a16z《2026 年重大構想：第一部分》

文章作者：a16z New Media 文章編譯：Block unicorn

作為投資者，我們的職責是深入了解科技行業的各個角落，從而把握未來的發展趨勢。因此，每年 12 月，我們都會邀請投資團隊分享他們認為科技企業在未來一年將要解決的一個重大構想。

今天，我們將分享來自基礎設施、增長、生物+健康以及 Speedrun 團隊的觀點。敬請期待明天其他團隊的分享。

基礎設施

Jennifer Li：初創公司如何駕馭多模態數據的混亂局面

非結構化、多模態數據一直是企業面臨的最大瓶頸，也是他們尚未開發的最大寶藏。每家公司都深陷於 PDF、螢幕截圖、視頻、日誌、電子郵件和半結構化數據的海洋之中。模型不斷變得更加智能，但輸入數據卻變得越來越混亂，這導致 RAG 系統出現故障，代理以不易察覺且代價高昂的方式失效，關鍵工作流程仍然嚴重依賴人工質檢。人工智能公司面臨的制約因素如今是數據熵：在非結構化數據世界中，新鮮度、結構性和真實性都在持續衰減，而 80% 的企業知識如今就存在於這些非結構化數據中。

正因如此，理清非結構化數據成為千載難逢的機遇。企業需要一種持續的方法來清理、構建、驗證和管理其多模態數據，從而確保下游人工智能工作負載能夠真正發揮作用。應用場景無處不在：合同分析、入職流程、理賠處理、合規性、客服、採購、工程搜索、銷售賦能、分析流水線，以及所有依賴可靠上下文的代理工作流程。那些能夠構建從文檔、圖像和視頻中提取結構、解決衝突、修復流水線或保持數據新鮮度和可檢索性的平臺的初創公司，掌握著企業知識和流程王國的鑰匙。

Joel de la Garza：人工智能讓網絡安全招聘重獲新生

在過去十年的大部分時間裡，首席信息安全官 (CISO) 面臨的最大挑戰是招聘。從 2013 年到 2021 年，網絡安全職位空缺崗位從不足 100 萬個增長到 300 萬個。這是因為安全團隊雇佣了大量技術嫻熟的工程師，讓他們每天從事枯燥乏味的一级安全工作，例如審查日誌，而沒有人願意幹這種活。問題的根源在於，網絡安全團隊購買了能夠檢測一切的產品，從而製造了這種繁瑣的工作，這意味著他們的團隊需要審查所有信息------這反過來又造成了虛假的勞動力短缺。這是一個惡性循環。

到 2026 年，人工智能將打破這一循環，並通過自動化網絡安全團隊的許多重複性工作來填補招聘缺口。任何在大型安全團隊工作過的人都知道，一半的工作都可以通過自動化輕鬆解決，但當工作堆積如山時，卻很難確定哪些工作需要自動化。能夠幫助安全團隊解決這些問題的原生 AI 工具，最終將使他們能夠騰出手來做他們真正想做的事情：追捕壞人、構建新系統以及修復漏洞。

Malika Aubakirova：原生代理基礎設施將成為標配

到 2026 年，最大的基礎設施衝擊將並非來自外部企業，而是來自企業內部。我們正在從可預測、低併發的"人類速度"流量轉向遞歸、突發且規模龐大的"代理速度"工作負載。

如今的企業後端是為 1:1 的人類操作與系統響應比例而設計的。它沒有為單個代理式"目標"在毫秒級觸發 5000 個子任務、數據庫查詢和內部 API 調用的遞歸扇出做好架構準備。當代理嘗試重構代碼庫或修復安全日誌時，它看起來不像是一個用戶。在傳統數據庫或限流器眼裡，它就像一次 DDoS 攻擊。

為 2026 年的代理構建系統意味著要重新設計控制平面。我們將見證"代理原生"基礎設施的興起。下一代基礎設施必須將"驚群效應"（thundering herd）視為默認狀態。冷啟動時間必須縮短，延遲波動必須大幅降低，併發限制必須成倍提升。瓶頸在於協調：在大規模並行執行中實現路由、鎖定、狀態管理和策略執行。只有那些能夠應對隨之而來的工具執行洪流的平臺才能最終勝出。

Justine Moore：創意工具走向多模態

我們現在擁有了用人工智能講述故事的構建模塊：生成式語音、音樂、圖像和視頻。但對於任何超出一次性片段的內容，獲得所需的輸出往往既耗時又令人沮喪------甚至是不可能的------尤其是在你想要接近傳統導演級別的控制水平時。

為什麼我們不能給模型喂一個 30 秒的視頻，然後讓它用參考圖像和聲音創建的新角色繼續演繹這個場景呢？或者重新拍攝一段視頻，以便我們從不同的角度觀察場景，或者讓動作與參考視頻相匹配？

2026 年是人工智能邁向多模態的一年。你可以給模型提供任何形式的參考內容，並利用它創作新內容或編輯現有場景。我們已經看到一些早期產品，例如 Kling O1 和 Runway Aleph。但還有很多工作要做------我們需要在模型層和應用層都進行創新。

內容創作是人工智能最具殺傷力的應用場景之一，我預計我們將看到眾多成功的產品湧現，涵蓋各種應用場景和客戶群體，從表情包製作者到好萊塢導演。

Jason Cui：人工智能原生數據棧持續演進

過去一年裡，隨著數據公司從專注於數據攝取、轉換和計算等專業領域轉向綑綁式統一平臺，我們看到了"現代數據棧"的整合。例如：Fivetran/dbt 的合併以及 Databricks 等統一平臺的持續崛起。

儘管整個生態已明顯成熟，但我們仍處於真正人工智能原生數據架構的早期階段。我們對人工智能持續變革數據堆棧多個環節的方式感到興奮，並且開始意識到數據和人工智能基礎設施正變得密不可分。

以下是我們看好的一些方向：

• 數據將如何與傳統結構化數據一起流入高性能向量數據庫

• 人工智能代理如何解決"上下文難題"：持續訪問正確的業務數據上下文和語義層，從而構建強大的應用程序，例如與數據進行交互，並確保這些應用程序在多個記錄系統中始終擁有正確的業務定義

• 隨著數據工作流變得更加代理化和自動化，傳統的商業智能工具和電子表格將如何改變

Yoko Li：我們走進視頻的一年

到 2026 年，視頻將不再是我們被動觀看的內容，而更像是一個我們可以真正置身其中的空間。視頻模型最終能夠理解時間，記住它們已經展示過的內容，對我們的操作做出反應，並保持現實世界那種可靠的一致性。這些系統不再僅僅生成幾秒鐘的零散影像，而是能夠維持角色、物體和物理效果足夠長的時間，使行動產生意義，並展現其後果。這種轉變將視頻變成了一種可以不斷發展的媒介：一個機器人可以練習、遊戲可以演進、設計師可以製作原型、代理可以在實踐中學習的空間。最終呈現的不再像一段視頻片段，而更像是一個鮮活的環境，一個開始彌合感知與行動之間鴻溝的環境。我們第一次感覺自己可以置身於我們生成的視頻之中。

增長

Sarah Wang：記錄系統失去主導地位

到 2026 年，企業軟件領域真正的顛覆性變革在於記錄系統最終將失去其主導地位。人工智能正在縮小意圖與執行之間的距離：模型現在可以直接讀取、寫入和推理操作數據，將 IT 服務管理（ITSM）和客戶關係管理（CRM）系統從被動的數據庫轉變為自主的工作流引擎。隨著推理模型和代理工作流的最新進展不斷積累，這些系統不僅能夠響應，還能預測、協調和執行端到端的流程。界面轉變為動態代理層，而傳統的記錄系統則退居幕後，成為一種通用的持久層------其戰略優勢將被讓渡給真正掌控員工日常使用的代理執行環境的那一方。

Alex Immerman：垂直行業的人工智能從信息檢索和推理演進到多人協作

人工智能推動垂直行業軟件實現了前所未有的增長。醫療保健、法律和房地產公司在短短幾年內就達到了超過 1 億美元的年度經常性收入 (ARR)；金融和會計行業緊隨其後。這一演進首先是信息檢索：查找、提取和匯總正確的信息。2025 年帶來了推理功能：Hebbia 分析財務報表並構建模型，Basis 在不同系統間對賬試算表，EliseAI 診斷維護問題並派遣合適的供應商。

2026 年將解鎖多人協作模式。垂直行業軟件受益於特定領域的界面、數據和集成。但垂直行業的工作本質上是多方協作的。如果代理要代表勞動力，它們就需要協作。從買家和賣家，到租戶、顧問和供應商，每一方都有不同的權限、工作流程和合規要求，而這些只有垂直行業軟件才能理解。

如今，各方都獨立地使用人工智能，導致交接過程中缺乏授權。分析採購協議的人工智能不會與首席財務官溝通以調整模型。維護人工智能也不知道現場工作人員曾向租戶承諾過什麼。多方協作的變革在於跨利益相關者的協調：將任務路由至職能專家、維持上下文、同步變更。交易對手的人工智能在既定參數範圍內進行談判，並將不對稱之處標記出來供人工審核。高級合夥人的標記用於訓練整個公司的系統。人工智能執行的任務將以更高的成功率完成。

當多人協作和多代理協作的價值提升時，轉換成本也會隨之增加。我們將看到人工智能應用一直以來未能實現的網絡效應：協作層將成為護城河。

Stephenie Zhang：為代理而設計，而非為人類

到 2026 年，人們將開始通過代理與網絡互動。過去為人類消費所優化的東西，對代理消費來說將不再同樣重要。

多年來，我們一直致力於優化可預測的人類行為：在谷歌搜索結果中排名靠前，在亞馬遜搜索結果中名列前茅，並以簡短精煉的"TL;DR"開頭。高中時，我選修了一門新聞課，老師教我們要用"5W1H"寫新聞，專題文章要以引人入勝的開頭吸引讀者。或許人類讀者會錯過隱藏在第五頁的那些極具價值、見解深刻的論述，但人工智能不會。

這種轉變也體現在軟件領域。應用程序的設計初衷是為了滿足人類的視覺和點擊需求，優化意味著良好的用戶界面和直觀的操作流程。隨著人工智能接管檢索和解讀工作，視覺設計對於理解的重要性逐漸降低。工程師不再盯著 Grafana 儀表盤，人工智能系統可靠性工程師 (SRE) 可以解讀遙測數據，並在 Slack 上發布分析結果。銷售團隊不再需要費力地翻閱客戶關係管理系統 (CRM)，人工智能可以自動提取模式和摘要。

我們不再為人類設計內容，而是為人工智能設計內容。新的優化目標不再是視覺層級，而是機器可讀性------這將改變我們創作的方式以及我們使用的工具。

Santiago Rodriguez：人工智能應用中"螢幕時間"KPI 的終結

過去 15 年來，螢幕時間一直是衡量消費者和企業應用價值交付的最佳指標。我們一直生活在一個以 Netflix 流媒體播放時長、醫療電子病歷用戶體驗中的鼠標點擊次數（以此證明有效使用）甚至在 ChatGPT 上花費的時間作為關鍵績效指標的範式中。隨著我們邁向基於結果的定價模式，這種模式能夠完美地協調供應商和用戶的激勵機制，我們將首先摒棄螢幕時間報告。

我們已經在實踐中看到了這一點。當我在 ChatGPT 上運行 DeepResearch 查詢時，即使螢幕時間幾乎為零，我也能獲取到巨大的價值。當 Abridge 神奇地捕捉到醫患對話並自動執行後續操作時，醫生幾乎不用看螢幕。當 Cursor 開發出完整的端到端應用程序時，工程師們正在規劃下一個功能開發周期。而當 Hebbia 根據數百份公開文件撰寫演示文稿時，投資銀行家們終於可以好好睡上一覺了。

這帶來了一個獨特的挑戰：應用程序的單用戶收費標準需要更複雜的投資回報率 (ROI) 衡量方法。人工智能 (AI) 應用的普及將提升醫生滿意度、開發人員效率、財務分析師福祉以及消費者幸福感。那些能夠以最簡潔的方式闡述 ROI 的公司將繼續超越競爭對手。

生物 + 健康

Julie Yoo：健康的月活躍用戶 (MAU)

到 2026 年，一個新的醫療保健客戶群體將成為焦點："健康的月活躍用戶"。

傳統的醫療保健系統主要服務於三大用戶群體：(a) "患病的月活躍用戶"：需求波動較大且費用較高的人群；(b) "患病的日活躍用戶*"：例如需要長期重症監護的患者；以及 (c) "健康的青年活躍用戶*"：相對健康且很少就醫的人群。健康青年活躍用戶面臨著轉變為患病的月活躍用戶/日活躍用戶的風險，而預防性護理可以減緩這種轉變。但我們以治療為主的醫療報銷體系獎勵的是治療而非預防，因此主動健康檢查和監測服務並未得到優先考慮，而且保險也很少涵蓋這些服務。

現在，健康的月活躍用戶群體應運而生：他們並非患病，但希望定期監測和了解自身健康狀況------而且他們也可能是消費者群體中占比最大的群體。我們預計，一批公司------包括人工智能原生創業公司和現有企業的升級版------將開始提供定期服務，以服務於這一用戶群體。

隨著人工智能降低醫療服務成本的潛力、專注於預防的新型健康保險產品的出現，以及消費者越來越願意自費支付訂閱模式的費用，"健康的月活躍用戶"代表著醫療科技領域下一個極具潛力的客戶群體：他們持續參與、數據驅動且注重預防。

Speedrun（a16z 內部一個投資團隊的名稱）

Jon Lai：世界模型在敘事領域中大放異彩

2026 年，人工智能驅動的世界模型將通過互動式虛擬世界和數字經濟徹底改變敘事方式。諸如 Marble（World Labs）和 Genie 3（DeepMind）等技術已經能夠根據文本提示生成完整的 3D 環境，讓用戶像在遊戲中一樣探索它們。隨著創作者採用這些工具，全新的敘事形式將會出現，最終可能演變成"生成式我的世界"，玩家可以共同創造龐大且不斷演化的宇宙。這些世界可以將遊戲機制與自然語言編程相結合，例如，玩家可以發出"創造一支畫筆，將我觸碰到的任何東西都變成粉色"這樣的指令。

此類模型將模糊玩家和創作者之間的界限，使用戶成為動態共享現實的共同創造者。這種演變可能會催生相互關聯的生成式多元宇宙，讓奇幻、恐怖、冒險等不同類型並存。在這些虛擬世界中，數字經濟將蓬勃發展，創作者可以通過打造資產、指導新手或開發新的互動工具來獲得收入。除了娛樂之外，這些生成式世界還將成為訓練人工智能代理、機器人乃至通用人工智能（AGI）的豐富模擬環境。因此，世界模型的興起不僅標誌著一種新的遊戲類型的出現，更預示著一個全新的創意媒介和經濟前沿的到來。

Josh Lu："我的元年"

2026 年將成為"我的元年"：屆時，產品將不再批量生產，而是為你量身定制。

我們已經在各處看到了這種趨勢。

在教育領域，像 Alphaschool 這樣的初創公司正在構建人工智能導師，這些導師能夠適應每個學生的學習進度和興趣，讓每個孩子都能獲得與其學習節奏和偏好相匹配的教育。如果沒有在每個學生身上花費數萬美元的輔導費，這種程度的關注是不可能實現的。

在健康領域，人工智能正在設計根據你的生理特點量身定制的每日營養補充劑組合、鍛煉計劃和膳食方案。無需教練或實驗室。

即使在媒體領域，人工智能也能讓創作者將新聞、節目和故事重新組合，打造出完全符合你興趣和喜好的個性化信息流。

上個世紀最大的公司之所以能取得成功，是因為它們找到了普通消費者。

下個世紀最大的公司將通過找到普通消費者中的個體來贏得勝利。

2026 年，世界將不再為所有人優化，而是開始為你優化。

Emily Bennett：第一所原生人工智能大學

我預計，2026 年我們將見證第一所原生人工智能大學的誕生，這是一所從零開始圍繞人工智能系統構建的機構。

過去幾年，大學一直在嘗試將人工智能應用於評分、輔導和課程安排。但如今正在湧現的是一種更深層次的人工智能，一種能夠實時學習和自我優化的自適應學術體系。

想像一下，在一個這樣的機構裡，課程、諮詢、研究合作，甚至建築運營都會根據數據反饋循環不斷調整。課程表會自我優化。閱讀清單每晚都會更新，並隨著新研究的出現而自動重寫。學習路徑會實時調整，以適應每位學生的學習進度和實際情況。

我們已經看到了一些先兆。亞利桑那州立大學（ASU）與 OpenAI 的全校合作催生了數百個涵蓋教學和行政管理的 AI 驅動項目。紐約州立大學（SUNY）現在已將 AI 素養納入其通識教育要求。這些都是更深入部署的基礎。

在 AI 原生大學裡，教授們將成為學習的架構師，他們負責數據管理、模型調優，並指導學生如何質疑機器推理。

評估方式也將改變。檢測工具和抄襲禁令將被 AI 意識評估所取代，學生的評分標準不再是是否使用了 AI，而是他們如何使用 AI。透明和策略性運用取代了禁止。

隨著各行各業都在努力招聘能夠設計、管理和協作 AI 系統的人才，這所新型大學將成為培訓基地，培養出精通 AI 系統協調的畢業生，助力快速變化的勞動力市場。

這所 AI 原生大學將成為新經濟的人才引擎。

今天就到這裡，我們下一部分見，敬請期待。

```