畅想2026：第一部分

神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。

编者按：2026年，屏幕时长已死，记录系统退位。当AI开始为AI设计基建，商业的终极护城河正从流量转向协作与个性化。此为系列文章的第一部分，文章来自编译。

作为投资人，我们的职责是深入研究科技行业的每一个角落，洞察未来的发展趋势。因此，每年12月，我们都会邀请投资团队分享一个他们认为科技开发者在未来一年将全力攻克的重大课题。

今天，我们将分享来自基础设施（Infrastructure）、增长（Growth）、生物与健康（Bio + Health）以及 Speedrun 团队的见解。其他团队的观点将于后续发布，敬请期待。

基础设施

Jennifer Li：创业公司治理多模态数据的混乱

非结构化、多模态数据一直是企业面临的最大瓶颈，也是其尚未挖掘的最大宝藏。每家公司都淹没在 PDF、屏幕截图、视频、日志、电子邮件和半结构化的“泥潭”中。尽管模型变得越来越聪明，但输入数据却变得越来越杂乱，这导致 RAG（检索增强生成）系统产生幻觉，智能体以微妙且代价高昂的方式出现故障，而关键工作流依然严重依赖人工质检（QA）。目前，限制 AI 公司的因素是“数据熵”：在容纳了 80% 企业知识的非结构化世界里，数据的实时性、结构化程度和真实性正在不断退化。

这就是为什么梳理非结构化数据会成为一个时代性的机遇。企业需要一种持续的方法来清洗、结构化、验证和管理其多模态数据，以便下游的 AI 任务能够真正落地。应用场景无处不在：合同分析、入职流程、理赔处理、合规检查、客户支持、采购管理、工程搜索、销售赋能、分析流水线，以及每一个依赖可靠上下文的智能体工作流。如果创业公司能够打造出从文档、图像和视频中提取结构化信息、调和冲突、修复流水线，或保持数据实时且可检索的平台，他们就掌握了开启企业知识与流程宝库的钥匙。

Joel de la Garza：AI 重塑网络安全招聘

在过去十年的大部分时间里，首席信息安全官（CISO）面临的最大挑战就是招聘。从 2013 年到 2021 年，网络安全职位的空缺数量从不足 100 万增加到了 300 万。这是因为安全团队雇佣了高技能的技术人员，却让他们整天处理令人心力交瘁的一线基础工作（如查看日志），而没有人愿意干这种活。问题的核心在于，安全团队购买了能够检测一切的产品，从而人为制造了繁重的工作——这意味着团队必须审查每一项警报，进而导致了虚假的人力短缺。这是一个恶性循环。

到 2026 年，AI 将通过为安全团队自动化处理大部分重复冗余的工作，打破这一循环并填补招聘缺口。任何在大型安全团队工作过的人都知道，一半的工作完全可以通过自动化解决，但当你深陷繁杂事务时，根本无法抽出精力去思考该自动化哪些环节。为安全团队理清这些问题的 AI 原生工具，将最终把他们从琐事中解脱出来，去做他们真正想做的事：追踪坏人、构建新系统以及修复漏洞。

Malika Aubakirova：智能体原生基础设施成为准入门槛

到 2026 年，最大的基础设施冲击将不再来自外部公司，而是源于内部。我们正在从可预测、低并发的“人类速度”流量，转向具有递归性、突发性且规模巨大的“智能体速度”负载。

当今的企业后端是为“一个人类操作对应一个系统响应”的 1:1 比例设计的。它并没有考虑到一个智能体的“目标”会在几毫秒内触发 5000 个子任务、数据库查询和内部 API 调用的递归式扇出。当一个智能体尝试重构代码库或修复安全日志时，它的行为完全不像普通用户。对于传统的数据库或限流器来说，这看起来更像是一场 DDoS 攻击。

在 2026 年为智能体构建系统，意味着需要重构控制平面。我们将见证“智能体原生”基础设施的兴起。下一代系统必须将“惊群效应”模式视为默认状态。冷启动时间必须缩短，延迟波动必须消除，并发限制必须实现数量级的提升。瓶颈将转向协调：在大规模并行执行中进行路由、加锁、状态管理和策略执行。获胜的平台将是唯一能从随之而来的工具执行洪流中幸存下来的平台。

Justine Moore：创作工具走向多模态

我们现在已经拥有了用 AI 讲故事的基石：生成式语音、音乐、图像和视频。但除了生成单次片段之外，想要获得理想的输出往往既费时又令人沮丧，甚至几乎不可能实现——尤其是当你想要达到传统导演那种级别的控制力时。

为什么我们不能给模型一段 30 秒的视频，并要求它根据参考图片和声音，加入一个新角色来延续剧情？或者重拍一段片段，让我们从不同的角度观看场景，或者让动作与参考视频匹配？

2026 年将是 AI 迈向多模态的一年。你可以向模型提供任何形式的参考内容，并与之协作创作新作品或编辑现有场景。我们已经看到了一些早期产品，如可灵（Kling）O1 和 Runway Aleph。但仍有许多工作要做，我们需要在模型层和应用层同时进行创新。

内容创作是 AI 的杀手级应用场景之一。我预见，针对从迷因（Meme）创作者到好莱坞导演等不同用户群体和应用场景，将会涌现出多个成功的产品。

Jason Cui：AI 原生数据栈持续演进

在过去一年里，我们看到了“现代数据栈”的大量整合，数据公司正从摄取、转换和计算的专业分工，转向捆绑化的统一平台。比方说：Fivetran 与 dbt 的合并，以及 Databricks 等统一平台的持续崛起。

虽然生态系统感觉已经显著成熟，但我们仍处于真正的 AI 原生数据架构的早期阶段。令我们感到兴奋的是，AI 将继续变革数据栈的多个部分，我们也开始看到数据与 AI 基础设施正变得密不可分。

我们关注的几个方向包括：

• 数据将如何与传统的结构化数据并行，持续流入高性能的向量数据库；

• AI 智能体如何解决“上下文问题”：通过持续访问正确的数据上下文和语义层，构建鲁棒的应用（比方说“数据对话”），确保在多个记录系统中始终拥有正确的业务定义；

• 随着数据工作流变得更加智能化和自动化，传统的商业智能（BI）工具和电子表格将如何发生变革。

Yoko Li：步入视频内部的一年

到 2026 年，视频将不再只是我们被动观看的内容，而更像是一个我们可以真正步入的空间。视频模型终于能够理解时间，记住已经展示过的内容，并在我们操作时做出反应，保持一种类似于物理世界的内在一致性。这些系统不再只是生成几秒钟断断续续的图像，而是能够长时间维持角色、物体和物理法则，使得动作产生意义，结果得以呈现。这种转变将视频变成了一种可供开发的媒介：机器人可以在其中训练，游戏可以在其中演进，设计师可以制作原型，智能体可以通过实践进行学习。由此产生的不再仅仅是一段片段，而更像是一个鲜活的环境，开始弥合感知与行动之间的鸿沟。我们将首次感到，自己可以“居住”在生成的视频中。

增长

Sarah Wang：记录系统失去主导地位

2026 年，企业软件真正的颠覆在于“记录系统”（System of Record）将最终失去其核心地位。AI 正在缩短意图与执行之间的距离：模型现在可以直接跨业务数据进行读取、编写和推理，将 ITSM（IT 服务管理）和 CRM（客户关系管理）系统从被动数据库转变为自主工作流引擎。随着推理模型和智能体工作流领域的近期进展不断叠加，这些系统不仅能够做出响应，还能预测、协调并执行端到端的流程。界面将演变为动态的智能体层，而传统的记录系统则退化为后台的通用持久化存储层——其战略杠杆作用将让位于那些控制员工实际使用的智能执行环境的一方。

Alex Immerman：垂直 AI 从信息检索和推理演进为“多人协作”模式

AI 推动了垂直行业软件以前所未有的速度增长。医疗、法律和房产领域的公司在短短几年内年度经常性收入（ARR）就突破了 1 亿美元；金融和会计领域也紧随其后。这种演进起初是信息检索：查找、提取和总结正确的信息。2025 年带来了推理能力：Hebbia 开始分析财务报表并建模，Basis 跨系统核对试算平衡表，EliseAI 诊断维修问题并派遣合适的供应商。

2026 年将开启“多人协作”模式。垂直软件受益于特定领域的界面、数据和集成。但垂直行业的工作本质上是多方参与的。如果智能体要做劳动力的代表的话，就必须开展协作。从买方、卖方到租客、顾问和供应商，每一方都有独特的权限、工作流和合规要求，而这些只有垂直软件才能理解。

但现在，各方都是孤立地使用 AI，这导致了缺乏权威性的工作交接。分析采购协议的 AI 不会为了调整模型而与首席财务官（CFO）沟通；负责维修的 AI 也不知道现场工作人员向租客许下了什么承诺。多人协作模式将通过在利益相关者之间进行协调来改变现状：路由至职能专家、维持上下文一致、同步变更。对方的 AI 将在参数范围内进行谈判，并将信息不对称处标出供人工审核。资深合伙人的批注将训练整家公司的系统。由 AI 执行的任务会有更高的成功率。

当价值通过多人与多智能体的协作而提升时，切换成本也会随之增加。届时我们将看到 AI 应用一直以来缺失的网络效应：协作层将成为企业的护城河。

Stephenie Zhang：为智能体创作，而非人类

到 2026 年，人们将开始通过自己的智能体与网络交互。过去对人类消费重要的东西，对智能体消费来说可能不再以同样的方式发挥作用。

多年来，我们一直针对可预测的人类行为进行优化：在谷歌排名靠前，出现在亚马逊搜索结果的前几名，或者以“太长不看”（TL;DR）作为开头。我在高中上新闻课时，老师教我们新闻要写 5W+H，特写要以吸引眼球的“钩子”开头。人类可能会错过埋在第五页的深度相关且富有见地的陈述，但智能体不会。

这种转变也同样体现在软件上。App 曾是为人类的眼睛和点击设计的，优化意味着精美的 UI 和直观的流程。随着智能体接管检索和解读，视觉设计对于理解的重要性将降低。不再需要工程师盯着 Grafana 仪表盘，AI 运维工程师（SRE）可以解读遥测数据并在 Slack 中发布洞察。不再需要销售团队翻阅 CRM，智能体可以自动呈现模式和总结。

我们不再是为人类设计，而是为智能体设计。新的优化方向不再是视觉层级，而是“机器可读性”——这将改变我们的创作方式以及我们使用的创作工具。

Santiago Rodriguez：AI 应用告别“屏幕使用时长”KPI

在过去的 15 年里，屏幕使用时长一直是衡量消费级和企业级应用价值产出的最佳指标。我们一直生活在一个以 Netflix 流媒体时长、医疗电子病历（EHR）系统的点击量（以证明有效使用），甚至是 ChatGPT 使用时间作为关键绩效指标（KPI）的范式中。随着我们迈向基于结果定价（这种模式完美地对齐了供应商和用户之间的激励机制）的未来，我们将首先抛弃屏幕时长报告。

我们已经看到了相关的实践。当我使用 ChatGPT 进行深度搜索（DeepResearch）查询时，尽管几乎没有占用屏幕时长，但我却获得了巨大的价值。当 Abridge 神奇地捕捉医患对话并自动化下游活动时，医生几乎不需要看屏幕。当 Cursor 端到端地开发整个应用时，工程师已经在规划下一个功能开发周期。而当 Hebbia 根据数百份公开文件起草融资演示文稿时，投资银行家正在享受久违的睡眠。

这提出了一个独特的挑战：一个应用向每位用户收取多少费用，需要一种更复杂的投资回报率（ROI）衡量方法。医生的满意度、开发者的生产力、金融分析师的身心健康以及消费者的幸福感，都会随着 AI 应用的使用而提升。那些能够以最简洁的方式讲述 ROI 故事的公司，将继续领先于竞争对手。

生物与健康

Julie Yoo：健康的月活跃用户（MAUs）

到 2026 年，一个新的医疗健康客户群体将走上舞台中心：“健康的月活跃用户”（Healthy MAUs）。

传统的医疗系统主要服务于三个用户群体：(a) “生病的月活用户（Sick MAUs）”：具有突发性、高成本需求的人群；(b) “生病的日活用户（Sick DAUs）”：比方说接受重症监护或长期照护的人群；(c) “健康的年活用户（Healthy YAUs）”：很少看医生的相对健康人群。健康的年活用户存在转变为生病的月活或日活用户的风险，而预防性护理可以减缓这一转变。但我们那套基于“反应式治疗”的医保报销系统奖励的是治疗而非预防，因此主动检查和监测服务的优先级并不高，保险也极少涵盖这些项目。

“健康的月活跃用户”登场了：他们没有生病，但希望定期监测并了解自己的健康状况，这群人代表了消费群体中潜力最大的一部分。我们预见将会涌现出一批公司——既包括 AI 原生的初创企业，也包括经过转型的老牌机构——开始提供循环服务来满足这一用户群体的需求。

随着 AI 有潜力降低护理服务的成本结构，专注于预防的新型医疗保险产品的出现，以及消费者越来越习惯于自费购买订阅式服务，“健康的月活跃用户”将成为医疗科技领域下一个极具潜力的客户群体：他们持续参与、数据驱动且导向预防。

Speedrun

Jon Lai：世界模型在叙事中大放异彩

到 2026 年，AI 驱动的世界模型将通过交互式虚拟世界和数字经济彻底改变叙事方式。像 Marble (World Labs) 和 Genie 3 (DeepMind) 这样的技术已经可以根据文本提示生成完整的 3D 环境，让用户像玩游戏一样进行探索。随着创作者采用这些工具，全新的叙事格式将会出现，最终可能演变为“生成式《我的世界》（Minecraft）”，玩家在其中共同创造庞大且不断进化的宇宙。这些世界可以将游戏机制与自然语言编程融合在一起，比方说下达指令：“创建一个画笔，把我触碰到的任何东西都变成粉色。”

此类模型将模糊玩家与创作者之间的界限，将用户转化为动态共享现实的共同作者。这一演进可能会催生互联的“生成式多元宇宙”，奇幻、恐怖、冒险等不同流派可以并存其中。在这些世界里，随着创作者通过制作资产、引导新人或开发新的交互工具来获取收入，数字经济将蓬勃发展。除了娱乐，这些生成式世界还将作为丰富的模拟环境，用于训练 AI 智能体、机器人，甚至可能是通用人工智能（AGI）。因此，世界模型的兴起不仅标志着一种新的游戏类型，更预示着一个全新的创意媒介和经济前沿。

Josh Lu：“自我之年”

2026 年将成为“自我之年”：从这一刻起，产品不再是大规模量产的，而是为你量身定制的。

这种趋势已经随处可见。

在教育领域，像 Alphaschool 这样的初创公司正在构建 AI 导师，能够适应每位学生的进度和好奇心，让每个孩子都能获得与其节奏和偏好相匹配的教育。此前，如果没有为每个学生花费数万美元的家教费用，这种程度的关注是不可能实现的。

在健康领域，AI 正在根据你的生物特征设计每日补剂组合、健身计划和饮食习惯。不再需要私人教练或实验室。

甚至在媒体领域，AI 让创作者能够将新闻、节目和故事重新组合成个性化的信息流，精准匹配你的兴趣和偏好。

上个世纪最伟大的公司通过寻找“大众消费者”获胜。

下个世纪最伟大的公司将通过在大众中寻找“每一个个体”而获胜。

2026 年，世界将不再为所有人优化，而是开始为你优化。

Emily Bennett：首所 AI 原生大学

到 2026 年，我预见我们将见证首所 AI 原生大学的诞生，这是一所从零开始、完全围绕智能系统构建的机构。

在过去的几年里，大学已经涉足 AI 辅助评分、辅导和排课。但现在正在出现的是更深层次的东西——一个能够实时学习和自我优化的适应性学术有机体。

想象一下这样一个机构：课程、咨询、科研协作甚至建筑运营都根据数据反馈循环持续调整。课表会自动优化。阅读清单每晚更新，并随着新研究的出现而重写。学习路径实时切换，以满足每位学生的进度和背景。

我们已经看到了先兆。亚利桑那州立大学（ASU）与 OpenAI 的全校级合作在教学和行政领域催生了数百个 AI 驱动的项目。纽约州立大学（SUNY）现在将 AI 素养纳入通识教育要求。这些都是更基础性部署的基石。

在 AI 原生大学中，教授变成了学习的架构师，负责策划数据、调整模型，并教授学生如何质疑机器推理。

评估方式也会发生转变。检测工具和剽窃禁令将让位于“AI 感知评估”，根据学生如何使用 AI 而非是否使用 AI 来打分。透明度和巧妙的应用将取代简单的禁止。

随着各行各业都在努力招聘能够设计、管理和与 AI 系统协作的人才，这所新大学将成为人才基地，培养出精通“协同调度”的毕业生，为快速变化的劳动力市场提供支持。

这所 AI 原生大学将成为新经济的人才引擎。

译者：boxi。