七個案例。Sequoia 平均以 1.1 億美元 post-money 進場；一個月內，資本夥伴進場的平均價格是 34 億美元。

約 31 倍。一個月。

這是 Pat Grady 九月二十四日錄的一支 15 分鐘 Loom 裡，倒數第二張投影片的內容。他是 Sequoia 的負責人之一，這支影片原本是給母校 Boston College 投資委員會看的——Boston College 是 Sequoia 的 LP。錄完給合夥人看，後來公開在 X 上。

他講完那組數字，自己下了結論（繁中翻譯）：

這是我們前所未見的事，也充分代表市場的泡沫。

一個 VC 當著出資人的面說泡沫，這件事本身就值得逐張拆開看。

30 秒定位

項目 內容
講者 Pat Grady，Sequoia
對象 Boston College 投資委員會（Sequoia 的 LP）
錄製日 2026-09-24（講者口述）
長度 15 分鐘
結構 科技浪潮史 → 三個轉折點 → 好／壞／醜 → 實驗室信念 → 擴散落差 → 應用層 → 營運 → 估值
最硬的數字 七個案例：Sequoia 平均 1.1 億美元進場，一個月內下一輪平均 34 億美元
不能驗證的數字 被點名或未具名公司的營收與成長率，全是口述

他怎麼定義「現在」

Pat 的時間軸很乾淨，三個點：

  • 2022 年 11 月：預訓練的力量
  • 2024 年末 OpenAI 的 o1：推理的力量，系統一和系統二思考
  • 去年秋天的 Claude Code 和 Opus 4.5：長時程代理人的力量

前兩個點是連續的進步，第三個他認為是跳躍。今年一月 Sequoia 發了一篇〈2026: This is AGI〉，Pat Grady 和 Sonya Huang 合寫，用的是功能性定義：能自己把事情搞清楚、能規劃、用工具、循環到目標達成，就是 AGI。他說當時大家有點嘲笑他們，到了九月這已經是共識。

他用的類比是「更快的馬」和「汽車」。過去幾年的 AI 是更快的馬，本質還是軟體，只是比較好用。現在是汽車，運送你的方式根本不同。

他舉的證據是兩個消費端產品：Instinct（Noah Shinn 創辦，八月估值 25 億美元，傳出正談 100 億估值）和 Meta 九月上旬推出的 Muse。他的說法是這兩個東西「…從一個 app 變成一名助理」，不是處理任務，是把工作做完。

他拿 Zoom 類比。視訊會議早就存在，但沒人信任它，Zoom 是第一個跨過信任門檻、讓人預設用它開會的產品。AI 替你做事的理論早就有了，跨過信任門檻才是今年的事。

這個框架我同意一半。信任門檻的說法是對的；「汽車已經出現」則是用消費端兩個產品去推整個經濟，中間跳過了企業導入那一大段。這一段他自己後面也承認了。

實驗室的兩個生意：賣 token，和派人去燒 token

實驗室內部信念那段，Pat 用了奧卡姆剃刀：這些人不擅長公共溝通，所以他們講的話聽起來刻意或矛盾時，大概就是在陳述真實意見。AGI 到了、接下來追 ASI、模型過去一年大部分時間在建造自己（RSI，遞迴式自我改進）、對齊是真問題——所以才有九月十二日 Dario Amodei 那篇〈We Must Pace the Frontier〉。

這段都是轉述別人，我比較在意的是商業層那兩句。

第一句：token 競爭很激烈，大量消耗 API 的公司數量有限，實驗室一直削價搶。

第二句：實驗室設了「部署小隊」，讓一整批顧問進入財星 500 大企業，打造會消耗 token 的客製化應用。

第二句要重讀一次。

本 blog 寫過好幾篇 FDE（Forward Deployed Engineer，駐場工程師），核心論點是複雜領域的 AI 導入要靠人駐場，不是靠 SaaS 自動化。Pat 這段話證實了這件事——連模型實驗室都得派人進企業，產品本身不會自己擴散。

但他同時說出了動機：部署小隊是 token 競爭的另一種手段。 駐場的人要對誰負責，決定了他會替你做出什麼。一個 KPI 是「企業問題有沒有解決」的 FDE，和一個 KPI 是「客戶月消耗多少 token」的 FDE，在同一個需求面前會給出不同的架構。前者會問「這個判斷需不需要大模型」，後者不太會問。

擴散落差：他整支影片真正的論點

模型能力與實際採用之間有巨大落差；我們稱之為「擴散落差」（diffusion gap）。

這是整支影片的承重牆，也是他給 LP 的投資邏輯：實驗室的能力已經到了，企業還沒用上，中間那段距離就是應用層新創的機會。

他列的機會清單：

  • 高價值知識工作：程式設計、資安、醫療、金融服務、會計，每個主要領域會出現一家巨型公司
  • 新的記錄系統（systems of record）：雲端時代的 ServiceNow、Workday、Salesforce，這次轉型會有新的一批
  • 前沿科學：他點名 Chai（Chai Discovery）。Chai-2 在完全從頭設計抗體上做到 16% 命中率，官方說比過去的計算方法高 100 倍以上
  • 新型實驗室：不需要另一家通用型，需要垂直領域或新架構的，他舉 Jev

這張清單跟前面的「汽車已經出現」其實互相拉扯。如果汽車已經到了，擴散落差應該很小；擴散落差大，代表多數企業還在騎馬。他在前半段說 AGI 到了，後半段說大家還沒用上，兩句都成立，但後一句才是他要募資的理由。

那些成長數字，我只能驗證一半

投影片上的成長數字，Pat 邊講邊說「其實，我們之後會改這幾張投影片」：

  • Instinct：日成長率仍持續超過 10%
  • 某家高價值知識工作公司：去年底營收約 2 億，今年約 7 億
  • 另一家同類公司：200 萬到 5,000 萬
  • Jev：過去七天從零成長到一億美元營收

後三個都沒有公開數字可以對。Jev 可以，因為 Jev 的定價是公開的：每百萬輸入 token 0.042 美元，輸出不收費。

拿這個價格反推，七天一億美元營收需要約 2,380 兆個輸入 token，平均每天約 340 兆。

這個量級我找不到任何公開的對照可以讓它成立。公開報導能查到的是估值：傳出以 100 億美元估值洽談 10 億美元以上的新一輪，營收沒有揭露。

幾種可能：他講的是年化 run-rate、是合約承諾金額、是 Whisper 轉錄把某個詞聽錯了，或者單純口誤。我沒辦法判斷是哪一個。但這件事有一個直接的含義：投影片上唯一能用公開定價去核對的營收數字，核對不過。 其他未具名的數字，你只能選擇相信或不相信。

「Own your intelligence」：Sequoia 兩個月內第二次講

營運段有一個趨勢叫「擁有你自己的智慧」（own your intelligence）。

八月 Sonya Huang 在 Sequoia 活動上講 not your weights, not your product，那次的理由是領域性能：開源基線夠高了，在你的資料上 post-train 可能比 API 更強。

Pat 這次換了理由。他明說不是因為怕基礎模型，也不是 GDPR：

…只是因為基礎模型只佔據「價格—效能」帕累托前緣上的幾個點。

這個說法比八月那次更精確，也更難反駁。前沿模型是曲線上最右上角那幾個點——最強、最貴。你的工作負載分散在整條曲線上，大部分工作不需要最強的點。Jev 本身是這個論點的例子：多選判斷這種工作，放到一個不寫字的專用模型上。

八月那篇我寫過 VC 推這個論點有位置利益——被投公司自建越多，infra、fine-tuning、data pipeline 那一層的新創越多。這次的帕累托版本把位置利益藏得更好，但它技術上是對的：工作負載該按「需要多少能力」分流，不是全部丟給同一個最強模型。 這條和你買不買 VC 的帳無關，單獨成立。

每四個月重新發明自己

營運段還有兩句我覺得對台灣團隊最實用。

第一句：真正有效的應用層公司，每四個月就得重新發明自己。原因是前面講的技術地板在腳下移動，每移動一次，產品的假設就要重來。

第二句：多數公司採取實驗室式做法，把組織從「最弱環節遊戲」變成「最強環節遊戲」——挑出最強的人、保護他們、放手讓他們推。

然後他提到組織結構更像代理人網路，「情況還沒有 Jack Dorsey 幾個月前那篇貼文講得那麼戲劇化」。那篇是四月 Jack Dorsey 和 Sequoia 的 Roelof Botha 合寫的〈From Hierarchy to Intelligence〉，Block 同時裁掉約 4,000 人。Pat 引用的是自家合夥人參與寫的文章，這點記一下就好。

反方：他當著 LP 說泡沫，這不是很誠實嗎？

這是對我這篇最強的反駁，我先把它講完整。

一個 VC 在給出資人的簡報裡，主動用自家七個真實案例說市場是泡沫。這跟一般 VC 對外講「長期看好、估值合理」完全相反。他在 X 貼文裡自己寫：”This is not a sales pitch, it’s just a reflection on what we’re seeing.”他願意在影片結尾說「最後，我們不知道未來會怎樣」，也願意在壞的一面講 hyperscaler 開始靠舉債支撐資本支出——Epoch AI 估算，hyperscaler 的現金資本支出大約在 2026 年第三季超過營運現金流，這點有第三方數據對得上。把他的泡沫說法讀成話術，是不是太陰謀論？

我的回應是：誠實和位置利益，兩個同時成立。

看那張投影片的結構。1.1 億是「公司建設夥伴」的價格，也就是 Sequoia 的價格。34 億是一個月後「資本夥伴」的價格。泡沫在哪一層？在 34 億那層。Sequoia 在哪一層？在 1.1 億那層。

對一個 LP 來說，這張投影片的讀法不是「市場很危險」，是「市場很危險，但我們在泡沫下面 31 倍的位置進場」。它同時是一個誠實的警告，和一份非常有效的募資簡報。 這兩件事不衝突，所以他可以很誠實地講。

所以我不修正主論點，只把它講精確：他說的泡沫是真的，但那張投影片要回答的問題是「錢該放在哪一層」，不是「現在該不該進場」。

這改變了誰的什麼決策

台灣企業 CTO。

Before：等模型穩定一點再導入；挑一家 API 簽年約；請原廠或代理商派人來做 PoC。

After，依這支影片可以推出三個調整：

  1. 把「每四個月重評」寫進合約和架構。 如果應用層公司自己都要四個月重新發明一次，企業不該簽一個把模型綁死兩年的架構。模型呼叫要可替換，eval 集要能在換模型時重跑。
  2. 原廠派來的人，先問他的 KPI。 Pat 已經說了部署小隊是 token 競爭的手段。這不代表他們做得不好，但你要知道他們在架構選擇上天然偏向多用大模型。多選判斷、分類、路由這類工作，要自己問一句「這需不需要前沿模型」。
  3. 把工作負載攤在價格—效能曲線上。 列出系統裡所有 AI 呼叫，標上每個需要的能力等級。多數會落在不需要最強模型的區間，那一段才是 own your intelligence 真正省錢的地方。

坦白說

這篇的證據基礎比看起來薄。

來源是一支 15 分鐘影片的機器轉錄。 我拿到的是 Whisper 英文轉錄再翻成繁中，沒有英文原稿可核。文中引文都是繁中翻譯，不是他的原話。Instinct、Jev 這些名字是查證後才確認的，轉錄本身不可靠。

多數營收數字無法驗證。 七個估值案例、2 億到 7 億、200 萬到 5,000 萬，全部未具名，只有他自己的口述。唯一能用公開定價核對的 Jev 營收，核對不過。他自己也說會改投影片。

「AGI 已到」是他自己的定義。 那是 Sequoia 一月文章的功能性定義，不是業界共識的技術門檻。他說這已變成共識，這句話本身沒有數據支撐。

我對位置利益的解讀也是推論。 我不知道那七家公司是誰、Sequoia 在第二輪有沒有跟投、LP 的實際回報怎麼算。31 倍是帳面價差，不是實現報酬。

但這支影片做對了一件事：它把「擴散落差」講成一個可以投資的東西。 模型能力和企業採用之間的距離，過去常被當成「導入很難」的抱怨；他把它定義成一個機會的大小。對做 FDE、做企業導入的人來說，這個框架比任何一個成長數字都有用。

關鍵洞察

一、看到泡沫說法，先問說話的人在哪一層。 1.1 億和 34 億之間的差距，對 Sequoia 是價差，對 34 億那層的投資人是風險。同一張投影片，你在哪一層決定它是警告還是機會。

二、原廠部署小隊來了，先問 KPI。 Pat 已經公開說他們是 token 競爭的手段。他們能幫你導入，但「這個判斷需不需要大模型」這個問題，要你自己問。

三、把所有 AI 呼叫攤在價格—效能曲線上。 這是 own your intelligence 在技術上唯一站得住的版本，跟你買不買 VC 的帳無關。

四、架構要能每四個月換一次地板。 模型呼叫可替換、eval 可重跑。這是應用層公司的生存條件，對企業內部系統也一樣。

常見問題 Q&A

Q: Pat Grady 這支 AI 現況影片的核心論點是什麼？

Sequoia 的 Pat Grady 在 2026 年 9 月 24 日為 Boston College 投資委員會錄了一支 15 分鐘影片。核心論點是：長時程代理人（long-horizon agents）的出現代表 AGI 已經到了，但模型能力和企業實際採用之間存在巨大的「擴散落差」（Diffusion Gap），這段落差正是應用層新創的機會。他同時用七個真實案例指出估值泡沫：Sequoia 平均以 1.1 億美元進場，一個月內下一輪平均 34 億美元。

Q: 什麼是擴散落差（Diffusion Gap）？

擴散落差是 Pat Grady 用來描述「AI 模型已經能做到的事」和「企業與個人實際在用的事」之間的距離。實驗室端的能力已經能解數學定理、做長時程代理人，但多數企業還沒有真正導入。Sequoia 把這段距離視為應用層公司的市場大小，並預期高價值知識工作的每個主要領域（程式、資安、醫療、金融、會計）會各自出現一家巨型公司。

Q: 什麼是「擁有自己的智慧」（Own Your Intelligence），跟直接用 API 差在哪？

Pat Grady 的說法是：前沿基礎模型只佔據價格—效能帕累托前緣（Pareto Frontier）上的少數幾個點，即最強、最貴的那一段。企業的工作負載分散在整條曲線上，多數位置用自行後訓練的開源模型比直接用前沿模型的現成 API 更合適。這跟 Sequoia 的 Sonya Huang 八月講的 not your weights, not your product 是同一個方向，但理由從「領域性能」換成「成本曲線覆蓋」。

Q: 實驗室的「部署小隊」和 FDE 有什麼不同？

Pat Grady 描述實驗室派出一整批顧問進入財星 500 大企業，打造會消耗 token 的客製化應用，並明說這是 token 競爭的一種手段。形式上它和 FDE（Forward Deployed Engineer，駐場工程師）一樣是派人駐場，差別在 KPI：以解決企業問題為目標的 FDE 會優先問「這件事需不需要大模型」，以 token 消耗為目標的部署團隊在架構選擇上天然偏向多用大模型。企業在接受原廠駐場時，應該先釐清對方的績效指標。

Q: 影片裡 Jev 七天一億美元營收的說法可信嗎？

目前無法驗證。Pat Grady 口述 Jev 過去七天從零成長到一億美元營收，但 TypeSafe 沒有公開營收。用 Jev 公開的定價（每百萬輸入 token 0.042 美元，輸出不收費）反推，七天一億美元需要約 2,380 兆個輸入 token，平均每天約 340 兆，這個量級找不到公開對照可以支撐。公開報導能確認的是估值層面：傳出以 100 億美元估值洽談 10 億美元以上的新一輪。可能是年化數字、合約金額、轉錄誤差或口誤。

來源

相關文章