a16z解读AI新周期：机器人成科技新主角，AI公司越做越”轻”  | BlockWeeks

作者：a16z

编译：Felix, PANews

近期，a16z 从市场投资、AI 应用、创业生态以及零售行业等多个维度，探讨了当前科技与商业周期的核心趋势。文章认为，在AI浪潮推动下，资本市场正从过去偏好轻资产、消费互联网，逐步转向硬件、机器人等实体产业；与此同时，AI也在重塑企业组织方式、创业门槛以及生产率增长逻辑。以下为内容详情。

周期，相同却又不同

如果将这个周期与上一个周期进行比较，你会发现在某些方面它们完全相同，而在其他方面则完全相反。

相同之处在于，无论是在后金融危机时期（2010-2020 年）还是后疫情时期（2020 年至今），科技行业一直是周期中的赢家。然而，其他行业的格局却发生了翻天覆地的变化：上一周期的赢家如今成了输家，反之亦然。

• 医疗保健、消费品和媒体行业在金融危机后都曾实现两位数的回报率，但现在只有 3% 到 6% 左右。

• 而能源、原材料、建筑和金融行业的回报率则从个位数低位跃升至两位数中高位。

曾经落后的行业变成了领头羊，而曾经的领头羊又变成了落后者。

科技行业是个例外，它一直是周期中的赢家，但其中也存在一些细微差别。硬件是本轮周期的真正亮点（上一轮表现也相当不错），但软件则遵循了整体的反转趋势。

退一步来看，这里存在一个之前提到过的非常明显的模式：市场已经将注意力从轻资产、以消费为导向的行业转移到了重资产的​​“实体”经济，这在很大程度上是由 AI 基础设施建设所驱动。

这是一场从比特（虚拟）到原子（实体）的轮动。

“重资产”公司在落后“轻资产”公司十多年之后，已经扭转了局面。

当然，如果这一轮周期与上一轮周期类似，那么总体趋势是所有这些重资产的基础设施最终都会延伸到软件 / 应用层。在后金融危机时代，芯片制造商（以及云服务提供商）早期占据主导地位，但最终让位于手机、电脑和服务器驱动的云平台上（由芯片驱动）蓬勃发展的应用程序、市场和企业软件。换句话说，向虚拟层面的转变是暂时的、周期性的，而不是一种更持久的结构性转变。

这一次当然也可能发生这种情况：事实上，如果 AI 基础设施的建设最终没有延伸到轻资产层，那可能会相当令人失望（两者最终也可能协同发展）。但即便如此，在公开市场上游，一些迹象表明，“虚拟革命”或许具有自身的持久性。而且，严格来说，这并非仅仅是 AI 基础设施的问题。

对“现实世界”技术的溢价正在私募市场中显现，不仅体现在 AI 基础设施领域，也体现在机器人领域：

以排名前 100 的私营公司（按类别划分）的市值衡量，机器人技术（以及物理 AI）在 2016 年甚至没有上榜，但十年后，它已经超越金融科技和支付，成为第二大类别。

如果你关注风险投资的流向，也会发现市场对机器人技术的兴趣激增：

据 Pitchbook 数据，第一季度机器人和物理 AI 领域的投资额和投资数量均创历史新高，投资额约为 160 亿美元，涉及近 500 笔交易。

作为参考，机器人领域的投资热潮在数量上比 2021 年至 2025 年期间高出约 2 倍，在价值上高出约 4.5 倍。

关键在于，向实体经济的转变（至少在私募市场）不仅仅关乎芯片和推理：硬件作为一种独立的产品正在崛起。

这也不难理解。更优秀的软件拥有巨大的潜力，但机器人将技术推向了一系列软件本身无法触及的现实世界“任务”。AI 在某种程度上解锁了驱动硬件的软件，以前所未有的方式拓展了需求范围。这与电力最终使机器能够完成人类几乎无法想象的工作的情况颇为相似。

目前，机器人技术最引人注目的新领域是国防。当然，全球国防预算的不断增长也起到了推动作用。如果一切按计划进行，向资产密集型产业的转型可能会比以往任何现代科技周期都更加深入、广泛和持久。

AI 是赋能的，还是 AI “被赋能”的？

在大语言模型（LLM）浪潮的早期阶段，管理咨询公司被认为是 AI 领域的潜在赢家，至少在短期内如此。其逻辑非常简单：企业想要使用 AI，因此会聘请咨询公司来研究如何实现。特别是埃森哲，被认为处于非常有利的位置，因为它不仅可以提供建议和路线图，还能提供端到端的服务，也就是所谓的“托管服务”。

暂且不论具体原因，但市场对埃森哲的乐观情绪似乎已经消散殆尽：

埃森哲的自由现金流倍数在 2025 年初一度高达 30 倍，但如今已跌至约 6 倍，约是其长期平均水平的三分之一。

至于市场为何如此迅速地对埃森哲失去信心，各位可自行判断。但有一点越来越清晰：在“采用 AI”这一更广泛的领域，其意义远不止于简单地采用 AI。并非所有 AI 的采用都能以相同的方式创造价值，而要真正做到（或更有效地）AI 的采用，至少根据一些最新研究，需要在开发和构思阶段采取一些微妙的策略。

在一项涉及 515 家高增长初创企业的研究中，研究人员着重探讨了真正的“原生 AI”意味着什么。更具体地说，他们想知道如何才能从“AI 改进任务”过渡到“AI 改善公司”，而研究结果相当惊人。

事实证明，关键在于研究人员所说的“映射”问题。

当研究中的企业被告知其他企业如何围绕 AI 重组生产时（“实验组企业”），它们便开启了一种截然不同的探索过程。实验组企业并没有简单地复制现有流程，而是从更上游入手，将 AI 融入到业务成果中，从而形成了完全不同的流程。

研究人员以产品开发为例：

在这种情况下，AI 并没有复制流程中的既有步骤，而是围绕自身能力重新设计了流程，尽管目标是达成相同的基本业务成果。

当然，这只是一个例子，但总体而言，AI 对“实验组公司”的生产力影响是巨大的。实验组公司：

总之，当高增长的初创企业真正着手“采用 AI”时，它们发现了更多应用场景，创造了更多收入，并且消耗的资本也比那些没有采用 AI 的企业更少。

这是一个相当惊人的结果，它既可以消除人们对“AI投资回报率问题”的一些担忧，也可以解释为什么 AI 的投资回报率尚未在企业层面得到充分体现，至少没有达到某些人期望的程度。

研究人员认为，这意味着：(a) AI 在企业层面带来的生产力提升确实是变革性的；但 (b) 真正的突破在于探索阶段，也就是说，“探索在何处以及如何部署 AI 是实现收益的关键瓶颈”，而这并非仅仅是“采用 AI”那么简单。

从这个意义上讲，存在“探索瓶颈”意味着 AI 的发展路径与以往技术驱动的生产力飞跃并无二致。

例如，当电气化刚开始普及之时，许多制造商只是简单地用大型电动机取代了蒸汽机，同时保留了原有的架空传动轴和皮带传动系统。工厂基本没变，只是“这次多了电机”。然而，直到制造商意识到他们可以在每台机器上安装小型电机（并几乎完全废弃整套传动轴和皮带传动系统），真正的益处才开始显现：工厂最终围绕嵌入式电力系统进行了彻底的重新设计（而不是反过来）。当然，接下来的发展是历史上生产力飞跃式提升的一大里程碑。

AI 初创公司精简运营

关于 AI、初创公司和学术研究，同一批研究人员还有一项发现： AI 初创公司确实在精简运营。至少根据这项对过去四年 YC 创业营数据的研究来看是如此。

研究人员分析了 YC W20-F24 期（首轮融资于 2020 年至 2024 年间完成）的数据，并将其与 Revelio 的员工人数、职能和资历数据进行关联。他们想了解 AI 初创公司在招聘和 / 或组织架构方面是否与非 AI 初创公司有所不同。

他们的发现是：

其中的含义不言而喻，尽管细节中可能还有更多变数，但你应该能明白：如果你认为 AI 将使企业能够以更少的资源创造更多价值，这项调查无疑为你的观点提供了更多佐证。

此外，Stripe Economics 也再次就 AI 赋能的“个人创业者”阶段发表了看法。

（注：最近，Stripe Economics 的 Ernie Tedeschi 基于 Stripe 自身的数据提出：所有类型的创始人在第一季度似乎都有所增长，但“非 AI 个人创始人”的增长最为显著，“AI 个人创始人”的增长位居第二。如下图所示：）

尽管 Stripe 对其数据中“个人创业者”的识别方式提出了诸多限制，但他们仍然为以下观点提供了更多佐证：AI 确实正在推动更多创业活动和企业成立，而且个人创业者也取得了相当大的成功。

请看按收入门槛划分的个人创业者比例：

不仅年收入超过 10 万美元的个人创业者比例在上升，而且年收入超过 500 万美元和 1000 万美元的个人创业者比例在 2023 年和 2024 年开始显著增长。

Stripe Economics 指出：

• 我们发现，在我们的指数中，年收入超过 10 万美元的个人创业者数量显著增加，但收入达到更高门槛的个人创业者数量增幅更大，并且自 2023 年以来增长速度明显加快。2025 年，年收入超过 100 万美元的个人创业者数量是 2023 年的两倍多，而年收入超过 500 万美元和 1000 万美元的个人创业者数量则接近 2023 年的三倍。

• 或许更有趣的是，过去两年中，收入超过这些门槛的个人创业者比例也翻了一番。这表明，企业申创的激增并非反映出少数幸运儿的低质量实验，而是新成立的个人创业者群体质量可能比以往更高。

当然，考虑到个人创业者的识别方式（在本例中，是通过 Stripe 的个人创业者专属工具）以及这些企业员工人数可能随时间推移而变化（Stripe 可能并不知情）等诸多不确定因素，数据表明，AI 驱动的小企业时代仍在持续发展。

科技让杂货店的效率更高，但同时也降低了效率

杂货店的一个有趣之处在于，与更广泛的零售贸易类别不同，杂货店在过去 30 年里的生产率并没有显著提高：

或者更确切地说，自 1990 年以来，零售业的生产率增长基本保持稳定，而杂货店的生产率则经历了先是下滑，然后有所回升，之后停滞不前，尽管最近有所下滑，但又开始回升，不过仍远不及零售业的生产率飙升。

这很有意思，因为它一方面讲述了技术（及其与生产率的关系）的故事，另一方面也讲述了如何衡量生产率的故事，生产率的衡量方法大致是产出除以劳动时间（而这充其量也只是一个不完美的衡量标准）。

对于杂货店（以及零售业）来说，除了收银机之外，最伟大的发明就是电子扫描仪。它们最早出现在 20 世纪 70 年代，但到了 90 年代，它们几乎无处不在。扫描仪主要有两个作用：（1）极大地扩展了库存范围； (2) 促进了零售商和杂货商日益精细的数据收集工作，以便了解顾客的购买意愿以及所需的库存量。

在 20 世纪 90 年代，杂货店和零售商的规模都开始大幅扩张，受益于技术驱动的规模经济，这对消费者来说是好事，但也或多或少地宣告了家庭式夫妻店的终结。

然而，从那时起，零售商和杂货商的命运开始分道扬镳。零售商大幅扩展了库存，但并没有增加太多新员工，而是更加专注于现成的预包装商品，这些商品只需比以前少得多的人手即可进行库存管理和监控。另一方面，杂货商决定将业务拓展到杂货以外的特色服务领域，例如花店、面包店、熟食柜台等。

当然，随着特色服务份额的增长，对专业劳动力的需求也随之增加。正如上图所示，尽管杂货店的生产率有所提高，例如大幅扩展了商品和服务的种类，并降低了价格，但就产出 / 劳动时间而言，它们的“生产率”并没有提高。这也是为什么零售业的“生产率”远超杂货店的“生产率”，而两者的工资增长速度基本相同。

​​直到杂货店借鉴了更广泛的零售和百货行业的成功经验，其生产率才开始再次提升：

大约在 2000 年，非家庭食品类产品的份额开始大幅增长：利润率更高的预包装食品、零食和日用百货在十年内增长了近 5 倍。与此同时，超市还将更多的上架、陈列等工作外包给了供应商，类似于收取货架空间的“费用”。这是一种巧妙的“提高生产率”的策略，虽然劳动时间并没有减少，但却转移到了其他人身上。

从“提高生产率”的角度来看，这种转变在不增加劳动时间的情况下提高了产量，超市的生产率也因此迎来了复兴。

尽管劳动在食品杂货收入中的份额在 2002 年左右之前稳步上升（而劳动在零售收入中的份额则有所下降），但至少在最近之前，这两个份额都一直在稳步下降。

“劳动收入份额”的下降基本上是“生产率”的反面：用更少的工人生产更多的产品会导致劳动收入份额的下降（这里没有考虑到所有利润带来的 401k 退休金账户的增长）。

然而，有趣的是（回到科技和生产率的话题），最新一波购物创新浪潮（电商和送货上门）似乎再次与食品杂货和零售业“生产率”走向的分化不谋而合。虽然电商对零售商来说是一大福音，他们现在无需租赁任何店铺，但送货上门可能只是意味着同样甚至更多的人会在杂货店里闲逛，挑选商品。路边取货甚至可能比传统的购物方式更耗费人力。

无论这是因果关系还是巧合，事实是，疫情后食品杂货的生产率再次下降（劳动收入占比也开始回升），而零售业则变得更加精简高效。同样的科技，同样的生产率提升，然而，最终呈现的“生产率”却截然不同。

不过，对杂货店来说，好消息是，在摊位上投放广告总能赚到钱（高利润）。

相关阅读：a16z：软件不仅吞噬了世界，还打破了经济模型