作为投资者，他们的工作是深入理解科技行业的每一个角落，从而洞察未来趋势。每年12月，a16z都会邀请各投资团队分享他们认为来年科技创业者最有可能解决的一个重大问题。
今天发布的是来自基础设施团队（Infrastructure）、成长团队（Growth）、生物与健康团队（Bio + Health）以及Speedrun团队的观点。明天将继续发布其他团队的看法。
基础设施
Jennifer Li：创业公司将驯服多模态数据的混乱
非结构化、多模态数据长期以来是企业最大的瓶颈，也是尚未开发的最大宝藏。每家公司都淹没在PDF、截图、视频、日志、电子邮件以及半结构化数据的泥沼中。模型越来越聪明，但输入却越来越杂乱，导致RAG系统出现幻觉、智能体在微妙而昂贵的方式中崩溃，关键工作流依然严重依赖人工质量检验。如今限制AI公司的不再是算法，而是数据熵（data entropy）：企业知识中那80%存在于非结构化世界的部分，正在经历新鲜度、结构化程度和真实性的持续衰变。
因此，理清非结构化数据成为一次世代级的机遇。企业迫切需要一种持续的方式来清洗、结构化、验证并治理其多模态数据，使得下游AI任务真正能正常运行。用例无处不在：合同分析、入职流程、理赔处理、合规、客户支持、采购、工程搜索、销售赋能、分析管线，以及所有依赖可靠上下文的智能体工作流。那些能从文档、图像、视频中提取结构信息、解决冲突、修复数据管线、保持数据新鲜且可检索的初创公司，将掌握企业知识与流程的钥匙。
Joel de la Garza：AI将重振网络安全招聘
在过去十年中，首席信息安全官（CISO）面临的最大挑战是招聘。2013年至2021年间，网络安全领域的职位缺口从不足100万增长到300万。原因在于安全团队雇佣了大量技术人员，让他们每天从事极其枯燥的一级安全工作，例如审查日志——而几乎没人愿意做这种事。问题在于，正是这些安全团队通过购买“检测一切”的产品，制造了这种工作量，从而造成“需要审查一切”的恶性循环，进而形成虚假的劳动力短缺。
到2026年，AI将打破这种循环，通过自动化大量重复冗余的工作来缩小招聘缺口。任何在大型安全团队工作过的人都知道，一半的任务完全可以自动化，只是当人们淹没在工作中时，根本无暇去找出应当自动化的部分。AI原生安全工具将代替安全团队完成这一任务，从而让他们终于能做自己真正想做的事：追踪黑客、搭建新系统、修复漏洞。
Malika Aubakirova：智能体原生基础设施将成为企业标配
2026年，企业基础设施的最大冲击不会来自外部公司，而是源自内部。世界正从“人类速度”的、可预测且低并发的流量，转向“智能体速度”的、递归式、突发性且海量的负载。
当下的企业后端是基于人机交互设计的——即每一个用户动作对应一次系统响应。然而，它并未被设计来应对这样的场景：单个智能体的“目标”会在毫秒级内触发5000个子任务、数据库查询与内部API调用。当智能体试图重构代码库或修复安全日志时，它在系统眼中并不像一个用户，而更像一次DDoS攻击。
构建2026年的基础设施意味着必须重新架构控制平面。“智能体原生（agent-native）”基础设施将崛起。下一代系统必须将“惊群效应”视为默认状态，冷启动时间需缩短，延迟波动必须压缩，并发能力则需提升几个数量级。新的瓶颈将变成协调能力：在大规模并行执行中进行路由、锁定、状态管理与策略执行。唯有能在这场“工具洪流”中存活的平台，才能赢得未来。
Justine Moore：创作工具将进入多模态时代
现在AI已经具备讲故事的构件：能生成声音、音乐、图像和视频。但只要创作者想要制作超越“短片”级别的内容，就会发现过程依然耗时、痛苦、几乎不可能实现——尤其当他们想要获得类似传统导演那样的控制力时更是如此。
为什么不能让模型读入一段30秒的视频，然后续写场景、引入由参考图像和声音创建的新角色？为什么不能重新拍摄同一个片段，让镜头换个角度，或者让动作匹配另一段视频？
2026年将是AI多模态创作元年。只需提供任意形式的参考素材，就能与模型协作创作新内容或编辑现有场景。像Kling O1和Runway Aleph这样的早期产品已经出现，但仍有大量空间等待创新——不仅在模型层，也在应用层。
内容创作是AI最具潜力的应用之一，预计将出现多个成功的产品，覆盖从表情包创作者到好莱坞导演的不同用户群体。
Jason Cui：AI原生数据栈继续演化
过去一年中，“现代数据栈”领域出现大量整合。数据公司从聚焦单一环节（如数据摄取ETL、转换、计算）转向整合化平台。例如Fivetran与dbt的合并，以及Databricks等统一平台的崛起。
虽然整个生态显得更加成熟，但距离真正的AI原生数据架构仍处早期阶段。AI正重塑数据栈的各个部分，而数据与AI基础设施也正在深度融合。
以下是团队关注的几个方向：
- 数据将如何继续流入高性能向量数据库，与传统结构化数据并存；
- AI智能体如何解决“上下文问题”——即在构建稳健应用（如“与数据对话”类工具）时，持续获取正确的数据上下文和语义层，确保跨系统业务定义的一致性；
- 当数据工作流变得更加智能体化与自动化时，传统BI工具与电子表格将发生怎样的变化。
Yoko Li：2026年——人将“走进视频”
到2026年，视频将不再是人们被动观看的东西，而会成为可以真正“走进去”的空间。视频模型终于能理解时间，记得自己展示过的内容，能对用户的行为作出反应，并维持与现实世界一致的连贯性。它们不再生成几秒钟无关的画面，而能维持角色、物体和物理规律足够长的时间，让行动与后果产生意义。
这一转变将视频变为可构建的媒介：机器人可以在其中训练，游戏可以在其中演化，设计师可以原型化作品，智能体可以通过行动来学习。最终形成的不再是“片段”，而是有生命的环境——一个逐渐缩小“感知与行动”差距的世界。
人类第一次能真正**“进入自己生成的视频”**。
成长团队（Growth）
Sarah Wang：记录系统（System of Record）将失去主导地位
到2026年，企业软件领域真正的颠覆将是——系统记录层的主导地位开始瓦解。
AI正在迅速缩短“意图”与“执行”之间的距离：模型如今能够直接在运营数据之上进行读取、书写和推理，把IT服务管理（ITSM）和客户关系管理（CRM）系统从被动数据库转变为自主工作流引擎。随着推理模型与智能体化工作流的持续进步，这些系统将不仅能响应，还能预测、协调并自动执行端到端流程。
用户界面将演变成动态的“智能体层”，而传统的系统记录层将退居幕后，只作为一个通用的数据持久化层。
谁掌握了智能执行环境（intelligent execution environment）——也就是员工实际使用的那一层——谁就将拥有战略控制权。
Alex Immerman：垂直领域AI将从信息检索与推理，走向多人协作
AI推动垂直行业软件实现了前所未有的增长。医疗、法律、房地产类公司在短短几年内便突破了1亿美元年经常性收入（ARR）；金融和会计领域也紧随其后。
最初的阶段是信息检索：找到、提取并总结正确的信息。
到2025年，发展进入推理阶段：例如Hebbia可以分析财务报表并自动构建模型，Basis能在系统之间调节试算平衡，EliseAI能诊断维修问题并派出正确的供应商。
而2026年将开启第三阶段——“多人模式”（multiplayer mode）。
垂直行业软件具备特定的界面、数据和集成优势，但这些领域本质上都是多方协作的。若AI智能体要代表人类劳动，它们也必须学会协作。
从买家与卖家、租户、顾问到供应商，每一方都有独特的权限、工作流和合规要求——这些只有垂直行业软件能够真正理解。
目前，每个参与方都在孤立地使用AI，这造成了无权交接（handoff without authority）。
分析合同的AI无法与CFO沟通模型调整；维护AI并不知道现场员工向租户作出的承诺。
多人协作模式改变了这一切：它能跨利益相关方协调工作，进行路由、保持上下文、同步更改。
对方的AI将在设定参数内进行谈判，并标记异常情况以供人类复核。
高级合伙人的修改会反哺系统，为整个公司训练模型。
当任务由AI执行时，成功率也随之提高。
随着多方人类与AI协作带来价值增长，**切换成本（switching cost）**也会提升。
届时，AI应用长期缺乏的网络效应将真正出现——协作层本身将成为护城河。
Stephenie Zhang：为智能体而非人为设计
到2026年，人们将开始通过个人智能体与互联网交互，而那些面向“人类消费”的设计逻辑将不再适用。
多年来，互联网内容的优化都围绕着可预测的人类行为：
——在Google上排名靠前；
——在Amazon上出现在前几项；
——文章以TL;DR（摘要）开头。
这位合伙人回忆，在高中新闻课上，老师教授新闻写作要遵循“5W + H”，并用吸引眼球的导语开头。
过去，一个人可能错过第五页上的深刻洞见，但智能体不会。
这种转变同样适用于软件。应用程序长期以来是为“人眼”和“点击”而设计的，优化意味着良好的界面与直观的流程。
然而，当智能体接管信息检索与解释时，视觉设计的重要性将降低。
例如：
——AI运维（AI SRE）可直接解读监控遥测数据，并在Slack中发布洞察；
——销售团队无需翻查CRM，智能体会自动呈现模式与总结。
未来的软件设计将不再针对人类，而是针对智能体。
新的优化目标不再是视觉层次，而是机器可读性（machine legibility）。
这将彻底改变创作方式与工具形态。
Santiago Rodriguez：AI应用中的“屏幕时间KPI”将终结
在过去15年中，“屏幕时间”一直是衡量消费者与企业应用价值交付的关键指标。
无论是Netflix的观看时长、医疗系统EHR界面的鼠标点击数（以展示“有意义使用”）、还是ChatGPT的使用时间——这些都构成了核心KPI。
然而，随着**基于成果（outcome-based）**的定价体系崛起——即供应商与用户利益完全一致的模式——屏幕时间指标将首先被淘汰。
这一变化已经出现：
——当用户在ChatGPT上运行DeepResearch查询时，几乎没有屏幕时间，却获得巨大价值；
——Abridge自动捕捉医生与病人对话并生成后续文档，医生几乎不看屏幕；
——Cursor能端到端构建整个应用，工程师此时已经在规划下一个功能周期；
——Hebbia从数百份公开文件中生成投资推介稿，而投资银行家终于能安心睡觉。
这带来一个挑战：当应用几乎不需要人停留在界面上，该如何计算每位用户的价值？
医生满意度、开发者生产力、金融分析师的身心状态、消费者幸福感，都因AI应用而提升。
未来，那些能用最简单方式说明ROI（投资回报）的公司，将继续领先竞争者。
生物与健康（Bio + Health）
Julie Yoo：“健康月活用户”崛起
到2026年，医疗领域将出现一个新的核心客户群体：“健康月活用户”（Healthy MAUs）。
传统医疗系统主要服务三类用户：
(a) “患病MAUs”——具有周期性、高成本需求的人群；
(b) “患病DAUs”——长期重症或需密集护理的患者；
(c) “健康YAUs”——总体健康、极少就医的人。
健康YAUs往往有潜在风险，会逐步转变为患病群体。预防性护理本可延缓这一过程，但现实是：
我们的医疗报销体系以“治疗”而非“预防”为导向，因此主动监测与健康复查服务既不被优先考虑，也鲜少被保险覆盖。
于是，一个新群体出现了：“健康MAUs”——这些人目前并未生病，却希望持续监测并了解自身健康状况。他们可能代表着未来最大的消费群体。
预计将出现一波新公司——包括AI原生新创与老牌企业的重塑版——提供面向这类人群的订阅式、定期健康管理服务。
随着AI降低医疗交付成本、新型以“预防”为核心的保险产品兴起、以及消费者愿意自费订阅健康服务，“健康MAUs”将成为健康科技行业的下一高潜力群体：持续参与、数据驱动、以预防为导向。
Speedrun 团队
Jon Lai：世界模型将成为叙事中心舞台
到2026年，由AI驱动的世界模型（world models） 将彻底革新故事叙事方式，通过交互式虚拟世界与数字经济，构建全新的创作范式。
像 Marble（World Labs） 和 Genie 3（DeepMind） 等技术已经能从文本提示生成完整的三维环境，用户可以像在游戏中一样探索它们。随着创作者开始采用这些工具，全新的叙事形式将逐步出现，最终可能形成类似“生成式我的世界（generative Minecraft）”的存在——玩家共同创造庞大、持续演化的宇宙。
这些世界能将游戏机制与自然语言编程融合，例如输入指令：“创建一支我触碰任何物体都会将其变成粉色的画笔。”
这种模型将模糊玩家与创作者之间的界限，使用户成为动态共享现实的共同作者（co-authors）。这种演化或将催生互联的生成式多元宇宙（generative multiverse），让奇幻、恐怖、冒险等不同类型并存。
在这些世界中，数字经济 将蓬勃发展：创作者可以通过制作资产、引导新人、或开发新型交互工具获得收入。
更进一步，这些生成式世界还将成为AI智能体、机器人乃至通用人工智能（AGI） 的高质量训练环境。
因此，世界模型的崛起不仅预示着一种新型娱乐形式，更标志着一个全新的创意媒介与经济前沿的诞生。
Josh Lu：“我的时代”来临
2026年将成为“The Year of Me（我的时代）”：
那是产品从“大规模生产”走向“为你而造”的关键时刻。
这种趋势已经无处不在：
在教育领域，像 Alphaschool 这样的初创公司正在构建能适应每位学生节奏与兴趣的AI导师，为每个孩子提供量身定制的教育体验——这种个性化辅导在过去需要花费数万美元才能获得。
在健康领域，AI正在为每个人设计每日营养配方、锻炼计划与饮食方案，精准匹配个人生理特征——无需私人教练或实验室检测。
甚至在媒体领域，AI让创作者能将新闻、节目与故事**重混（remix）**为符合个人兴趣与语气的个性化内容流。
过去一个世纪中，最成功的公司靠**找到“平均消费者”而崛起；
下一个世纪的伟大公司将靠找到“平均之内的个体”**而成功。
2026年，将是世界停止为所有人优化，而开始为“你”优化的一年。
Emily Bennett：第一所“AI原生大学”即将诞生
2026年，人类将迎来第一所真正意义上的AI原生大学（AI-native university）——一所从零开始围绕智能系统构建的高等学府。
过去几年，大学陆续尝试AI评分、AI辅导、AI排课等功能，但现在出现的是更深层的变革：一个自我学习、自我优化的学术有机体。
设想这样一所大学：课程、指导、科研合作乃至校园运维，都在实时的数据反馈循环中持续自我调整。
——课表自动优化；
——阅读清单每日更新，随新研究而改写；
——学习路径根据每个学生的节奏与背景实时重组。
一些先例已初现端倪：
- 亚利桑那州立大学（ASU）与OpenAI的校园级合作，已催生数百项教学与行政AI项目；
- 纽约州立大学（SUNY）将AI素养纳入通识教育核心课程。
这些都为更深层次的AI融合铺平了道路。
在AI原生大学中，教授将成为学习架构师（architects of learning）：
他们不再只是讲授知识，而是负责数据策划、模型调优，并引导学生学会如何质询机器推理。
评估体系也将随之转变：
传统的检测工具与抄袭禁令将让位于AI感知型评估（AI-aware evaluation），学生不再因使用AI受罚，而要被考核如何使用AI。
透明与审慎的应用将取代禁令。
当各行业都在急需能够设计、治理并与AI系统协作的人才时，这所大学将成为人才引擎，培养能驾驭快速变革劳动力结构的AI协调专家（AI orchestrators）。
AI原生大学将成为新经济的人才发动机。
敬请关注明天发布的《2026大创想：第二部分》。