定律有直接含义：扩展定律更接近瓦特时代的经验规律，而不是热力学。第四个故事是摄影术之后绘画转向印象派，用来说明人类如何在机器接手写实后重新定义目的。

落点是普罗泰戈拉的"人是万物的尺度"，他的解读是任何东西在真空中对人都没有价值，铝没有、艺术没有、智能也没有，"它有价值，只因为体验"，然后是"AI 能做这份工作，AI 也将做这份工作。但只有人与人的连接，能给你一个在意的理由"。作为面向现场听众的收尾这是得体的，但它与前面 99.9% 的认知外包判断之间存在张力：如果认知几乎全部外包，那么"体验"作为价值来源究竟由什么支撑，演讲没有回答。

六、这场演讲在库里的位置

三条可以直接接到其他材料上的线索。其一，通信革命对计算革命这个二分，是目前对"为什么本轮护城河更难建"给出的最简洁解释，可与 Foody 关于应用层无护城河、Mignano 关于护城河在上下文与先发的两种相反判断对读。其二，扩散差这个概念给了应用层机会一个可跟踪的指标，但它同时也是企业侧收入兑现滞后的同义词，两种读法在库里分别有支持者。其三，"服务是新的软件"与 NVIDIA 的 token 效用框架互为约束，前者讲替代的空间，后者讲替代成立的条件，合起来比任何一方单独看都更完整。

---

（口径提示：本文基于 YouTube 自动字幕整理，逐段中译见同名精翻。10 万亿服务市场为讲者自陈的"方便的整数"并给出 5 万亿与 50 万亿两个替代值，唯一给了具体锚的是美国法律服务约 4,000 亿美元；云转型头 15 年软件 TAM 数字、模型任务时长量级、体力工作 99% 与认知 99.9% 两个比例均为口播估算且未给来源，后两者讲者自陈为估计；三个压缩时间线例子为转述，无出处；"三次拐点"为演讲原话，红杉同名文章称其为 AGI 的三种"成分"；演讲未断言前三轮技术地基稳定，该推论属作者归纳。）