AI 将远超此前所有技术革命：CES 2026 聚焦机器人、制造业与 AR 眼镜

摘要

• AI 正在压缩产品周期与价值创造周期，其影响足以让 PC、互联网、云计算和移动时代相形见绌。 Bob Sternfels 将这一速度称为“字面意义上的曲速”，而 Hemant Taneja 将其描述为“模糊性峰值”：技术能力与地缘政治条件同时变化，使组织速度比固定计划更重要。

• Anthropic 是这种压缩效应最清晰的样本。 Taneja 表示，General Catalyst 投资时，Anthropic 在经历10倍增长后，业务规模约为8.8亿美元；此后公司又宣布将迎来另一个10倍甚至更高增幅的年度。面对约80亿-100亿美元的收入运行率业务，他将60亿美元估值称为“去年完成的交易里，按财务指标看最便宜的一笔”。如今，风险投资人必须重新考虑万亿美元级公司是否可能出现。

• 企业采用和 IT 支出可以推动模型公司的增长，但非科技企业仍难以在规模化部署中兑现价值。 Calacanis 将 CFO 与 CIO 的冲突戏剧化：前者看到的是不断增加、却没有 ROI 的支出，后者则警告延迟会招致颠覆。Sternfels 认为两者有机会成为盟友；Taneja 指出，关键不在孤立试点，而在数据基础设施、适配后的模型，以及重新设计的人类—智能体工作流。

• General Catalyst 正在收购部分走下坡路的老牌企业，把它们变成 AI 初创公司的转型与分发基础设施。 Taneja 将公司称为“美国的风险投资机构”，通过灵活资本、政策能力和市场准入，在创始人发展的不同阶段与其合作。收购俄亥俄州医疗系统，为公司提供部署 AI、验证医疗行业打法的现场；衰退中的呼叫中心资产同样可以带来客户入口。Sternfels 将其称为一种新资产类别：转型，而不是传统私募股权式的优化。

• AI 正在让人员增长、产出和组织层级发生分化，而不是让所有岗位一律减少。 Sternfels 表示，McKinsey 明年面向客户的员工将增长25%，非面向客户的半数员工将减少25%，同时产出提升10%。在拥有40,000名员工和25,000个个性化智能体、且预计年底实现数量持平的情况下，公司正在同时扩张与收缩。

• 初级岗位市场正在失去旧有的培训交换，使主动性和人类判断力更有价值。 Calacanis 表示，毕业生投出100-200份简历仍可能一份 offer 都拿不到，因为培训一个新人所需时间可能超过搭建一个智能体；他建议直接联系 CEO，用有用的定制作品展示“chutzpah”、驱动力和能力。嘉宾认为，人的价值将更多体现在领导力与目标设定、判断与参数设定、创造力、好奇心和韧性上。

• 实体 AI 受到的约束，可能与模型智能同样多地来自制造业经济学。 Sternfels 预计未来12-24个月将出现自动驾驶领域的重大转型，并提到一家合同制造商在美国有50,000个岗位空缺；Taneja 则警告，机器人普及速度会慢于 LLM，因为不存在与软件 API 等价的硬件 API。尽管如此，Calacanis 预测 Tesla 的 Optimus 3 将让汽车业务相形见绌，达到10亿台规模，并成为“人类制造过的最具变革性的科技产品”。

• 今天笨拙的交互界面，可能只是通往持续健康智能和更少打扰式计算的过渡产品。 Google Glass 方向正确但实用性不足；Taneja 认为，可穿戴设备、血液检测和微量诊断可能成为定制医疗的前置技术。Calacanis 将 LLM 的幻觉比作 Discman 跳碟。Sternfels 更大的行为判断是，人们会重新走向线下连接，而不是在线上寻找满足、在线下保持孤独。

精读

1. AI 压缩了产品周期与价值创造的时钟

• Calacanis 开场时给出了明确判断：从 PC、互联网到移动和云计算，所有这些技术对社会的影响“都将被 AI 远远甩在身后”。Sternfels 与 CEO 们的交流也印证了这种紧迫感——技术如今已成为每个行业的核心，反复出现的问题是如何让组织行动得更快。

• Taneja 将当前环境概括为“模糊性峰值”（peak ambiguity）：地缘政治联盟、国家推动战略自主，以及底层实现技术都在同步变化。建设者必须用可能淘汰当下产品架构的工具，创造能够长期存在的价值。

• 风险投资的对比，体现了全新的时间速度。Stripe 是2010年投资的项目，花了约12-13年才成为一家1000亿美元公司；Anthropic 去年从600亿美元估值向“几千亿美元”迈进，速度快得多，同时伴随着 Taneja 所说的真实业务增长。

• Anthropic 的应用层与模型本身同样重要：Taneja 认为 Claude 正在重塑企业工程。按照他的数字，Anthropic 在经历一个10倍增长年度后，业务规模约为8.8亿美元，随后又宣布将迎来另一个10倍甚至更高增幅的年度，这促使他追问：风险投资的目标是否应从百亿美元级公司进一步上探至万亿美元级公司。

2. 企业 AI 必须摆脱试点泥潭

• Sternfels 将模型供应商的增长归因于大型企业采用 AI 并提高技术支出，但他也保留了关键限制：非科技企业要在内部规模化兑现价值，“事实证明比人们想象的更难”。

• Calacanis 将 CEO 的困境描述成 CFO 与 CIO 的对峙。CFO 看到的是没有 ROI 的支出，要求暂停；CIO 则认为拖延会招致颠覆。Sternfels 的回应是，两项职能存在走向同盟的路径。

• Taneja 表示，成功转型需要3个相互连接的层次：企业级数据基础设施、针对业务适配的模型，以及人类与智能体协作的工作模式。从编码、呼叫中心到销售、营销和医疗，各部门应用只有在人们能够将其纳入日常工作后才真正重要。他以 Transcarent 的 AI 医疗服务为例：系统可以为手术、癌症治疗或心理健康需求进行分流，这体现的是更广泛的工作流转型。

3. 收购老牌企业可以成为 AI 的分发策略

• Taneja 表示，General Catalyst 仍然是“美国的风险投资机构”，在企业生命周期的不同阶段与创始人合作。公司的支持包括灵活资本、政策能力、市场准入和全球关系；收购俄亥俄州医疗系统，是这一战略的延伸，而不是对种子期业务的背离。

• 他将收购俄亥俄州 Akron 医疗系统解释为获取市场，而不是传统私募股权交易。在总检察长协助下完成非营利机构改制后，公司计划让创始人团队进入一线，改善医疗服务和系统韧性，再将这套打法复制到其他数百个医疗系统。Taneja 强调，医院必须继续运营并服务当地社区。

• 呼叫中心提供了同样的机制：其既有劳动力模式可能是衰退中的资产，但客户关系仍然有价值。收购一家呼叫中心，可以让早期创始人与这些客户直接合作，加速 AI 采用并更快扩大规模。

• Calacanis 的比喻是“买下城堡，放下吊桥”（buy the castle, open the drawbridge）：风险投资人过去资助蛮族进攻老牌企业，如今则可以直接买下老牌企业，把初创公司装进城堡。Sternfels 认同这类似一种新资产类别——转型，而非优化；企业面临的是“转型，否则死亡”的选择。

4. AI 正在让组织发生分化，而不是一律收缩

• Sternfels 将 McKinsey 的计划概括为“25的平方”（25 squared）：明年面向客户的员工增长25%，同时公司非面向客户的半数员工减少25%，并让这部分员工的产出提升10%。公司如今可以同时提升能力和总员工数，而不必让组织的每个部分同步增长。

• McKinsey 去年通过搜索和综合节省了150万小时，但 Sternfels 表示，这些时间正被“分红”到更困难的客户问题上。智能体还在6个月内生成了约250万个图表，这一产出甚至让他开玩笑说，自己想把图表全部取消。

• 截至前一周，McKinsey 拥有40,000名员工和25,000个个性化智能体，预计年底实现数量持平。Sternfels 认为，结构化解决问题、搜索与综合、沟通，是技术目前表现尤其出色的领域；但涉及生死的医疗决策仍需要人类，因为技术尚未可靠到可以承担这一责任。

• Taneja 在初创公司中也看到了同样的变化：当“代码开始自己写自己”（code self-writes），创新的重点就不再是快速写代码，而是把技术嵌入系统。创始人需要持续迭代、与客户建立信任关系，并进行“激进协作”，因为双方都不知道这些能力最终会把企业带向哪里。

5. 人的优势转向愿景、判断力与韧性

• 当被问及模型做不到什么时，Calacanis 提到领导力和目标设定。Taneja 提到判断力：人类必须依据企业价值观和社会规范设定参数与评估标准，同时提供真正的创造力，而不只是生成最可能出现的下一步推断。Sternfels 强调提出更好的问题、想象力、好奇心，以及按照令人信服的愿景塑造世界的能力。

• Taneja 将这一点延伸到教育：在解决问题的技术极其丰富的世界里，真正有回报的是提出正确问题、保持好奇和发挥想象力。相应的教学方式更接近苏格拉底式对话，而不是让每个七年级学生在同一时间、按同一进度分解多项式。

• Calacanis 对劳动力市场的警告更为严厉：毕业生可能投出100-200份简历仍拿不到 offer，因为雇主会得出结论：培训一个初级员工所需时间，比搭建一个智能体还长。他给出的替代方案是直接给 CEO 发邮件，附上有用的定制作品，比如重新设计的落地页，在提出正式入职路径之前先证明自己的能力。

• Taneja 表示，这也可能扩大人才漏斗：毕业于哪所学校的重要性可能下降，内在品质和证据则更重要，例如候选人的 GitHub 主页。Sternfels 补充说，韧性是机构尚未补上的能力：“你会被打倒。问题是，你能不能重新站起来？”（“You’re going to get knocked down. The question is, do you get back up?”）

6. 终身学习必须取代4年制学历交易

• Taneja 认为，学习22年、工作40年的安排是“一种破损的理念”。他的替代方案是终身大学：通过持续关系，让人们随着技术和工作定义变化不断学习新技能、重塑技能。

• Sternfels 给出了经济学上的理由。过去30年，雇主对员工技能的预期回收周期已从约7年降至约3.6年，使反复学习的能力比掌握某个静态学科更有价值。

• Taneja 将劳动者比作从乐团成员转向指挥，Calacanis 则进一步延伸为人们指挥各自的智能体乐团。在新加坡的一场晚宴上，12位创始人全部表示，自己近期的职位描述都是由 LLM 撰写的；约一半人已经搭建智能体，对求职者进行筛选和排序。

• Sternfels 表示，McKinsey 的每个部门如今都需要 AI 队友，但智能体究竟是副驾驶还是自动驾驶，取决于可靠性、复杂度和后果严重程度。在医疗领域，他认为今天仍应由人类做出生死决策。Taneja 警告，砍掉底部4级台阶可能现在就能省钱，却会同时切断组织通往未来 CEO 的路径。

7. 机器人领导力取决于重建制造业

• Calacanis 将2026年称为“自动驾驶 CES”，提到 Waymo 的领先地位，以及 Tesla、Zoox 和 Nuro/Lucid 的进展，同时预测消费级人形机器人将在2027年成为主题。Taneja 则把视野扩大到全球：BYD 和其他中国公司正以低成本提供丰富功能，进入欧洲和中东市场。

• 美国可能拥有强大的自动驾驶创新，却缺少支持大规模普及所需的制造业经济性。Taneja 认为，AI 驱动的设计和生产，包括 Re:Build Manufacturing 的相关工作，必须填补这一缺口；无法达到正确价格点的自动驾驶，最终仍只是有限产品。

• Sternfels 预计，未来12-24个月将出现“西方技术栈”和“中国技术栈”的竞争。机器人也在应对劳动力短缺：一家合同制造商在美国有50,000个岗位空缺；韩国大约每10名工人配备1台机器人，德国和中国并列其后，美国则遥遥排在第三。

• Taneja 的反驳是，机器人普及“会比人们想象的更慢”：优秀模型无法像 ChatGPT 通过云端传播那样轻易扩散到实体基础设施中。Calacanis 则在看到 Optimus 3 后走向了相反的极端，预测未来将达到人均1台机器人、总量10亿台，最终没人会再主要因为汽车而记住 Tesla。

8. 笨拙的设备揭示了交互界面的去向

• Sternfels 回忆说，20世纪80年代中期“我们”曾为 AT&T 做过一个项目，结论是手机不会普及——这是一次值得记录的预测失败。Google Glass 则代表了相反的问题：方向上走得很早，但在 Taneja 看来，如今的眼镜虽然形态更好，实用性仍然不足。

• Calacanis 将 Theranos 的一滴血检测设备描述成一个极具吸引力的产品承诺，同时对公司本身的定性留有余地。Taneja 认为，如果纳米设备制造取得进展，准确的微量诊断在10年内“非常可能”实现，从而推动持续、主动的医疗，而不是偶尔获取一次健康快照。

• Taneja 认为，Oura、Whoop、Eight Sleep、可穿戴设备和血液检测，都是通往定制医疗的过渡技术。Calacanis 则给出了软件领域的类比：今天 LLM 的幻觉，未来可能会像 Discman 跳碟一样——它是过渡产品的明显缺陷，而不是成熟品类的定义性特征。

• 寻呼机代表了 Calacanis 所说的持续在线工作轨迹，他将其与无休止刷屏联系起来；如今，一些消费者正把智能手机拆分成数码相机和翻盖手机。Sternfels 希望出现的行为反转，是重新建立人与人的连接：增加线下互动，而不是在线上寻求满足、在线下保持孤独。