今年8月19-20日，高盛团队奔赴硅谷，连续两天密集走访了包括Glean、Hebbia、Tera AI、Everlaw、Decagon、Moody's等AI公司，以及Lightspeed、a16z、Founders Fund等顶级风投机构，还与斯坦福、UC Berkeley/UCSF等AI教授深度交流，试图寻找生成式AI的未来方向。

结论非常明确，大模型的性能红利正在边际减弱，应用层创新与垂直化才是通往护城河的关键，AI实验进入实用主义时代。

过去几年，大家都在拼算力、拼参数，但如今无论是开源还是闭源模型，性能差距已经不大，GPT-4 级别已是门槛，而不是壁垒。未来竞争的焦点，将从“谁更强”转向“谁用得更好”。

更重要的是，模型推理成本正在迅速下降，运行百万tokens的费用已经从60美元骤降到0.006美元。大量曾经难以盈利的应用，如今开始进入正向收益周期。接下来真正决定胜负的，将不再是参数规模，而是谁拥有更深的数据与场景，谁能更快嵌入企业工作流，谁能控制幻觉风险，做到结果可追溯。

科研方面，有三件正在发生的事情。

第一件事是斯坦福教授表示，Transformer可能要被淘汰了。

我们现在用的很多AI，比如ChatGPT、Sora、Midjourney，背后都是一种叫“Transformer”的模型结构。这个东西很强，但有两个问题，一次记不了太多东西，即记忆有限。想让它学东西，得用“反向传播”这种特别费劲的训练方式，占内存还慢。

斯坦福大学的教授Kochenderfer在研究一种新方法，叫“新RNN”，最神奇的地方是，这个AI能边走边学，不需要回头看！就像你开车导航时不需要看你3公里前走过哪条路，只需要当前的方向和反馈就行。这种模型不但省内存、速度快、还能记得更久，而且很适合装在无人机、机器人、手机这些小设备里。他甚至说，三年内有一半概率能干掉Transformer，成为新的主流AI架构。

第二件事是AI医生能提前告诉你会不会得乳腺癌。

以前做乳腺癌筛查是这样：“你年满40岁了，每年来医院照一次片吧。”这种方法很粗，很多高风险的年轻女性可能会漏掉，而低风险的人又被吓得反复检查，造成资源浪费。加利福尼亚大学伯克利分校的教授亚当·亚拉Adam Yala发明了一个AI模型叫Mirai，走出了千人一面筛查策略的困局。它做的事是，看完你的体检数据和乳腺影像后，直接预测你未来几年得病的风险。

举个例子，它可能会告诉医生。A女士看起来没事，但风险其实比平均人高，半年后复查。B女士虽然年纪大，但很健康，一年半后复查也行。

AI还能制定专属的筛查计划，真的做到因人而异。更厉害的是，在使用这个系统后，过去要38天才能确诊的病，现在最快58分钟就能搞定。MRI资源使用率也大幅提升。这一成果正推动临床医学向AI辅助决策的时代迈进。

第三件事是斯坦福把“人的性格”装进了AI里。

你有没有想过，如果我写一大段文字，把我说话的方式、性格、想法都告诉AI，它能不能变成另一个我？斯坦福团队就真的做了这事。

他们找人做了很多深度访谈、性格分析，然后把这些内容灌输进AI模型里，结果AI居然能用那个人的语气、思路来对话，模仿程度高达85%！

比如，你可以跟虚拟老李开会，听他提意见。或者快速组成一个AI专家小队，在一两天内解决过去要几周才能搞定的项目。这就是他们说的“Flash Teams”，像组乐队一样临时招人，但这些“人”可能是AI，还带着真实人的智慧。这不仅大幅压缩传统团队组织成本，更为AI在人类协作流程中的嵌入，打开了想象力的边界。

大胆想象一下，以后企业招人时，直接快速招一个专家团队是否可行？

再来看六家AI明星公司或机构的实用主义落地打法。

例如，Moody’s用Agent自动生成信用备忘录，2分钟干完2周活儿。Moody’s的AI平台已具备多Agent编排能力，从抓取财报、分析管理层、评估网络风险到输出完整信用备忘录，全流程只需2分钟。其“闭环防幻觉机制”要求每条结论都来自Moody’s数据库，极大提升可信度。

例如，Glean选择了一条从搜索到企业AI中控的渗透路径。你可以把Glean想象成“公司内部的智能搜索引擎”，员工在 Slack、Gmail、文档堆里找资料，不用手动翻，只要问一声，Glean就能从成千上万个文件里秒回你答案。它最厉害的是，不光是搜索，它还在“长出大脑”——你可以用自然语言让它生成自动助手，比如帮我整理这个团队过去三个月的会议纪要并发给老板。它还懂公司黑话——能记住你们内部的缩写、产品名、专有名词，结果更精准。它还能画出“谁懂啥”的图谱，比如你问一个技术问题，它可以告诉你，这个问题张三最懂，因为他在这类项目里发言最多、文件贡献最多。总之，Glean兼具多职，比如企业内部的ChatGPT、知识库、人才雷达，还能让每个人训练出自己的AI助手。

其次，Hebbia选择做文档分析界的AI核武器，金融圈最爱用。Hebbia做的是超强文档分析工具，专门为投行、律所、私募基金这种天天看上百万字的场景设计的。它的本事包括，能从一堆冗长文档里，精准抽出你要的答案。比如你丢进去一个上市公司招股书，让它告诉你，董事会里有没有人以前卷过财务造假？。它还支持无限上下文——别的AI读太长就会忘，Hebbia通过分批和并行的方式，可以分析上千万字，像一整个图书馆那样工作。它还特别擅长结构化输出和引用源头，就像做尽调一样，一条条列出证据+出处，不怕你追问。它能做AI尽调黑名单，比如你想追踪所有与某个案子有关的高风险企业，它能在成千上万份政府文件、财报、法院记录里挖出来。Hebbia是兼具文档搜索、法律财务尽调、AI分析报告合体，能代替一个尽调小组。

再者，Tera AI这家公司不是做聊天AI，是做空间感知AI，简单说，它让机器人或无人机，在没GPS的地方也能“知道自己在哪”。它的技术厉害在于，不用卫星定位、不装激光雷达，靠一个摄像头和AI，就能识别自己在地图上位置，判断周围环境，即使在仓库、沙漠、森林、地下停车场等信号死角里也能精准移动。Tera AI用三套系统组合导航，类似SLAM，让它能画地图。用图片推测位置（像玩GeoGuessr），能把2D地图投射到现实空间中。它的应用场景非常广，例如军用无人机、自动仓储机器人、不方便装传感器的小型机器人等。Tera就像给机器人安了一个AI视觉导航大脑，在GPS没信号的地方也能行动自如。

Everlaw公司可以帮律师自动写案子，而且几百份文档两分钟写完备忘录。Everlaw是专门为律师设计的AI平台。律师每天面对上千页文件（邮件、证词、合同、法规），要从中找出有用的证据，最后写出法律备忘录，这事儿以前要几天甚至几周。Everlaw的AI能做到，输入一堆文件，自动写出法律逻辑通顺、带出处的备忘录。AI只看提供的文件，不靠记忆胡编，最大限度避免幻觉（法律领域非常关键）。它支持复杂搜索，比如问它：“这 1.3 万份文件里提到‘公司高管’和‘阿片类药物’的有哪些？它不仅能筛出来，还自动写出逻辑说明、列出引用。它还支持不同模型组合，用OpenAI推理、用Gemini生成Embedding，谁擅长干什么就干什么。Everlaw就是律师界的 AI秘书，能帮你在2分钟内干完原来2天的案头工作，还保证不胡说。

Decagon主攻客户服务自动化。很多公司用AI客服是为了省人工，Decagon让AI客服不止省人，还能帮公司赚钱。以Rippling项目为例，AI客服覆盖超40万用户、12条产品线，将人力介入率从62%降至40%，大幅节省成本。它开发了一个叫AOP的机制，用自然语言和代码，定义“AI客服该怎么回答、怎么决策”，就像给AI客服写了一份详细的工作说明书，快速部署到各种公司。收费模式也很灵活，按成功处理的对话收费，对客户来说非常划算。Decagon就是打造了懂业务、能赚钱的AI客服团队，替代了成百上千个客服外包中心。

Moody’s（穆迪）用Agent自动生成信用备忘录，2分钟干完2周活儿。Moody’s 是一家老牌信用评级机构，你可以理解为帮公司打信用分、写分析报告的权威机构。他们现在让AI来写这些报告，拿一个大公司比如波音举例，AI会自动查财报、看行业对比、看管理层背景、分析网络安全风险……然后在2分钟内生成一整份信用备忘录，比人类写的还规范，还附带引用数据源。它支持多Agent协作，每个Agent负责一个模块，比如财务、风险、同业对比等。如果遇到任务失败（比如有的PDF没上传），平台会实时显示出错。所有AI输出都必须来自Moody’s自己的数据库，不允许用外面网络搜索结果，避免胡编乱造。Moody’s 造了一个AI信用分析流水线，过去一两周才出的报告，现在几分钟搞定，而且还能查引用，保真。

最最重要的是新SaaS时代正在到来。

我们可以把AI的世界想象成一栋楼，共三层。最底层是基础设施层，提供电力、算力、芯片和数据中心，代表玩家有英伟达、亚马逊云、Iron Mountain。中间层是大模型，像ChatGPT、Claude、Gemini这些千亿级参数的大脑就位于这一层。最顶层则是应用层，把AI真正装进实际产品里，例如法律助手Everlaw、AI客服Decagon、企业内部搜索兼Agent系统Glean，以及我们日常见到的AI写作、AI剪辑、AI医生等，全都安家在这一层。

过去的SaaS（软件即服务）时代，企业购买的是功能型工具——一套 CRM 系统、一款人事管理软件、一张财务报表仪表盘——它们像标准化的流水线，把既定流程搬到线上，却仍依赖人来操作、决策和输出。而正在到来的新SaaS时代，企业购买的不再是单纯的软件，而是自带AI大脑、能直接完成任务的数字员工。它能像穆迪那样2分钟写完一份财务总结，像加利福尼亚大学伯克利分校的Mirai那样读片识别早期癌症，像Decagon那样24小时准确回答客户提问，也能像Glean那样瞬间读懂公司内部所有文档并自动生成下一步行动。传统SaaS卖的是效率提升，新SaaS卖的是结果交付。前者按座位收费，后者按成果或节省的人力计价，价值空间因此被指数级放大。这些AI应用型公司就是新 SaaS，它们把大模型能力封装成垂直场景下的端到端劳动力，未来在市场上的估值与影响力，可能远超上一代软件巨头。

成功的应用型AI公司必须具备三大特质，可以用来判断AI应用层公司能否跨越鸿沟、真正成为新SaaS的硬门槛。第一点是上手即见效，企业客户没有耐心做半年PoC、一年集成，他们希望合同一签，几周甚至几天就能看到节省人力、增加收入的量化结果。Decagon把AI客服塞进Rippling只用了6周，就扛起了40万次对话，每年省下数百万美元人工，这就是教科书级别的快回报。第二点是质量稳定可控，C端用户可以容忍 ChatGPT偶尔胡说，但律所、银行、评级机构只要一次幻觉就可能引发诉讼或合规灾难，因此AI必须像Everlaw那样，所有结论都能追溯到具体文档第几页第几行，找不到就老老实实说“不知道”，用可验证的准确性换来企业的信任与预算。第三点“完全控制堆栈”则是长期护城河。从底层模型、Embedding 服务、数据管道到前端 UI全部自己掌握，才能在算力价格波动、模型版本迭代或地缘政治限制时，像穆迪一样随时替换 OpenAI、Gemini或Anthropic的模块，既压低成本又确保客户数据不外泄。能同时满足“快见效、零幻觉、全栈控”的公司，才算拿到了新SaaS时代长期坐庄的门票。

过去OpenAI、Anthropic、谷歌DeepMind这些高举高打的AI巨头专注于做大模型，把应用层的蛋糕留给初创公司去切。如今他们意识到“只卖API不赚钱，卖模型和应用才赚钱”，于是集体下沉，亲自下场做 App、做工具、做端到端的行业解决方案。这意味着，今天你辛苦打磨的客服AI、写稿AI、合同审查AI，明天就可能被巨头以“官方插件”或“一键集成”的形式免费或低价塞进现有生态。他们手握底层模型与路线图，训练成本、推理速度、功能更新全都快你一步，单纯靠“拼UI”或“模型包装壳”建立的护城河在降维打击面前薄如纸片。赛道一旦塌陷，留给“薄壳型”创业者的窗口期就会被瞬间抹平，唯有在数据深度、行业 know-how、全栈控制或客户粘性的某一点上挖出一条足够深的壕沟，才能在巨轮碾过时幸存。

2026 年被视为AI应用爆发的拐点，原因在于当下大多数企业的AI仍停留在试点和实验室阶段，真正在生产环境大规模落地的比例不足 5%。阻碍全面铺开的四座大山——成本偏高、模型偶尔幻觉、专业人才短缺、旧流程尚未被彻底重构，高盛预计在2026年前被逐一削平。算力单价继续下探、模型稳定性显著提升、高校与培训市场输送的AI工程师开始上岗，同时企业经过两三年的流程再造，已把AI嵌入CRM、ERP、法务、客服等核心系统。当这四大变量同时到位，奇点便会到来，AI将从可选项变成默认配置。