跳转至

100 年压缩到 100 天！红杉资本：这就是 AGI

Ch04.381 100 年压缩到 100 天！红杉资本：这就是 AGI

📊 Level ⭐⭐ | 6.4KB | entities/red-sequoia-ai-summit-agi-declaration.md

100 年压缩到 100 天！红杉资本：这就是 AGI

红杉资本的年度 AI 峰会 AI Ascent 上，三位合伙人站在台上，给出了一个判断：** 这，就是 AGI。 ** 需要注意的是，他们说的不是实验室里的 AGI，也不是跑分意义上的 AGI。他们指的是：从商业角度、从实际功能角度看，你派一个 Agent 去干活，它能从失败中恢复，能坚持到任务完成。

" 如果你能派一个 Agent 去执行一项工作，它能从失败中恢复，并坚持到任务完成，我不知道……这感觉就是 AGI 了。 他紧接着补了一句：「 我是学经济的，我们是风险投资人，不会去给 AGI 下技术定义。但我们研究创始人和市场，从商业角度来看，车已经到了。 」

相关实体

→ 原文存档

深度分析

红杉对AGI的定义将评估标准从技术能力转向商业可行性——核心判断是"能从失败中恢复并坚持到任务完成"。 这个定义对AI行业有深远的重新定向意义：它意味着不再以超越人类认知能力为AGI前提，而是以可靠地完成长周期任务为标准。这意味着AI投资和发展的关注点应该从"模型在 benchmark 上有多强"转向"Agent 在实际工作中有多可靠"。这对创业者和投资人的战略决策都有直接影响。

MAD框架（Modes护城河、Affordance可用性、Diffusion扩散差）是三位合伙人给出的最具体的方法论。Pat Grady强调在计算革命中应该"往上看客户"而非"往下看技术"，因为技术变化速度远超客户变化速度——客户关系比底层技术更持久。 Affordance概念借用自设计理论：Claude Code的能力摆在那里，但普通员工打开终端走不了多远——这就是应用层创业的机会，为特定用户、特定问题创造"最省力路径"。Diffusion则指出基础模型能力创造速度远超市场扩散速度，这个差距就是创业机会窗口。

三条Scaling Law的框架揭示了AI能力提升的非连续性：预训练（2022.11）、推理时计算（o1，2024）、长时程Agent（2026，Claude Code和Opus 4.5/4.7）。 Pat特别指出前两条是连续进化，但第二条到第三条之间存在断裂式跳变——推理能力和Agent能力代表了不同维度的智能，Agent能力意味着模型能够在长时间范围内自主推进任务，而不仅仅是生成更好的推理链条。这是理解当前AI发展节奏的关键框架。

暗工厂（Dark Factories）代表了一个更激进的工作形态：完全去掉人类审查，由AI自主运行生产环境。 Sonya认为异步Agent的工作量很可能超过当前的同步范式，而暗工厂是异步Agent的极致形态。这对AI系统工程的启示是：未来的AI竞争不仅在模型能力，更在运维体系（错误恢复、安全护栏、监控审计）是否足够成熟。Konstantine提出的10万亿美元服务市场估算基于同样的逻辑：人类难以扩展（需要薪水、管理、激励、留存），Agent用算力可以无限扩展。

Konstantine的认知革命类比（体力革命→脑力革命）提供了一个长周期视角。 体力革命用几千年把人类从"几乎所有体力劳动由肌肉完成"带到"99%以上体力劳动由机器完成"，脑力革命正在走同一条路，只是规模更大、速度更快。但他最终的人文提醒同样重要：AI可以做工作、AI会做工作，但只有人与人的连接才能给你一个在乎的理由。十年后工作会面目全非，但今天你和身边的人建立的关系，则会一直留下来。

实践启示

  1. MAD框架作为产品战略的首要过滤器：任何AI产品决策先用MAD三问检验——是否有持久护城河（ Modes ）、是否为用户创造了最省力路径（ Affordance ）、是否能利用基础模型能力的扩散差（ Diffusion ）。技术团队往往过度关注底层能力，而忽视客户关系和可用性设计。

  2. 10万亿美元服务市场的机会需要垂直化切入：法律、医疗、教育、金融等垂直领域各自都是数千亿上万亿美元的市场，Agent渗透这些市场的路径不是用同一个产品覆盖所有场景，而是为每个垂直行业、每个具体工作流程设计专属的Agent解决方案。

  3. 组织结构需要适应10-40倍效率提升：Notion六周重写800万行代码、Zed创始人一个人完成三年moonshot项目——这些压缩时间线的案例预示着管理层级、审批流程、团队结构都需要重新设计，否则效率提升的红利会被组织摩擦消耗掉。

  4. 暗工厂模式应在低风险场景中试点探索：全异步、全自主运行的Agent工作流目前适用于工程防护成熟、错误恢复机制完善的场景（如网络安全、代码审查）。建议在受控环境中逐步试点，积累暗工厂的运维经验，而非全面铺开。

  5. 经济评估模型应转向算力成本视角：ROI计算不再是"一个Agent替代几个人"的人力替换成本，而是"算力消耗 vs. 任务价值"的新框架。这要求重新设计财务模型，将AI投资作为算力消耗而非人力成本来评估。