AI 从工具变成环境：a16z 公布 2026 年四大关键趋势

作为投资者，我们的职责是深入了解科技行业的各个细节，以便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他们认为来年科技创业者将重点攻克的重大课题。

今天，我们分享来自基础设施、增长、生物与健康以及 Speedrun 团队的观点。敬请关注明天其他团队的精彩见解。

基础设施

Jennifer Li：初创企业驯服多模态数据混乱

非结构化、多模态数据一直是企业最大的瓶颈，也是尚未开发的巨大宝藏。每家公司都被 PDF、截图、视频、日志、邮件以及半结构化数据淹没。模型愈发智能，但输入却日益混乱，导致 RAG 系统产生幻觉、智能体出现隐蔽且昂贵的故障，关键流程依然高度依赖人工质检。如今，AI 企业的限制因素变成了数据熵：在非结构化数据宇宙中，信息的新鲜度、结构性和真实性不断衰减，而 80% 的企业知识正存于此。

因此，理清非结构化数据成为了时代机遇。企业亟需持续清洗、结构化、验证和治理多模态数据的方法，让 AI 下游负载真正发挥效用。应用场景遍布各处：合同分析、入职流程、理赔处理、合规支持、采购、工程搜索、销售赋能、分析管道，以及所有依赖可靠上下文的智能体工作流。能够从文档、图片、视频中提取结构，协调冲突、修复管道或保持数据新鲜可检索的平台型初创企业，将掌握企业知识与流程的核心钥匙。

Joel de la Garza：AI 重塑网络安全招聘

过去十年，CISO 面临的最大挑战就是招聘。从 2013 年到 2021 年，未填补的网络安全岗位数量从不到 100 万增长到 300 万。因为安全团队需要招募高技能技术人员进行枯燥的一级安全工作，如日志审核，而没人愿意做这些工作。问题在于，网络安全团队通过采购“全检测”产品制造了这种繁琐，导致团队必须审核所有内容，进而造成虚假的劳动力短缺，形成恶性循环。

到 2026 年，AI 将打破这一循环，通过自动化大量重复冗余工作，填补网络安全团队的招聘缺口。任何有大型安全团队工作经验的人都知道，一半的工作其实可以通过自动化轻松解决，但当你被工作淹没时，很难判断该自动化什么。AI 原生工具能为安全团队解决这一难题，最终让他们专注于真正想做的事：追查威胁、构建新系统、修复漏洞。

Malika Aubakirova：智能体原生基础设施成为标配

2026 年，最大的基础设施变革不会来自外部企业，而是源于内部。我们正从“人类速度”的可预测、低并发流量，转向“智能体速度”的递归、高爆发、大规模工作负载。

当今企业后端系统是为 1:1 的人类动作与系统响应而设计的，无法应对一个智能体“目标”在毫秒级内触发 5000 个子任务、数据库查询和内部 API 调用。当智能体尝试重构代码库或修复安全日志时，其行为与用户截然不同。对于传统数据库或限流器而言，这更像一次 DDoS 攻击。

2026 年，为智能体构建系统意味着重塑控制面。我们将见证“智能体原生”基础设施的崛起。下一代系统必须将“雷鸣般集群”模式视为默认状态。冷启动时间需缩短，延迟波动需消除，并发上限需提升数十倍。瓶颈转向协调能力：路由、锁定、状态管理与策略执行，需在大规模并行执行中实现。唯有能承受工具执行洪流的平台，才能最终胜出。

Justine Moore：创意工具多模态化

我们已经拥有用 AI 讲故事的基础能力：生成声音、音乐、图片和视频。但要制作超越一次性片段的内容，往往耗时费力甚至难以实现，尤其是想要接近传统导演所拥有的控制力时更是如此。

为什么不能向模型输入一个 30 秒视频，让其用参考图片和声音生成的新角色继续场景？或者重新拍摄片段，以不同视角呈现，或让动作与参考视频匹配？

2026 年将是 AI 多模态化的一年。无论你拥有何种参考内容，都可以交给模型，与其协作创造新作品或编辑现有场景。我们已看到 Kling O1 和 Runway Aleph 等早期产品，但还有许多创新空间——模型层与应用层都亟需突破。

内容创作是 AI 的杀手级应用之一，预计我们将在各类场景和客户群体中看到多款成功产品，无论是表情包创作者还是好莱坞导演。

Jason Cui：AI 原生数据栈持续进化

过去一年，“现代数据栈”领域经历了大量整合，数据公司从采集、转换、计算的专业化转向一体化平台。例如 Fivetran 与 dbt 合并，以及 Databricks 等统一平台的持续崛起。

虽然生态系统更成熟，我们仍处于真正 AI 原生数据架构的早期阶段。我们对 AI 持续赋能数据栈各环节充满期待，并逐步看到数据与 AI 基础设施日益紧密结合。

我们关注的方向包括：

• 数据将持续流入高性能向量数据库，与传统结构化数据并存
• AI 智能体如何解决“上下文问题”：持续获取正确的数据上下文和语义层，以构建强健应用，如与数据对话，确保多系统间始终拥有准确的业务定义
• 随着数据工作流变得更智能体化与自动化，传统 BI 工具和电子表格将如何变革

Yoko Li：我们步入视频内部的一年

2026 年，视频不再只是我们被动观看的内容，而是变成我们能够真正“进入”的场所。视频模型终于能够理解时间、记住已呈现内容、对我们的互动做出反应，并以我们期望的物理世界般的稳定性持续运作。这些系统不再只生成几秒钟的割裂画面，而是能维持角色、物体和物理规律足够长时间，让动作与结果得以展开。这一转变让视频成为可构建的平台：机器人能在其中练习，游戏得以进化，设计师可以原型开发，智能体通过实践学习。最终呈现的不再是片段，而是一个生动环境，开始弥合感知与行动的鸿沟。首次，我们仿佛能够真正“居住”在自己生成的视频中。

增长

Sarah Wang：记录系统失去主导地位

2026 年，企业软件领域真正的变革在于记录系统终于开始失去主导地位。AI 正在缩短意图与执行之间的距离：模型如今能够直接读取、写入并推理运营数据，将 ITSM 和 CRM 系统从被动数据库转变为自动化工作流引擎。随着推理模型和智能体工作流的持续进步，这些系统不仅能响应，还能预测、协调并端到端执行流程。界面变为动态智能体层，而传统记录系统则退居后台，成为通用存储层——其战略价值让位于掌控智能执行环境的企业。

Alex Immerman：垂直 AI 从信息检索与推理进化到多方协作

AI 推动垂直软件实现了前所未有的增长。医疗、法律和住房企业在短短几年内实现了 10000 万 + ARR，金融与会计领域亦紧随其后。最初的变革是信息检索：寻找、提取并总结关键信息。2025 年带来了推理能力：Hebbia 分析财报并建立模型，Basis 跨系统核对试算表，EliseAI 诊断维修问题并调度合适供应商。

2026 年将开启多方协作模式。垂直软件受益于领域专属界面、数据和集成，但垂直领域本质上是多方参与。如果智能体要代表劳动力，就必须协作。从买卖双方到租户、顾问和供应商，每一方都有独特的权限、流程和合规要求，只有垂直软件能够理解。

目前，各方都在孤立使用 AI，导致交接时缺乏权威。分析采购协议的 AI 不会与 CFO 沟通模型调整，维修 AI 也不了解现场人员对租户的承诺。多方协作通过协调各方利益相关者实现变革：路由到功能专家、保持上下文、同步变更。对手方 AI 在参数范围内协商，并将不对称情况标记供人工审核。高级合伙人的批注将训练整个系统，由 AI 完成的任务成功率更高。

当多方协作提升价值时，切换成本也随之增加。这里将出现 AI 应用长期缺失的网络效应：协作层成为护城河。

Stephenie Zhang：为智能体而非人为创造

2026 年，人们将开始通过智能体与网络互动。以往为人类设计的内容，在智能体时代将不再适用。

多年来，我们一直在为可预测的人类行为优化：提升 Google 排名、进入 Amazon 首页、用 TL;DR 开头。高中新闻课教我们新闻的 5W+H，以及特写报道的吸引点。也许人类会错过藏在第五页的深刻洞见，但智能体不会。

软件也在变革。应用曾为人眼和点击而设计，优化意味着优质 UI 和流畅流程。随着智能体接管检索与解读，视觉设计变得不再关键，理解能力转向机器可读性。工程师无需盯着 Grafana 仪表盘，AI SRE 会自动解读遥测数据并在 Slack 发布洞见。销售团队不用翻查 CRM，智能体会自动提炼模式与摘要。

我们不再为人类设计，而是为智能体设计。新的优化方向是机器可读性，这将彻底改变我们的创作方式和工具。

Santiago Rodriguez：AI 应用中屏幕时间 KPI 的终结

过去 15 年，屏幕时间一直是衡量消费类和商业应用价值交付的最佳指标。我们习惯于以 Netflix 观看时长、医疗 EHR 系统点击数（证明有效使用）或 chatGPT 使用时长作为关键绩效指标。随着未来向结果导向定价模式演进，厂商与用户激励完全一致，屏幕时间报告将率先退出舞台。

这一趋势已在实践中显现。当我在 ChatGPT 上运行 DeepResearch 查询时，几乎不花屏幕时间却获得巨大价值。Abridge 自动捕捉医患对话并自动处理后续事务，医生几乎不看屏幕。Cursor 端到端开发整个应用，工程师则在规划下个功能周期。Hebbia 从数百份公开文件中起草路演 PPT，投行分析师得以安心休息。

这带来独特挑战：每个应用每位用户能收取多少费用，需要更复杂的 ROI 衡量方法。医生满意度、开发者生产力、金融分析师福祉和消费者幸福感因 AI 应用而提升。能够用最简明 ROI 故事打动客户的公司，将持续领先。

生物与健康

Julie Yoo：健康 MAU 崛起

2026 年，医疗领域将迎来全新客户群体：“健康 MAU”。

传统医疗体系主要服务三类用户：(a)“病态 MAU”：需求高峰、成本高昂的人群；(b)“病态 DAU”：如重症、长期护理患者；(c)“健康 YAU”：极少看医生的健康个体。健康 YAU 有转变为病态 MAU/DAU 的风险，预防性护理可延缓这一过程。但现行医疗报销体系偏重治疗而非预防，主动检查与监测服务得不到优先保障，保险也几乎不予覆盖。

健康 MAU 应运而生：他们并非患病，但希望定期监测和了解自身健康，同时也是潜在最大消费群体。我们预计将有一批 AI 原生新兴企业和传统企业升级产品，为这一用户群提供定期服务。

随着 AI 降低医疗服务成本结构，专注预防的新型健康保险产品涌现，消费者更愿意自费订阅服务，“健康 MAU”将成为健康科技领域下一个高潜力客户群体——持续参与、数据驱动、以预防为导向。

Speedrun

Jon Lai：世界模型引领互动叙事新风潮

2026 年，AI 驱动的世界模型将通过互动虚拟世界和数字经济彻底变革叙事方式。Marble（World Labs）、Genie 3（DeepMind）等技术已能通过文本提示生成完整 3D 环境，用户可如同游戏般自由探索。随着创作者采用这些工具，崭新的叙事形式将涌现，最终或许会诞生“生成式 Minecraft”，玩家可共同创造庞大、不断演化的宇宙。这些世界将融合游戏机制与自然语言编程，例如“创建一支能将所触物体变为粉色的画笔”。

此类模型将模糊玩家与创作者的界限，使用户成为动态共享现实的共同作者。这一演进有望催生互联生成式多元宇宙，奇幻、恐怖、冒险等多种类型共存其中。创作者可通过制作资产、指导新手、开发互动工具等在数字经济中获益。除了娱乐，这些生成世界还将成为 AI 智能体、机器人甚至 AGI 的丰富仿真训练环境。世界模型的崛起不仅预示着新型游戏类别，更是全新创意媒介和经济前沿的到来。

Josh Lu：“我的一年”

2026 年将成为“我的一年”：产品不再面向大众批量生产，而是为你量身定制。

这一趋势已经随处可见。

在教育领域，Alphaschool 等初创企业正在打造 AI 导师，根据学生的节奏和兴趣调整教学，让每个孩子都能获得个性化教育。此前，这种关注度只有每位学生花费数万美元请家教才可实现。

在健康领域，AI 为你定制每日营养补充方案、锻炼计划和饮食习惯，无需教练或实验室。

媒体领域，AI 让创作者将新闻、节目和故事重混为个性化信息流，精准契合你的兴趣和风格。

上个世纪最成功的企业通过寻找“平均消费者”获胜。

下个世纪最成功的企业将通过发现“平均值中的个体”获胜。

2026 年，世界将不再为所有人优化，而是为你优化。

Emily Bennett：首所 AI 原生大学诞生

2026 年，我预计将看到首所 AI 原生大学的诞生——从零开始围绕智能系统构建的学府。

过去几年，大学已尝试 AI 赋能的评分、辅导和排课。但现在出现的是更深层次的变革——一个能实时学习和优化自身的自适应学术“有机体”。

想象一下这样一所学府：课程、咨询、科研协作乃至建筑运营都能根据数据反馈持续自我调整。课表自动优化，阅读清单每晚更新，随着新研究出现自动重写。学习路径实时适应每位学生的节奏和背景。

我们已看到前兆。ASU 与 OpenAI 的校园合作催生了数百个 AI 驱动的教学与管理项目。SUNY 将 AI 素养纳入通识教育要求。这些都是更深层次部署的基础。

在 AI 原生大学中，教授成为学习架构师，负责数据策划、模型调优，并教学生如何质询机器推理。

评估方式也将转变。检测工具和查重禁令让位于 AI 感知评估，学生被评价的是如何使用 AI，而非是否用 AI。透明与审慎应用取代了禁用。

随着各行各业都在争抢能设计、治理与协作 AI 系统的人才，这所新型大学将成为培训基地，培养善于编排智能系统的毕业生，助力快速变化的劳动力市场。

这所 AI 原生大学将成为新经济的人才引擎。

敬请关注明天的第二部分。

订阅

本通讯仅供信息参考，不应作为法律、商业、投资或税务建议。此外，本内容不构成投资建议，也不适用于任何 a16z 基金的投资人或潜在投资人。本通讯可能包含第三方网站链接或信息——a16z 未独立核查，也不对该等信息的现时或长期准确性作出任何声明。如本内容包含第三方广告，a16z 未审核相关广告内容，亦不对其中涉及的公司或广告内容作任何背书。文中提及的任何投资或投资组合公司并不代表 a16z 所管理所有投资项目；完整投资名单请访问https://a16z.com/investment-list/。其他重要信息请见a16z.com/disclosures。您收到本通讯是因此前主动订阅，如需取消订阅可立即退订。

免责声明：

1. 本文转载自 [a16z]，版权归原作者所有 [a16z New Media]。如对转载有异议，请联系 Gate Learn 团队，我们将及时处理。
2. 免责申明：本文所述观点仅代表作者个人，不构成任何投资建议。
3. 本文翻译由 Gate Learn 团队完成，除特殊说明外，禁止复制、分发或抄袭译文内容。