（转自：刘润）

2025年。AI，正在以前所未有的速度，改变着世界。

打开社交软件，AI创作的图片视频满天飞；想咨询点问题，对话框和听筒那头，几乎清一色全部AI，家里的长辈，也开始动不动DeepSeek一下……

但是，机会在哪里？我该如何抓住？总感觉，看不清，看不懂。

前不久，全球顶尖的投资机构，红杉资本，召集了100多位AI领域的“大牛”，进行了一场长达6小时的闭门分享。OpenAI的Sam Altman、Google的Jeff Dean、Nvidia的Jim Fan……

这些创造了AI今天局面的顶尖大脑们，到底“密谋”了些什么？他们眼中AI的未来，又指向何方？

这些信息，对于我们这些普通人、创业者来说，无疑是宝贵的。但6小时的密集分享，信息量巨大，光是精华视频，就有足足4个多小时，全部看完，确实不容易。

所以，我试着用一篇文章的篇幅，为你提炼这场闭门会的精华，“偷听”顶级大脑的思考。

准备好了吗？咱们开始。

万亿，可能只是起点

一上来，红杉资本的合伙人Pat Grady，就给出了一个判断。

这波AI转型，所能撬动的市场规模，大概是万亿级别。

凭什么这么说？

技术浪潮的演进，往往是层层叠加、不断放大的。

每一波新的技术，都会站在前一波技术的肩膀上，爆发出更强的能量。AI，就站在了移动互联网、云计算这些“巨人”的肩膀上。全球数十亿的互联网用户，几乎人手一部智能终端，社交媒体病毒式传播，能让AI应用一夜触达数亿用户。

那么，AI未来的市场规模，到底有多大？

看看云计算转型。它的产业规模有4000亿美元，比它刚起步时的整个软件市场规模还大。那么，AI转型的市场，规模或许比目前的云计算市场，还要大一个数量级，达到万亿级别。

万亿。可能，还只是起点。真是令人激动。

那么，站在AI浪潮之巅的科技巨头们，又是如何看待未来的呢？

OpenAI，想成为AI时代的“操作系统”

在重大技术变革的时代，总有一些公司，不是在追逐浪潮，而是在创造浪潮。

会上，OpenAI的CEO Sam Altman，就提到了自家的“野心”：

OpenAI想做的，是成为人们日常AI应用的入口，成为“核心AI订阅”。

你可以把OpenAI的这个战略，理解为：他们想做AI领域的“Windows”。

他们提供底层的、通用的AI能力，就像PC时代的微软和移动时代的苹果、谷歌一样，构建一个强大的“AI操作系统”。但这个“操作系统”，也和过往有所不同。

比如，你对它说：“帮我安排下周去北京的出差，参加XX会议，预算控制在XX以内。” 然后，这个“AI核心订阅”，就能自动帮你预订机票酒店、安排会议日程、查询当地天气，甚至准备好报销单据。它能记住你的偏好，理解你的意图，在你没有明确指令的情况下，主动为你处理事务，协调多个AI工具，共同完成目标。

所以，当用户有了需求，谁能站出来，第一个接住这个需求，它就成为了AI时代的“入口”。

掌握了这个入口，就掌握了未来AI世界的调度权。

想做“操作系统”，这很牛。但这也要求“操作系统”，要比现在更加强大。

如何做到呢？答案之一，或许就是：强化学习。

9年后，爱因斯坦级别的AI要来了？

OpenAI的Dan Roberts说，或许：9年后，模型就能独立发现广义相对论级别的成果。

9年后。爱因斯坦级别的AI。这太夸张了。

凭什么这么说？

这要从ChatGPT发布的几个模型说起。从4o模型，到o1，再到o3。他们的推理能力，表现得越来越好。o3，能在1分钟的时间内，完成Dan Roberts要花3小时才能计算出来的物理问题。

为什么会这样？

Dan Roberts认为，答案可能是：强化学习。

如果说预训练，是让AI模型通过“提前预习”，学到了海量知识，那么强化学习，就是让AI在不断的实践、试错和获得反馈中，自己摸索出解决问题的方法。4o模型，几乎全部是预训练计算。o1里，有了那么一些强化学习计算。o3里，强化计算的占比进一步增加了。

所以未来，Open AI，打算继续加码强化学习。

他们相信，强化学习，是让AI从“博学的学生”，进化为能够独立思考、主动探索的“研究员”的关键路径。

以前，大家觉得强化学习，只是预训练这个大蛋糕上的一颗小樱桃，但OpenAI，打算用“巨大的强化学习樱桃”，压垮整个蛋糕。

所以，如果把AI的思考能力，按照7个月翻一番的速度来计算的话，想让模型能力到达爱因斯坦的级别，所花费的时间，差不多需要：

9年。

不过，有聪明的大脑还不够，还得有能干活儿的手脚才行。

于是，Nvidia的研究主管Jim Fan，提出了：物理图灵测试。

通过“物理图灵测试”那天，似乎不远了

什么是“物理图灵测试”？

举个例子。

你刚和狐朋狗友，在家里聚完。好好的客厅，乱得像“战场”一样。

眼看老婆要发火，你赶忙对AI机器人说，收拾干净，顺便准备一顿烛光晚餐，让我领导开心开心。

很快，机器人三下五除二，家里窗明几净，桌上牛排红酒，浪漫得不行。最关键的是，你完全看不出来这活儿，是人干的还是机器干的。

如果真能这样，那恭喜，这个机器人就通过了“物理图灵测试”。

听起来不错，对吧？

但是，要让机器人在现实世界里学会各种技能，就得有大量数据来训练。

可是，让机器人在现实中一点点试错，收集数据，成本太高，效率太低。你要雇佣大量人员，操控机器人，在各种环境里完成任务。

Jim Fan把这种宝贵的真实数据，比作“人类燃料”。实在太金贵了，烧不起。

那怎么办？答案是：模拟。

用AI技术，在电脑里，搭建出超级逼真的虚拟世界。一个人类实操的数据，可以叠加100种环境，100种条件，获得1万条数据。

由此，机器人就可以在虚拟世界里，进行亿万次的低成本、高效率、零风险的交互，从而收集数据。机器人的“智商”，得以飞速提升。

具身智能的时代，可能真的离我们不远了。

也许未来某天，当机器人通过“物理图灵测试”的时候，那天也将被认为，是一个普普通通的周二。

AI发展，不仅改变上层应用，也在重塑底层的基础设施。

比如：数据中心。

AI，正在重塑数据中心产业

Crusoe公司的CEO，Chase Lochmiller提到，AI，正在重塑数据中心产业。

为什么这么说？

现在，假设你是一个数据中心的负责人。你要考虑什么？

首先，一切都要为AI模型的性能服务。

AI模型的训练和推理，要调用十万，甚至上百万个GPU集群。所以，不能简单地把服务器堆在一起，要统一规划调度，确保网络、存储、计算单元之间的数据流转。

甚至，整个数据中心本身，都可以被看作是一台为AI计算打造的超级计算机。

不过，要驱动这么一台“超级计算机”，“动力”从哪里来，成了关键。

要运行十万、百万规模的GPU集群，所需要的电力特别惊人。根据中国能源报报道，一个典型AI数据中心消耗的电力，相当于10万户家庭的用电量。所以，那些风电、水电便宜，比如大草原、大沙漠、大河旁边的选址，就会更受青睐。

当然，强大的“动力”，也带来了惊人的热量。

一个AI服务器机架的功率，可能是以前普通服务器机架的十倍、百倍。再靠传统的空调制冷，可就完全不够用。你可能需要把整个服务器，都泡在冷却液里，才能达到效果。

所以，你看。

由AI驱动的基础设施变革，正在为能源、建筑、制冷、网络、芯片制造等多个传统行业，带来全新的挑战，和前所未有的机遇。

好吧。不过看来看去，这都是“大生意”，或者需要之前就在这些行业里，有所积累。

那么，没有积累，想要快速入局的普通创业者，又该怎么办？

AI创业公司，又该怎么办？

别慌。

还记得吗？Open AI这样的巨头，想做入口，想做操作系统。

而这，对很多创业者来说，就意味着新的机会。

因为，PC时代有了Windows，才催生了Office、Photoshop等无数应用软件；移动时代有了iOS和Android，才有了我们手机里五花八门的App。

AI时代，很可能也会遵循类似的逻辑。机会，就藏在那些细分的垂直应用中。

看图。这张图，描述的就是从互联网时代，到AI时代，大面积的巨头公司空白。尤其是，应用层面的空白。

了解。那么，要做应用的话，具体又该怎么入手呢？

一个非常重要的思路转变，就是：从“卖能力”转向“卖结果”。

从卖能力，到卖结果

客户，越来越不耐烦为那些“可能有用”的工具买单了。他们关心的，是结果。

你到底能帮我多签多少订单？降低多少成本？帮我的产品，获得多少传播？

Sierra的联合创始人Bret Taylor提到：AI的价值在于解决问题、创造结果。收费模式，也应与此挂钩。

有意思。创造结果，并且按结果收费。具体怎么理解？

举个例子。Sierra会帮助企业，建立AI客服，解决客户咨询问题。那么，如果AI客服能够独立自主地解决问题，让客户满意，那么Sierra就会为这个“结果”，向企业收取一笔费用。

但如果AI客服自己搞不定，需要转接人工客服，那就不收费。

把AI的价值，和客户的实际收益绑在一起。客户，不再需要为了一堆可用可不用的软件功能付费，而是为AI干成的结果付费。AI干得越好，解决的问题越多，Sierra赚的钱就越多。就像销售，拿提成一样。

类似的例子，还有。比如，法律行业。之前的AI软件，卖的是“合同模板库”或者“案例检索工具”。但现在，你卖的，可以是“完成XX份合同的初审，标记潜在风险”这个结果。

律师事务所不再为工具付费，而是为AI律师助手完成的具体工作成果付费。

巨头们，往往追求通用性和规模效应，难以深入到细分行业的具体业务流程中，啃硬骨头。所以，能够深刻理解行业Know-how的初创公司，就有了大量的发展空间。

这，才是AI时代，真正百花齐放的市场份额来源。

果然。在这个日新月异的AI时代，唯一不变的，是变化。而这种变化，也不仅仅体现在产品本身的形态上，还体现在产品开发的过程中。

明年开发的产品，其实现在还没着落

当被问到OpenAI明年的产品规划时，Sam Altman也很实在：明年开发的产品，现在还没开始考虑呢。

啊？OpenAI这么牛的公司，难道都不规划产品的吗？这么“草台班子”吗？

其实，这恰恰说明了AI产品的开发特点。

它的进化速度，快的惊人，而且，高度不确定。

Sam还补充，一些人很喜欢聊目标，然后再从目标倒推，一步步规划好现在。但说实话，我很少见到这些人取得巨大成功。

更好的做法，或许就是专注于眼前，一步、两步，慢慢推进。

为什么会这样？

因为，AI的技术和应用场景日新月异，今天还是个新概念，明天可能就有了颠覆性的产品。不像我们熟悉的很多行业，可以提前把未来几年的路，都规划明白，然后按部就班。

正如Anthropic的CPO Mike Krieger所说，你往往只能在产品开发比较靠后的阶段，才能真正知道它们到底能干些什么。

毕竟，AI产品，不像传统软件，功能边界是清晰的。很多时候，只有和用户的持续互动中，AI的那些“隐藏技能”才能被一步步地“发现”出来。

所以，与其按部就班地规划，不如放手让产品自然生长。与其憋个大招，不如快速拿出你的“最小可行产品”（MVP），扔出去遛遛，接受用户的检验。

即使是像OpenAI，在开发产品新功能的时候，也没有闭门造车。

Deep Research的负责人Isa Fulford，就分享了一个有趣的细节：做DeepResearch之前，我们先做了个PPT，确认大家有兴趣。

无论你的技术有多新，模型参数多吓人，深刻理解用户需求，永远是做产品的“第一性原理”。

3个AI产品

在这次红杉的AI峰会上，有好几位一线创业者，用他们亲手打造的产品，为我们展示了AI在不同领域的惊人潜力。我列举其中3个，给你看看。

1）客户调研

Listen Labs的CTO，Florian Juengermann，展示了一个AI客户研究员。

它能像一个经验丰富的访谈高手一样，同时与成千上万的用户，进行对话。引导用户说出真实的需求之后，它，还能自动分析这些海量的对话数据，为你生成一份包含核心洞察、图表的PPT。

你看，AI应用的一个重要方向，就是以远超人类的效率，帮你把信息，收集起来。

2）医学助手

医学知识，浩如烟海。最顶尖的医生，也难以穷尽。

所以，创始人Zachary Ziegler，就分享了他们的平台，OpenEvidence。这个平台，不光能从医学文献中精准地找到信息，还会给出清晰总结，为临床决策提供支持。

举个真实的例子。

在万米高空，有位医生就在飞机上，通过OpenEvidence，诊断了一例特别复杂的病情。病人不光有水痘，而且还服用一些药物治疗癌症。在确定病人的情况并不严重之后，医生做出了让飞机继续前进，不需要返航的判断。

未来，OpenEvidence还希望，收集全球顶尖医生的临床经验，形成一个动态更新的知识库。

3）自主行动的邮箱助手

LangChain的创始人Harrison Chase，介绍了产品：智能体收件箱。

它不需要被动地等待指令，而是主动作出反应。

一封新邮件的到达，一个日历提醒的触发，一个项目进度的更新，一旦感知到这些事件，它就能自主地采取相应的行动，可能是起草邮件、调整会议安排，提醒截止日期，甚至能够协调多个AI工具或其他的智能体来共同完成一个更复杂的任务。

最终，等待你批准。

你不再需要一个一个地去指挥AI工具，而是有了一个能帮你“统筹全局”的AI大脑。

这就是Harrison Chase认为的，一种更高级的AI形态——环境智能体。

3个思维转变

红杉资本的合伙人Konstantine Buhler，分享了AI时代，个体需要完成的3个重要思维转变。

1）拥抱随机性

之前的电脑，特别靠谱。你给它下个指令，比如让它记住数字73，那它明天、下个月，还记得是73。

但AI来了，情况就有点不一样了。

如果你让AI记住73，那它下次告诉你的时候，可能是73，但也可能变成了37、72、74，或者干脆忘得一干二净。这不是AI笨，而是由它基于概率和大规模数据学习的运行机制，所决定的。

我们，正在进入一个计算结果本身就带有“随机性”的时代。

所以，要学会和不确定性相处，从它的输出中去筛选那些真正有价值的东西。

2）培养管理思维

未来的工作中，我们很可能会发现，身边多了一群“同事”：各种各样的AI智能体。

这时候，我们就不能再简单地，把AI仅仅看作一个执行指令的“工具”了，而是要学会像管理一个有特定能力、有自己“个性”的团队成员一样，与它协作。

这意味着，你需要清晰地了解，你的AI们，到底“擅长干什么”。比如，它擅长读报告；它擅长搜索资料，做深度研究；这个呢？又擅长即时查询，速度和反应最快。

未来，我们大部分人都需要学会，对AI做管理决策。

比如，判断什么时候该让AI自主推进，什么时候需要人工介入，如何给AI提供有效的反馈让它进步，甚至是阻止AI跑偏。

3）运用杠杆思维

以前一个人可能需要一周才能完成的工作，有了AI的辅助，现在几个小时就能搞定。但与此同时，AI带来的确定性，相比传统工具可能会有所下降。

所以，我们必须在这种“高杠杆、低确定性”的情况下，管理风险，把握机会。

未来，能够拥抱变化、善于学习、勇于试错的人，最有可能茁壮成长。

因为，AI正在把我们从重复性的劳动中解放出来，让我们有更多机会去思考、发挥创造力。

参考资料

1、AI推动数据中心成新增用电需求主力

https://paper.people.com.cn/zgnyb/pc/content/202505/12/content_30073635.html

观点 / 刘润 主笔 / 景九 编辑 / 歌平 版面 / 黄静

这是刘润公众号的第2608原创文章