a16z 创始人 Marc Andreessen 2026 年展望：AI 时间表、美国与中国的竞争，以及 AI 的真实成本
Marc Andreessen 认为，AI 是他一生中经历过的最大一次技术革命。
在这场与 a16z 的 Jen Kha 的对话中（最初为 a16z 的一次内部会议），Marc 重点讨论了：
- AI 革命的巨大规模与深远影响
- 全球超过 50 亿移动端用户构成的基础设施，如何为 AI 提供“即刻分发”的能力
- 为什么最优秀的 AI 应用公司，最终都会是自建 AI 能力的深科技公司（deep tech）
- 与中国的 AI 竞赛，以及错误立法可能如何让美国在竞争中倒退
- 为何拥抱未来，是风险投资取得成功的前提条件
在这段 a16z 的视频中，硅谷知名投资者马克·安德里森（Marc Andreessen）对 2026 年的 AI 发展前景、中美竞争以及 AI 的经济影响进行了深入探讨。
以下是视频核心观点和内容的整理：
- AI 革命的定位：历史性的转折点
比互联网更重大： 安德里森认为 AI 是他一生中见过的最大的技术革命，其重要性超过了互联网，可与微处理器、蒸汽机和电力相提并论。
80 年的跨度： 他回顾了计算机科学的历史，指出 AI（神经网络）与传统的“加法机”模型早在 20 世纪 30-40 年代就开始了路线之争。现在的 ChatGPT 时刻实际上是长达 80 年研究的结晶。
超速增长： 领先的 AI 公司正以史无前例的速度增长，其收入增长比他见过的任何技术浪潮都要快。
- AI 的经济学：价格崩溃与需求爆发
成本迅速下降： AI 的价格下降速度远快于摩尔定律。由于单位成本的骤降，反而刺激了更大量的需求爆发。
“按量计费”与价值定价： 虽然目前流行“按 Token（令牌）计费”的云服务模式，但安德里森建议初创企业应向“价值定价”转型，例如按照 AI 替代人工（如医生、律师）所创造的具体价值来收费。
- 中美 AI 竞赛与地缘政治
双雄争霸： 全球 AI 研发主要集中在美中两国。他提到中国的 DeepSeek、Kimi（月之暗面）、Qwen（阿里）等模型在技术上已迅速追赶上美国水平。
开源的力量： 中国通过开源策略（如 DeepSeek）来打破美国的技术壁垒。安德里森认为这种“小而强”的模型能够在低成本硬件上运行，是极大的技术进步。
政策转向： 华盛顿现在的共识是 AI 竞争关乎地缘政治地位。为了不输给中国，美国国内对 AI 的监管压力（如过严的联邦立法）有所缓解。
- 行业结构：大小模型与开源闭源
金字塔结构： 未来的 AI 产业将类似于计算机产业：顶部是极少数超大规模的“上帝模型”（God models），底部是无数运行在各类嵌入式设备中的小模型。
开源与教育： 开源模型不仅降低了成本，还加速了 AI 知识的传播，使得年轻的开发者能迅速上手，解决人才短缺问题。
- 政策监管与社会认知
加州法案（SB 1047）的教训： 他严厉批评了加州此前试图模仿欧盟 AI 法案的做法，认为将下游责任归咎于开源开发者的做法会扼杀创新。
言行不一： 社会调查显示人们对 AI 充满恐惧（担心丢工作），但实际行为表明人们正疯狂使用并热爱 AI（提高效率、辅助决策）。
- a16z 的投资哲学
抓住波动： 风险投资的利润来自于底层的架构变迁。a16z 不会赌单一路径，而是同时押注大模型、小模型、开源、应用层等多个方向。
保持直率与争议： 安德里森认为风险投资家应该勇敢表达有争议的观点，这样能吸引最优秀的创始人。
总结： 安德里森对 2026 年及以后的 AI 前景持高度乐观态度。他认为尽管存在中美竞争和监管博弈，但技术本身的降本增效能力将不可阻挡地重塑全球经济和人们的日常生活。
本文为基于公开视频的分析性总结，不构成原内容替代。
ABAB AI Insight
这一段讨论的，其实不是“模型大小”或“开不开源”的技术细节，而是在回答一个更底层的问题：AI 时代的产业权力，将如何分层分配？谁控制核心？谁拥有机会？
我从产业结构 → 技术必然性 → 人才与教育 → 权力格局四个层级解读。
一、“金字塔结构”不是预测，而是必然结果
顶部是极少数“上帝模型”，底部是无数小模型
这并不是对 AI 的乐观或悲观判断，而是计算产业 70 年反复验证过的结构规律。
历史对照非常清晰：
计算机时代：
- 顶部：IBM / Intel / Microsoft（操作系统 + CPU）
- 底部：无数 PC、嵌入式系统、软件应用
移动互联网：
- 顶部：iOS / Android
- 底部：数百万 App
📌 当一个产业的边际成本趋近于零，而固定成本极高时，必然形成“极端集中 + 极端分散”的金字塔。
AI 正是如此：
- 训练“上帝模型”的成本：百亿级美元、百万级算力
- 运行小模型的成本：几乎为零，可嵌入任何设备
二、为什么“上帝模型”只能是极少数？
因为它们承担的是：
- 世界知识的整合
- 多模态统一表示
- 通用推理能力
- 基础智能“底座”
这类模型的门槛不是：技术想法，而是：
- 算力规模
- 资本耐力
- 工程组织能力
- 长期亏损承受能力
📌 这不是创业公司能靠聪明取胜的战场，而是国家级/平台级博弈。
因此：顶层不会民主化，只会寡头化。
三、底层“小模型”的爆发，反而是创新最密集的地方
金字塔真正的活力不在顶层，而在底层。
小模型的特点是：
- 场景专用
- 强约束环境
- 低功耗、低延迟
- 可嵌入设备、机器人、汽车、终端
现实例子：
- 手机端 AI
- 工业传感器
- 医疗设备
- 自动驾驶子系统
- 可穿戴设备
📌 未来 90% 的“AI 应用价值”，会发生在这些小模型身上。
而它们并不需要“最强智能”，只需要足够好 + 可控 + 便宜。
四、开源的真正意义：不是省钱，而是“人才扩散机制”
开源模型不仅降低成本，还加速知识传播
这是非常关键的一点。
开源在 AI 里的三重作用：
1️⃣ 教育作用（最被低估）
年轻开发者可以：
- 看模型结构
- 改权重
- 部署推理
- 不再只是“API 使用者”
📌 这决定了未来 10 年工程师的“智力起点”。
2️⃣ 人才供给作用
企业不再只靠“挖人”，而是：从开源社区直接吸收熟练者
📌 开源 = 全球 AI 技能训练营。
3️⃣ 创新扩散作用
- 小模型
- 新架构
- 新推理方式
- 往往先出现在开源社区，而不是大公司论文。
📌 闭源模型负责“能力上限”，开源模型负责“创新速度”。
五、开源 vs 闭源，不是对立，而是分工
一个常见误解是：开源会取代闭源
现实恰恰相反。更可能的结构是：
闭源：
- 控制顶层能力
- 提供通用智能
- 构建商业护城河
开源：
- 扩散技术
- 训练人才
- 填满应用层生态
📌 这就像：Linux 没取代 Windows，但 Linux 训练了整个互联网工程师群体
六、对个人与创业者的真实含义
对个人：不必幻想“训练上帝模型”
应该：精通小模型、精通部署、精通垂直场景
📌 未来最值钱的人，不是“最懂 AI 的人”，而是“最懂 AI 如何嵌入现实系统的人”。
对创业者：不要在顶层硬刚
要在：垂直场景、硬件结合、工作流自动化里找机会
📌 金字塔底部足够大，容得下无数独角兽。
七、一句最高认知总结（核心）
AI 产业不会走向“人人平等的智能”，而会走向“极少数控制智能底座，多数人重构现实世界”。
开源的使命，不是推翻金字塔，而是：让更多人有资格站在金字塔上工作。
理解这一点，你就理解了AI 时代真正的机会分布图。