Sequoia Capital

Anthropic公司Claude Code的创造者Boris Cherny与红杉资本合伙人Lauren Reeder在2026年AI Ascent大会上共同探讨编程的未来走向。他解释了为何自己在2026年一行代码都没写过，为何如今每天用手机提交数十个PR，以及为何他认为编程实际上已被解决——至少对他所写的代码而言。此外，他还谈到：为何循环是未来趋势，为何他认为一年后Claude Code本身可能只剩100行代码，以及为何印刷术的发明才是即将发生在软件领域的正确类比。 00:00 开场 00:55 Claude Code现场调查 02:39 Claude Code的起源故事 03:35 从自动补全到智能体 05:07 编程是否已被解决 06:50 Boris的个人工作流程 08:51 未来团队与通才 10:26 SaaS末日预言 12:57 观众深度问答 23:35 总结与下一步

Demis Hassabis，Google DeepMind联合创始人兼CEO、因AlphaFold获得2024年诺贝尔化学奖，与红杉资本合伙人Konstantine Buhler在AI Ascent 2026展开了一场涵盖通用人工智能发展路径及未来影响的深度对话。他阐释了为何相信AGI将在2030年前实现，药物研发周期如何从十年缩短至数天，以及为何应将信息而非物质或能量视为宇宙中最基本的元素。此外还探讨了：爱因斯坦会对当前模型局限性提出何种见解，以及未来一两年为何对人类至关重要。 00:00 开场 00:38 Demis的成长轨迹与共性 01:29 游戏作为AI训练场 02:59 Elixir Studios创业启示 04:39 2009年创立DeepMind 07:25 DeepMind使命与AGI赌注 08:52 科学导向的AI文化 10:37 生物学突破与Isomorphic 12:29 通过模拟探索新科学 20:29 意识哲学

If a task is worth doing and there are GPUs available, an agent will just do it today. So what work is left for tomorrow? Parag Agrawal argues the only work left is work triggered by something changing — and one of those triggers is everything that changed on the web. Search stops being a request and becomes a standing instruction.

If continual learning works, is the endpoint a single mind that can swing from a tree branch and build a spaceship? Rich Sutton: "It's a single design. There'll be many minds." Khurram Javed's reason reads like a proof — two equally complex systems can't model each other, so no single system ever learns everything. #ai #llm #continuallearning

Parag Agrawal on how Parallel got its name — and the idea behind it: a parallel web, built for AIs, with different properties than the one built for us. Which means every page you publish now has two audiences, whether you intended it or not.

The Bitter Lesson may be the most-quoted essay in AI, which makes it one of the most misquoted. Rich Sutton gives his own 26-word compression — and the part people keep skipping: it isn't an argument against sophisticated algorithms, it's an argument for algorithms that scale with computation. #ai #llm #machinelearning

If an agent runs ten searches to write one paragraph, who gets paid? Parag Agrawal explains Shapley values — the game theory for splitting a pie created by collaboration — and how Parallel uses it to estimate what any single source actually contributed to an agent's output. #ai #internet #websearch

Rich Sutton 常被称为激进派，但他认为自己才是思维正常的人。在当前的 AI 热潮之前，没人会提出"持续学习"——因为学习本就不是一次性的，这个概念本身就说不通。我们行动、学习、不断学习。这个领域需要专门用一个术语来描述它，恰恰说明这个领域有问题。 #ai #machinelearning #llm

这是你能听到的最清晰的网络搜索解释。Parag Agrawal 拆解了爬取、索引、检索和排序——并指出整个问题本质上是一个十亿对十亿的匹配问题：数千亿个页面，数千亿次查询，唯一的工作就是在这两者之间做匹配。

合成数据是一种随计算规模扩展的通用方法吗？Rich Sutton的回答是立即的。其推理基于大世界假说（Big World Hypothesis），Khurram Javed将其写成了一篇论文：世界包含无限多需要学习的事物，因此你可以永远生成数据集，但总会有更多——而人类始终决定什么值得生成。 #ai #syntheticdata #machinelearning #llm

Parag Agrawal（前Twitter CEO，现Parallel Web Systems创始人）谈公司建立的唯一赌注：智能体搜索和浏览网络的频率将比人类高出1000倍——这意味着需要重新设计其底层的技术和商业模式。 #ai #internet

Parag Agrawal正在下一个与二十年网络搜索背道而驰的赌注：智能体查询网络的次数将比人类多一千倍，而围绕人类点击构建的基础设施对它们来说是错误的。这位前Twitter CEO、现Parallel Web Systems创始人兼CEO解释了为什么Parallel将人类点击数据视为错误，转而使用智能体反馈进行训练。他阐述了反直觉的选择——在搜索引擎之前先推出搜索智能体，逐步构建索引，以及新的Turbo产品如何将智能体搜索缩短至200毫秒。但Parag反复回到的问题是经济层面的：当智能体取代人类出现时，广告支持的互联网就会崩溃。他的解决方案借鉴了Shapley值，根据页面为智能体提供的价值向内容所有者付费，他预测，在12到24个月内，出版商将获得真金白银。 由红杉资本的Sonya Huang和Andrew Reed主持

当今的系统将技能放在权重中，将个性化放在上下文中。Khurram Javed的反驳来自神经学：失去本体感觉的人完全无法行走，然后仅凭视觉在两三年内重新学会走路。二十年的基石，被重写。这就是我们的模型所不具备的能力。

Rich Sutton 是强化学习的先驱之一，也是AI领域开创性文章《苦涩的教训》的作者。如今，他与前学生 Khurram Javed 共同创立了 Oak Lab。他们的目标是：构建能够从自身经验中持续学习、而非依赖人类指导的智能体。Rich 并不认为自己的观点激进：“我并不奇怪。奇怪的是这个领域。”他说所有学习都是持续性的，而领域本身才需要为这种学习起一个新名字。Rich 和 Khurram 认为合成数据是“一个大错误”。他们的“大世界假说”指出，世界远比任何智能体或模拟器复杂得多，因此近似必须持续更新，而非在部署时冻结。Rich 称 LLMs 是意料之外的科学突破，但认为它们只代表了大约四分之一的智能。他说灾难性遗忘“完全可以治愈”，其背后的理念正是他们的持续反向传播算法。Khurram 解释了为什么前沿实验室无法跟进：它们陷入了局部最小值，新范式在变好之前会先变差。他们的目标是在五到十年内，构建一个拥有万亿参数、持续学习、保持连贯且仅需20瓦功耗的思维。 主持人：Sonya Huang 和 Alfred Lin，红杉资本 00:00 引言 02:10 AI寒冬、癌症诊断与迁往阿尔伯塔 07:07 撰写《苦涩的教训》——以及26字版本 09:53 LLMs是正面还是反面例子？ 11:03 合成数据“只是一个大错误”——以及大世界假说 18:01 AlphaGo、人类先验，以及为何先验知识与学习应成为朋友 22:37 “它们的权重从未改变”——LLM助手真的在学习吗？ 26:09 婴儿、松鼠，以及为何没有动物通过监督学习来学习 32:02 火箭、想象力，以及范式转变的来源 36:42 阿尔伯塔计划及其12个步骤 38:53 灾难性遗忘——以及治愈方法 43:43 Oak的最大雄心：一个自我维持的思维 47:56 为何大型实验室陷入局部最小值 49:13 如果一切顺利——LLMs、多个思维与招聘

如今的人工智能模型越来越智能，但每次对话感觉都像是它们第一天上班。Trajectory 联合创始人 Arjun Karanam 称这种情况为"经验鸿沟"：模型在智商上不断进步，但在经验方面却没有提升。持续学习旨在缩小这一差距，将那些被丢弃的、数以万亿计的代理交互令牌转化为信号，使代理每次使用都变得更好。 在红杉资本举办的"Own Your Intelligence"活动中，Arjun 为希望实现这一目标的企业提出了四个目标：完全可追溯性（包括子代理以及编辑、重试等纠正行为）、基于真实生产流量的评估、能让代理自主编排而非限制它们的"工具链"，以及习惯在开放权重上运行。他还讨论了哪些内容应该训练到模型中，哪些应该留给工具链，以及如何在不使用客户数据的情况下从交互中学习。 00:00 引言 00:12 构建持续学习平台 01:33 经验鸿沟：模型有智商但没有资历 02:52 可追溯性 → 模型规范 → 更好的模型和工具链 05:27 对代理生态系统的四个期望 06:34 期望1：追踪完整树结构——并捕捉修正行为 08:03 期望2：基于真实流量的评估，在真实工具链中评分 09:26 期望3：让代理自由发挥，并使工具响应信息丰富 10:34 期望4：习惯在开放权重上运行，尝试使用路由器 11:51 为什么"拥有你的智能"不应被外包给咨询 13:15 演示：导入基准、训练模型、部署 14:28 问答：可训练的对象是什么——权重、工具链还是上下文？ 16:08 问答：在不使用客户数据的情况下进行持续学习 17:13 问答：情景记忆与反馈层级 19:37 问答：持续学习最关键的领域

智能体（Agent）是一个编排模型和上下文的 harness。如果你想拥有自己的智能，你可能需要同时拥有这三者。LangChain 联合创始人兼 CEO Harrison Chase 聚焦于 harness：这个循环在正确的时间将正确的上下文提供给模型，以及如何通过中间件、钩子和子智能体来定制它。 在 Sequoia Capital 的 Own Your IntelligenceI 活动中，Harrison 解释了何时现成的 harness 就足够了，何时需要构建自己的 harness（你的任务越偏离分布，你就越需要定制），以及为什么即使是自定义 harness 也应该将分布内的部分（如文件编辑）保持接近每个模型的训练方式。他还涵盖了构建基准测试、为什么可观测性在调试智能体时被低估，以及将生产轨迹转化为 harness、模型和上下文改进的数据飞轮。 00:00 引言 00:58 智能体的三个部分：harness、模型、上下文 02:12 harness 实际做什么 03:25 使用中间件定制核心循环 04:41 沙箱、文件系统、子智能体、摘要 05:47 认知架构——以及何时仍然需要它们 07:03 构建自己的 harness 还是使用现成的？ 08:24 分布内与分布外：文件编辑示例 09:39 为什么评估（evals）定义了一个组织中“好”的含义 11:04 Harbor：一个评估任务实际的样子 12:11 在准确性、延迟和成本方面比较 harness 和模型 13:20 为什么可观测性被低估——通常问题在于上下文 14:34 数据飞轮：轨迹 → 筛选 → 实验 15:42 通过 UX 设计和在线评估者获取反馈 16:51 演示：LangSmith Engine 19:23 问答：在 Engine 上运行 Engine，以及“codex 化” 20:44 问答：harness 会趋同还是分化？

RL环境已成为AI训练数据中最热门的话题。但它们到底是什么？在Sequoia Capital的Own Your Intelligence活动中，Mercor首席执行官Brendan Foody分解了三个组成部分：世界（真实项目中的消息、文档和文件）、应用（Salesforce和Google Workspace等工具的高保真克隆）以及任务（提示与基于量规的验证器配对）。他详细介绍了与顶级律所律师共同构建的真实法律环境，并分享了训练后的结果，显示了在适度计算下领域特定任务的显著提升。 Brendan还涵盖了为什么人类在衡量前沿方面仍然不可或缺，Mercor如何为数据定价，从众包标注到专家构建环境的转变，以及下一步：超长期任务和虚拟同事。他认为，曾经仅限于前沿实验室的技术现在正在进入应用公司，而他们构建的数据集正在成为其护城河。 00:00 引言 00:47 数据市场简史：从众包到代理数据 02:29 RL环境是什么：世界、应用、任务 03:57 为什么只有人类能衡量前沿 05:35 构建验证器是难点 06:44 详解：一个真实的法律RL环境 08:18 排行榜——以及开放权重改变了什么 09:45 Apex Agents的训练后结果 11:17 公司购买数据的三种方式 12:49 Q&A: 如何为数据定价？ 14:17 Q&A: “数据质量”到底意味着什么 16:42 Q&A: 对合成数据的误解 18:17 Q&A: 为什么现在讨论RL环境——接下来是什么 21:20 Q&A: 能否用模型扩展量规生成？ 23:00 Q&A: 用于网络防御的RL环境 25:33 Q&A: 内部构建数据还是合作？

公司何时应从提示工程转向后训练自有模型？Fireworks AI 联合创始人兼首席执行官林乔在红杉资本的“掌握你的智能”活动中详细阐述了完整的演进路径：从提示工程和 RAG（检索增强生成），到监督微调、偏好微调、强化学习以及蒸馏。她还解释了每种技术解决的是哪种问题。 林乔还指出了团队在此过程中常遇到的陷阱：优先考虑数据数量而非质量、依赖直觉而非系统化评估、糟糕的强化学习环境以及奖励黑客行为。她分享了像 Cursor 这样的公司如何利用后训练达到前沿水平，并说明了启动后训练的合适时机是在产品与市场匹配之后，此时生产数据成为你的燃料，拥有自己的技术栈可将服务成本降低 5 到 10 倍。 00:00 引言 00:37 火眼金睛观察数千个 AI 应用 02:47 现成 API 与保持品味的问题 03:58 “掌握你的智能”的真正含义 05:43 演进路径：提示工程 → RAG → SFT → 偏好微调 → 强化学习 07:20 为何这与人类学习方式相似 09:03 将技术与实际面临的问题相匹配 10:46 团队卡壳之处：数据质量与直觉评估 12:28 奖励黑客：那个写了零行代码的模型 13:59 训练到服务的一致性（以及质量为何悄然下降） 15:55 医疗与安全领域的后训练 17:31 从编码到所有协同工作领域 19:35 现有企业、成本负担与避免在扩展中破产 21:26 你想要多少控制权？ 23:24 问答：什么是好的奖励信号 25:00 问答：何时开始考虑后训练

一家应用公司如何与拥有更多资金、人才、算力和数据的顶尖实验室竞争？在红杉资本的“掌握你的智能”活动中，哈维联合创始人兼总裁加布·佩雷拉分享了策略：利用前沿生态系统，而不是一切自建。 加布讲述了哈维如何建立其研究实验室，从LegalAgentBench等基准测试及其开源尽职调查数据集开始，利用领域专家指导合成数据生成，与多家新实验室合作进行后训练，并构建服务和评估基础设施，以自信地将模型投入生产。他解释了为什么开源权重模型首次使得后训练变得值得，以及为什么每家公司最终都需要这个策略的某种版本。 00:00 引言 00:37 在预算内建立研究实验室 02:28 法律代理基准、合同和尽职调查数据集 03:57 领域专家指导合成数据生成 05:23 哈维为何开源其数据集 06:55 与新实验室合作——以及为什么不止一个 08:20 内部后训练：构建“助理1号” 09:44 模型服务矩阵：60个国家、备用方案、服务等级协议 11:05 决定什么留在生产中 12:29 简单的开源切换和模型路由 13:55 点球成金：“如果我们在这个预算下获胜，我们就改变了游戏规则” 14:53 问答：使用敏感数据进行训练 17:16 问答：争夺研究人才 18:46 问答：设计真正挑战前沿模型的评分标准 20:19 问答：流程中的瓶颈——数据、研究还是基础设施 22:59 问答：开源基准测试中的张力 25:02 问答：最大的未解决问题 27:10 问答：与横向产品竞争

红杉资本合伙人Sonya Huang在我们的Own Your Intelligence活动上开场，阐述了为什么越来越多的公司选择拥有自己的智能，甚至深入到权重层面。她指出了推动这一转变的四大力量：成本、速度、性能，以及掌控自己的命运，并解释了为什么应用层的竞赛正在变成智能层本身的竞赛。 Sonya分享了一个观点鲜明的框架，帮助你在构建AI技术栈时决定哪些该自建、哪些该租用，以及另一个关于如何从零到一启动的框架。她认为，如今开放权重模型已接近前沿水平，拥有自己的技术栈不再意味着性能上的牺牲，反而可能成为你的性能优势。 00:00 什么是主权AI（以及它不是什么） 01:24 集中式与去中心化智能 02:54 公司自建模型的四个原因：成本、速度、性能、命运 04:22 “不是你的权重，就不是你的产品” 05:32 应用公司是最新的neo实验室 07:05 第一步：决定自建还是租用 09:51 第二步：组建团队（不要硬塞你的平台团队） 11:17 第三步：可读性——为什么你的研究必须可见 12:33 第四步：技术路线图 13:56 技术栈：生产环境与开发环境 15:16 打开潘多拉魔盒——基础模型、工具链、上下文

大多数人把生物学视为一种定制化的、混乱的科学。Chai Discovery的联合创始人Josh Meier和Matt McPartlon则将其视为一个工程问题。他们提出，药物设计遵循“苦涩的教训”：扩展数据、模型和算力，模型就能学到手工构建的流水线根本无法捕捉的东西。结果是具体的：Chai-2将从头抗体设计的命中率从低于0.1%提升到16%，把大海捞针式的搜索变成了更像是为锁配钥匙的过程。Josh提出了一个反直觉的观点：生物学比代码更容易验证，并解释了为什么目标应该是更多的实验室实验，而不是更少。他们的赌注是：一套设计套件，将药物发现从九个月缩短到九天，并且为制药行业提供武器，而不是与之竞争。 主持：Pat Grady和Sonali Singh，红杉资本 00:00 引言 01:52 从发现到设计 03:25 蛋白质AI突破时间线 06:04 为什么在2024年开始 10:13 扩散模型直觉 11:41 组建复仇者联盟团队 15:22 命中率与扩展定律 25:01 分子CAD愿景 25:24 更快的设计循环 26:32 未来的药物发现 28:37 平台商业模式 31:14 合作现实检验 33:44 数据飞轮解析 37:16 在规模化中保持领先 39:44 文化与下一步

Jerry Tworek，Core Automation联合创始人、OpenAI前副总裁，探讨AI研究中一个未被言明的假设：先在小规模验证架构，然后赢得算力进行扩展。但强化学习在达到一定算力阈值前几乎没有表现出有趣的东西——如果这对强化学习成立，那么其他架构可能在被给予足够算力展示能力之前就被否定了。

Core Automation联合创始人、前OpenAI副总裁Jerry Tworek探讨：打造全球自动化程度最高的AI实验室的真正含义——并非将人类排除在循环之外，而是赋予每位研究者最大自主权。 步行能走一段路。自行车能走更远。汽车则能走得更远。如今，研究本身也是如此。 #shorts #研究 #人工智能 #创始人 #强化学习

Jerry Tworek曾在OpenAI主导推理研究，坚信扩展强化学习是通往AGI的路径。Rohan Anil曾共同领导Gemini预训练并开发了Shampoo优化器。如今他们联手创立Core Automation，秉持一个反主流观点：Transformer已发挥到极致，制约智能系统发展的瓶颈不再是规模，而是架构本身。缺失的能力是持续学习——模型在测试时自适应调整的能力，而Transformer无法实现。上下文学习很快达到上限（Codex约20分钟后就需要压缩），微调则容易引发灾难性遗忘。Rohan认为预训练和强化学习应实现端到端优化，且Transformer的计算效率低下。他们阐述了为何大型实验室在陷入编码智能体竞赛时不会追求替代方案，以及为何构建全球最自动化实验室要从自动化内核生成开始——这是前沿模型仍逊色于高品味人类的领域。 主持人：Sonya Huang与Pat Grady，红杉资本 00:00 引言 01:46 对Transformer的赞赏 02:44 规模触及极限 04:54 架构为何重要 05:32 强化学习的现实检验 07:32 测试时学习 09:52 规模化的经济学 12:47 为何创立公司 14:24 Rohan谈Transformer 19:11 计算深度问题 20:32 Transformer的瓶颈 23:22 超越强化学习 26:41 优化与效率 34:24 构建自动化实验室 39:45 内核自动化路线图

我完全误解了Kareem Amin。当Clay首次进入我的视野时，我以为他太放松了：没有愤怒，不是我想象中那种渴望成功的创始人。但此后Clay大放异彩。 Kareem建立在他所谓的“完整之处”而非缺失之上——无需证明什么，没有要击败的敌人。这让他听起来像个哲学家，但底层的经营直觉极为敏锐。他花了大约五年时间摸索，直到Clay启动，他的结论是：创业的难点不在于努力工作——而在于有勇气专注于一个想法，不再听从其他所有人的意见，包括客户。他颠覆了市场中的每一个假设：向技术型“面向市场的工程师”销售，按使用量收费而非按席位，选择功能强大而非简单。 我们以相反的方式创造了品类。我通过一本书、一场会议和无休止的内容推广“入站营销”。Kareem创造了“面向市场工程”这个词，但拒绝居功，让代理机构拥有它，因为一个品类必须比你更宏大。我们还探讨了他的CEO“动量侦探”理论，为什么他要取消定期的单独会面，以及为什么道歉是他最锋利的工具之一。经营公司没有单一方法。Kareem就是我的证明。 00:00 介绍 01:35 竞争热情与驱动力 03:06 从完整之处构建 06:42 活在当下 09:31 反传统的创始人风格 14:40 五年的荒原期 27:35 命名GTM工程 35:49 赢得内容之战 36:10 命名品类 37:27 建立代理渠道 40:19 定价反弹应对策略 43:15 动量侦探CEO 52:32 信任与艰难决策 01:03:49 挑明房间里的大象 01:06:41 结语

并非每个人都需要相同的Token。Factory的Matan Grinberg探讨了如何将工作路由到前沿模型、Gemini Flash和微调的COBOL模型之间——并使用自然语言编写的策略。

如果明天所有人都生病了，编码代理的使用率将降至接近零。Factory的Matan Grinberg探讨了从副驾驶模式向代理原生软件开发的转变。

Factory在2023年4月就开始构建完全自主的编码代理，比企业准备好早了两年。Matan Grinberg现在表示，这几乎等同于犯错。Factory的联合创始人兼CEO解释了公司如何度过“沙漠中的旅程”，包括当产品无法让开发者痴迷时，决定将近全部收入返还给客户。Matan提出了一个反主流的技术观点：一个与模型无关的框架优于OpenAI和Anthropic等实验室偏好的模型与框架共同设计，因为暴露框架给多个模型可以防止其过度拟合单个模型。他认为像GLM这样的开放权重模型将以一小部分成本保持落后前沿一代，从而捕获大部分代币，并且CIO们很快将像证明人头支出一样证明每一个增量代币的合理性。展望未来，他预测90%的编码代币将以异步方式运行——即“暗工厂”，软件在那里自我构建。 由红杉资本的Sonya Huang和Pat Grady主持 00:00 引言 01:37 企业锁定担忧 04:26 无锁定承诺 05:24 早两年 07:24 退款营收 13:49 Droid CLI突破 16:44 框架前沿策略 26:42 自然语言路由 27:32 开放模型追赶 29:26 代币份额预测 31:02 自动化低杠杆工作 32:36 超越代币的定价 35:56 软件工厂愿景 43:43 AI变革剧本 46:13 异步代理与乐观

Anthropic的Angela Jiang解析了Claude背后的抽象层：知识（回答问题）、执行（通过Claude托管代理完成实际工作）和协调——即“策略”，一个元框架，其中代币承担不同任务。有些提供建议，有些执行操作，有些进行构想。而路线图只会向上移动。

Katelyn Lesse 和 Angela Jiang 领导着构建 Anthropic 开发者平台的团队——这个平台既是外部开发者运行的基础，也是 Anthropic 自身产品所依赖的层。Angela 将平台描述为三层堆栈：知识、执行和协调。她认为真正的杠杆作用在于顶层：“策略”，即元框架，赋予每个 token 不同的任务，从建议到执行，再到反思和记忆。关于开放生态系统与围墙花园的问题，她们表示并不执着于拥有整个堆栈。Katelyn 提到了 Anthropic 与 Modal、Vercel 和 Cloudflare 等合作伙伴共同提供的自托管沙盒。无论工作是在 Anthropic 的基础设施上运行，还是在其他人的基础设施上运行，对她们来说真正重要的是架构的合理性。更深层的赌注在于标准：她们将技能和 MCP 提供给整个行业，基于 MCP 规范构建连接器，并帮助智能体（Claude 和非 Claude）协同工作。她们唯一保持封闭的领域是模型路由：她们认为框架应该针对特定模型系列进行调优，因此她们为 Claude 设计，而不是跨模型路由。Angela 对生态系统赌注的比喻是电力：之所以具有变革性，是因为每个人都能接入，而没有一家公司能独自完成布线。 由红杉资本的 Sonya Huang 和 Lauren Reeder 主持 00:00 引言 01:49 两个北极星 02:27 外部构建者与原始组件 03:54 哪些部分需要外部化 06:00 从消息到智能体 08:19 托管智能体的采用 09:07 三层蛋糕 10:22 执行框架解析 11:09 协调策略路线图 12:13 生态系统标准与安全 15:39 开放生态系统而非围墙 17:12 垂直产品与形态因素 22:26 Claude 标签的内部机制 26:04 框架最佳实践 38:13 Token 成本与未来展望