a16z預測2026年，四大趨勢率先公布

原文标题：Big Ideas 2026: Part 1
原文作者： a16z New Media
编译：Peggy，BlockBeats

摘要：過去一年，AI 的突破已從模型能力轉向系統能力：理解長時序、保持一致性、執行複雜任務、與其他智能體協作。產業升級的重心也因此從單點創新，轉向重新定義基礎設施、工作流與用戶互動方式。

在年度《Big Ideas 2026》中，a16z 的四個投資團隊分別從基礎設施、增長、醫療健康與互動世界四個維度給出了 2026 年的關鍵洞察。

本質上，它們共同描繪了一個趨勢：AI 不再是一個工具，而是一個環境、一套系統、一個與人類並行的行動主體。

以下為四大團隊對 2026 年結構性變革的判斷：

作為投資人，我們的工作就是深入科技行業的每一個角落，理解其運行脈絡，判斷下一步的演進方向。因此，每到十二月，我們都會邀請各投資團隊分享他們認為來年科技創業者將要攻克的一個「大創意」。

今天，我們帶來 Infrastructure、Growth、Bio + Health 以及 Speedrun 團隊的觀點。其他團隊的看法將於明日繼續發布，敬請期待。

Infrastructure 團隊

Jennifer Li：初創公司將馴服多模態數據的「混沌」

非結構化、多模態數據一直是企業最大的瓶頸，也是尚未開發的最大寶庫。每家公司都被 PDF、截圖、視頻、日誌、郵件以及各種半結構化的「數據泥漿」淹沒。模型越來越智能，但輸入卻越來越混亂——這導致 RAG 系統產生幻覺，使智能體以微妙且高成本的方式出錯，也讓關鍵工作流程仍高度依賴人工質檢。

如今 AI 企業真正的限制因素是數據熵：在一個容納了企業 80% 知識的非結構化世界裡，新鮮度、結構性與真實性在持續衰減。

正因如此，解開非結構化數據的「亂麻」正在成為一代人的創業機會。企業需要一種持續的方法來清洗、結構化、驗證並治理其多模態數據，從而讓下游的 AI 工作負載真正發揮作用。應用場景遍布各處：合同分析、用戶入職、理賠處理、合規、客服、採購、工程檢索、銷售使能、分析流水線，以及所有依賴可靠上下文的智能體工作流。

能夠從文件、圖像與視頻中提取結構、調和衝突、修復數據流水線、保持數據新鮮可檢索的平台型初創公司，將掌握企業知識與流程的「王國之鑰」。

Joel de la Garza：AI 將重塑網絡安全團隊的招聘困境

過去十年裡，CISO 最頭痛的問題就是招聘。2013 到 2021 年，全球網絡安全崗位缺口從不到 100 萬飆升至 300 萬。原因在於安全團隊需要高度專業的技術人才，卻讓他們從事令人身心俱疲的一級安全工作，例如翻日誌，而幾乎沒人願意做這種工作。

問題更深的根源在於：網絡安全團隊自己製造了苦差事。他們購買「無差別偵測一切」的工具，因此團隊不得不「審查一切」——這反過來製造了人為的「勞動力稀缺」，形成惡性循環。

2026 年，AI 將打破這一循環，通過自動化絕大部分重複與冗餘任務，顯著縮小人才缺口。任何在大型安全團隊待過的人都知道，一半的工作完全可以用自動化解決；問題是，當你每天都被工作淹沒時，你根本無法抽身思考應該自動化什麼。真正 AI 原生的工具將替安全團隊完成這一點，讓他們終於能把精力放回原本想做的事情上：追蹤攻擊者、構建系統、修復漏洞。

Malika Aubakirova：智能體原生基礎設施將成為「標配」

2026 年最大的基礎設施震盪不會來自外部，而是來自內部。我們正在從「人類速度、低並發、可預測」的流量，轉向「智能體速度、遞歸、爆發式、海量」的工作負載。

當下的企業後端是為 1:1 的「從人類動作到系統響應」而設計的。它並不適合應對一個智能體的單一「目標」觸發 5000 個子任務、數據庫查詢與內部 API 調用的毫秒級遞歸風暴。當一個智能體試圖重構代碼庫或修復安全日誌時，它並不像用戶；對傳統數據庫或限流器來說，它更像一次 DDoS 攻擊。

要為 2026 年的智能體工作負載構建系統，就必須重新設計控制平面。「智能體原生（agent-native）」基礎設施將開始崛起。新一代系統必須將「驚群效應」視為默認狀態。冷啟動必須縮短，延遲波動必須收斂，並發上限必須以數量級提升。

真正的瓶頸將轉向協調本身：在大規模並行執行中進行路由、鎖控制、狀態管理與策略執行。能在工具調用的洪流中生存下來的平台，才會成為最終勝者。

Justine Moore：創意工具全面走向多模態

我們已經擁有用 AI 講故事的基本構件：生成式聲音、音樂、圖像與視頻。但只要內容不止是一段短片，要取得接近導演級別的控制力，仍然耗時、痛苦、甚至不可能。

為什麼不能讓模型接收一段 30 秒的視頻，讓它用我們提供的參考圖像和聲音創建一個新角色，繼續拍完同一場景？為什麼不能讓模型從新的角度「重拍」，或讓動作匹配參考視頻？

2026 將是 AI 真正實現多模態創作的一年。用戶可以把任意形式的參考內容丟給模型，與它共同生成新作品，或編輯已有場景。

我們已經看到初代產品的出現，如 Kling O1 與 Runway Aleph，但這僅僅是開始——模型層與應用層都需要新的創新。

內容創作是 AI 的「殺手級應用」之一，我預計各類用戶群體將出現多個成功產品——從 meme 製作者到好萊塢導演。

Jason Cui：AI 原生數據棧將繼續迭代

過去一年，「現代數據棧」正在明顯整合。數據公司從採集、轉換、計算等模組化服務，走向捆綁與統一平台（如 Fivetran/dbt 合併、Databricks 的擴張）。

儘管生態系統更成熟了，但距離真正 AI 原生的數據架構，我們仍處在早期階段。我們對 AI 如何繼續改造數據棧的多個環節感到興奮，並開始看到數據與 AI 基礎設施正不可逆地走向深度融合。

我們尤其關注以下方向：

數據如何在傳統結構化存儲之外，繼續流向高性能向量數據庫

AI 智能體如何解決「上下文問題」：持續訪問正確的數據語義與業務定義，從而讓類似「與數據對話」的應用在多系統間保持一致理解

當數據工作流更智能體化、自動化後，傳統 BI 工具與電子表格將如何演進

Yoko Li：我們將真正「走進視頻的內部」

在 2026 年，視頻將不再是一種被動觀看的內容，而開始變成我們能夠「走進去」的地方。視頻模型終於能夠理解時間、記住已經呈現的內容，並在我們做出動作時作出反應，同時保持一種接近現實世界的穩定與連貫，而不僅是輸出幾秒鐘毫無關聯的圖像。

這些系統能夠在較長時間裡維持角色、物體與物理規律，使動作真正產生影響，讓因果得以展開。視頻因此從一種媒介，轉變為一種可以構建事物的空間：機器人能夠在其中訓練，遊戲機制能夠演化，設計師能夠進行原型實驗，智能體能夠通過「做事」來學習。

呈現出來的世界，不再像一段短視頻，而像一個「有生命的環境」，開始縮小感知與行動之間的鴻溝。這是人類第一次能夠真正「棲居」在自己生成的視頻之中。

Growth 團隊

Sarah Wang：企業的「記錄系統」地位將開始動搖

2026 年，企業軟件的真正變革將來自一個核心轉向：記錄系統的中心地位終於開始下降。

AI 正在壓縮從「意圖」到「執行」之間的距離：模型可以直接讀取、寫入並推理企業運營數據，使 ITSM、CRM 等系統從被動數據庫轉變為自主執行的工作流引擎。

隨著推理模型和智能體工作流的快速進步，這些系統不再只是響應需求，而是能夠預測、協調並執行端到端流程。

介面將變成動態的智能體層，而傳統的系統記錄層逐漸退居為一個「廉價的持久化存儲」，戰略主導權將讓位於掌控智能執行環境的玩家。

Alex Immerman：垂直 AI 從「信息獲取與推理」升級到「多人協作模式」

AI 推動垂直行業軟件迎來爆發式增長。醫療、法律、住房領域的公司在短期內就突破了 100 millions 美元 ARR；金融與會計也緊隨其後。

最初的革命是信息獲取：尋找、提取、總結信息。

2025 年帶來了推理：Hebbia 解析財務報表、Basis 在多個系統間核對試算平衡表、EliseAI 診斷維修問題並調度供應商。

2026 年將解鎖「多人模式」（multiplayer）。

垂直軟件天然具備行業特定的介面、數據與集成能力，而垂直行業工作本質上是多方協作：買家、賣家、租戶、顧問、供應商，各方權限、流程、合規要求各不相同。

今天，各方 AI 各自為戰，導致交接點混亂無權威：分析合同的 AI 無法與 CFO 的建模偏好溝通；維修 AI 不知道現場人員對租戶作出的承諾。

多人模式的 AI 將打破這一狀況：自動在各方之間協調；維持上下文；同步變更；自動路由給功能專家；讓對手方的 AI 在邊界內協商，並將不對稱之處標記給人類審核

當事務因「多智能體 + 多人類」的協作而提升質量時，切換成本就會飆升——這一層協作網絡，將成為 AI 應用長期缺失的「護城河」。

Stephenie Zhang：未來的創作對象將不再是人類，而是智能體

到 2026 年，人們將通過智能體與網絡互動，而面向人的內容優化方式將失去原有重要性。

我們曾為可預測的人類行為優化：Google 排名；Amazon 前幾項商品；新聞文章的 5W+1H 和吸睛開頭

人類可能忽略埋在第五頁的深度洞見，但智能體不會。

軟件也將隨之改變。應用過去是為人眼與點擊設計的，優化意味著更好的 UI 與流程；而智能體接管檢索與解釋後，視覺設計的重要性下降：工程師不再盯著 Grafana，AI SRE 會自動解析遙測並在 Slack 中給出洞察；銷售團隊無需手動翻 CRM，智能體會自動匯總模式與洞察

我們不再為人類設計，而是為智能體設計。新的優化不再是視覺層級，而是機器可讀性。這將全面改變內容創作方式與工具體系。

Santiago Rodriguez：「螢幕時長」的 KPI 將消失

過去 15 年，「螢幕時長」一直是衡量產品價值的金標準：Netflix 的觀看時間；醫療系統中滑鼠點擊數；用戶在 ChatGPT 停留的分鐘數

但在即將到來的「按結果付費」（outcome-based pricing）的時代，螢幕時長將被徹底淘汰。

如今已初見端倪：ChatGPT 的 DeepResearch 查詢幾乎不需要螢幕時長，卻提供巨大價值；Abridge 自動記錄醫患對話並處理後續工作，醫生幾乎不用看螢幕；Cursor 完成完整應用的開發，工程師已經開始規劃下一階段；Hebbia 自動從大量公開文件中生成 pitch deck，投行分析師終於能睡覺

挑戰隨之而來：企業需找到更複雜的 ROI 衡量方式——醫生滿意度、開發者生產力、分析師福祉、用戶幸福度……這些都隨 AI 上升。

能夠講出最清晰 ROI 故事的公司，將繼續勝出。

Bio+Health 團隊（生物與健康方向）

Julie Yoo：「健康 MAUs」成為核心用戶群

2026 年，一個新的醫療用戶群將走到舞台中央：「健康 MAUs」（每月活躍但未生病的健康人群）。

傳統醫療主要服務三類人：

-Sick MAUs：高成本、週期性需求者

-Sick DAUs：如長期重症護理者

-Healthy YAUs：基本不就醫的人

Healthy YAUs 隨時可能變成 Sick MAUs/DAUs，而預防性護理原本可以延緩這一變化。但由於當前以「治療為導向」的醫保體系，主動檢測和監測幾乎不被覆蓋。

健康 MAUs 的出現改變了這一結構：他們並不生病，卻願意定期監測自己的健康狀況，是最大的潛在人群。

我們預計，AI 原生初創公司 + 傳統機構的「再包裝」都會加入，提供週期性健康服務。

隨著 AI 讓醫療交付成本下降，預防導向的保險產品出現，以及用戶願意為訂閱服務付費，「健康 MAUs」將成為下一代健康科技最有潛力的客戶群——持續活躍、數據驅動、以預防為導向。

Speedrun 團隊（遊戲、互動媒體與世界模型方向）

Jon Lai：世界模型將重塑敘事方式

2026 年，AI 世界模型將通過互動式虛擬世界與數字經濟，徹底改變敘事。Marble（World Labs）與 Genie 3（DeepMind）等技術，能夠從文本生成完整 3D 世界，讓用戶像玩遊戲一樣探索。

隨著創作者採用這些工具，全新的敘事形式將出現——甚至可能誕生「生成版 Minecraft」，讓玩家共同創造龐大、演化的宇宙。

這些世界將模糊玩家與創作者的邊界，形成共享的動態現實。不同類型如奇幻、恐怖、冒險，可並列存在；其中的數字經濟將繁榮，創作者能夠通過製作資產、指導玩家、開發互動工具獲得收入。

這些生成世界也將成為 AI 智能體、機器人乃至潛在 AGI 的訓練場。世界模型帶來的不僅是一個新遊戲品類，而是一種全新的創意媒介與經濟前沿。

Josh Lu：「屬於我的一年」

2026 年將成為「我的一年」：產品不再面向「平均消費者」批量生產，而是為「你」量身定制。

在教育，Alphaschool 的 AI 導師為每位學生匹配其節奏與興趣。

在健康，AI 為你定制補劑、運動計劃、飲食方案。

在媒體，AI 讓內容按你的口味實時重混。

過去百年的巨頭靠找到「平均用戶」獲勝；下一個百年的巨頭將靠找到「平均用戶中的個人」獲勝。

2026 年，世界將不再為所有人優化，而將為「你」優化。

Emily Bennett：第一所 AI 原生大學將誕生

2026 年，我們將看到第一所真正的 AI 原生大學——一個圍繞智能系統從零構建的機構。傳統大學已應用 AI 做評分、輔導、排課，但現在正出現一種更深層的變革：一所能夠實時學習與自我優化的「適應性學術生物體」。

你可以想像這樣一所大學：課程、指導、科研合作、校園運營都根據反饋循環實時調整；課程表自我優化；閱讀清單隨著新研究出現而動態更新；每個學生的學習路徑實時變化

先例已經出現：亞利桑那州立大學與 OpenAI 的合作產生數百個 AI 項目；紐約州立大學將 AI 素養納入通識教育

在 AI 原生大學中：

-教授成為「學習體系建築師」：策劃數據、調模型、教學生如何審視機器推理

-評估方式將轉向「AI 覺知」評估：不是問學生是否用了 AI，而是如何使用 AI

隨著各行業急需能夠與智能系統協作的人才，這所大學將成為新經濟的「人才引擎」。