Creative New World：genAI 赛道地图
本节学什么
学习红杉为什么先画地图再谈投资。Creative New World 的核心不是说某个模型会赢，而是把 AI 从分析型工具升级为创造型平台迁移：文本、代码、图像、视频和工作流的边际创造成本下降，新的应用层、模型层和基础设施层会重新分配利润池。
核心框架
先分清能力范式，再分层。分析型 AI 帮人理解已有数据，创造型 AI 直接生成新内容、新软件和新决策。框架顺序是：能力变化、用户行为变化、商业化路径、基础设施约束、可证伪指标。
红杉怎么用
Sonya Huang 和 Pat Grady 在 2022 年用这篇报告给 genAI 产业画出早期地图。公开盘里，GOOGL、MSFT、AMZN、META 对应分发、云、办公和广告平台；私募观察里，OpenAI 代表基础模型能力外溢。这里不是荐股，而是看平台迁移会先在哪里产生用量和预算。
可迁移方法
研究新技术时，先写一张产业地图：谁创造能力，谁分发能力，谁把能力嵌入工作流，谁承担成本。不要从热门名单出发。
小结
红杉第一课是：强 thesis 先来自地图，而不是来自代码、估值或情绪。
$600B 问题：capex 清醒标尺
本节学什么
学习 David Cahn 的 $600B 问题：当 AI 基础设施投入快速扩张时，行业需要产生多少年化收入，才能让这些资本开支显得合理。它不是看空 AI，而是给狂热加一个收入兑现的标尺。
核心框架
把 AI 叙事拆成两张表：供给端是 GPU、网络、数据中心、电力和折旧；需求端是模型订阅、API、企业席位、广告效率、开发者工具和自动化节省。若供给端资本开支增长快于可验证收入，缺口就扩大；若应用付费、云收入和推理需求跟上，缺口才被缩小。
红杉怎么用
红杉用 Nvidia 数据中心收入倒推全行业需要的收入规模，因此 NVDA、AVGO 这类算力和网络暴露必须和下游收入一起看。GOOGL、MSFT、AMZN 的云和平台变现，OpenAI 等私募模型公司的收入质量，都是同一问题的另一面。
可迁移方法
审 AI 公司时，不只问它受益于 capex，必须问谁为 capex 买单、买单频率多高、毛利是否能承受推理成本、收入是否可持续。
小结
$600B 问题的价值，是把 AI 泡沫争论从口号变成可更新的收入缺口模型。
This Is AGI：功能性 AGI 已到
本节学什么
学习红杉如何定义更实用的 AGI。This Is AGI 的重点不是哲学意义上的通用智能，而是功能性标准：系统能自主理解目标、拆解任务、调用工具、迭代修正，并在复杂环境里 figure things out。
核心框架
功能性 AGI 要看三类证据。第一是任务长度，从单轮问答变成多步骤工作流。第二是工具使用，模型能调用搜索、代码、数据库、浏览器和企业系统。第三是结果责任，输出不只是草稿，而能完成可验收的业务任务。只有这三项一起进步，才会改变软件、服务和组织结构。
红杉怎么用
Pat Grady 和 Sonya Huang 通过 Training Data 持续对话 builder，观察能力边界如何从 demo 进入生产。公开市场上，GOOGL、MSFT 承接模型、云和工作流入口；私募里 OpenAI、Anthropic 是能力前沿观察点。判断重点不是谁某天最强，而是自主 agent 是否真能降低完成任务的成本。
可迁移方法
研究 agent 公司时，记录它能独立完成的任务链、失败率、人工接管率、单位成本和客户续费，而不是只看演示视频。
小结
AGI 研究要从概念争论落到任务完成率和经济性。
全栈布局：算力到平台
本节学什么
学习红杉公开市场臂 SCGE 的 AI 全栈表达方式。这里要特别区分：SCGE 13F 是公开市场臂披露，不等于红杉全部一级组合；但它提供了一张可研究的公开 AI 账本，从算力、设备到云平台都有节点。
核心框架
全栈不是把所有 AI 股票买一遍，而是把产业链拆成瓶颈层。算力层看 GPU、网络、封装和内存；设备层看先进制程和光刻能力；平台层看云、分发、数据和应用入口。每层都有自己的验证指标，也都有不同风险。
红杉怎么用
底稿显示 SCGE 公开盘 AI 暴露很高，代表性节点包括 NVDA、AVGO、ASML、GOOGL、MSFT、AMZN、META。NVDA 是训练和推理算力核心，AVGO 关联网络和定制芯片，ASML 是先进制程设备，平台公司则承接云收入、开发者生态和用户分发。
可迁移方法
搭建 AI 链研究表时，为每个标的写清它属于哪层、收入来自哪里、上游瓶颈是什么、下游需求由谁验证。不要用一个 AI 标签覆盖所有差异。
小结
全栈布局的可学之处，是用多节点账本降低单点叙事风险。
应用层与物理 AI
本节学什么
学习红杉为什么不只看模型和芯片，还持续看应用层与物理 AI。模型能力变强后，真正的商业问题会变成：哪些场景愿意付费，哪些工作流能被重写，哪些系统能从数字世界进入物理世界。
核心框架
应用层看三个条件：是否嵌入高频工作流，是否能量化 ROI，是否拥有分发或数据闭环。物理 AI 还要额外看安全、硬件成本、部署周期、监管和运维。应用不是越炫越好，关键是能否把模型能力变成持续预算。
红杉怎么用
Sonya Huang 长期强调应用层机会，红杉的公开盘中 TSLA、DASH、META 可作为物理 AI、物流效率、社交和广告应用的观察节点；私募 OpenAI 则提供基础模型能力外溢。这里的重点是传导路径：模型进步如何影响自动驾驶、推荐、商家运营、客服、创作和企业流程。
可迁移方法
看 AI 应用公司时，先问它替代哪项成本、提升哪项收入、谁有采购权、部署多久、失败后谁承担责任。只有能进入预算，应用层才有定价权。
小结
应用层的核心不是 demo，而是工作流、ROI 和分发。
一二级联动
本节学什么
学习红杉最难复制的 crossover 能力：一级市场接近创始人和能力前沿，二级市场提供流动性表达，研究报告和播客又反过来定义行业语言。三者合在一起，形成早期信号、公开验证和认知塑造的循环。
核心框架
一级市场信号不能直接等同于公开市场买点。正确做法是四步翻译：私募公司出现什么产品或收入信号，信号通过云、芯片、数据中心、分发或应用预算传到哪里，公开公司哪项收入或订单会受影响，什么事实会推翻这条链路。
红杉怎么用
红杉与 OpenAI 等基础模型公司的私募关系，让它更早观察模型能力、客户需求和算力消耗；SCGE 的公开持仓则通过 NVDA、GOOGL、AVGO、ASML 等表达全栈 AI。Creative New World 和 $600B 问题把这些观察写成行业共同语言。
可迁移方法
做一二级映射时，永远写清“信号”和“证券”之间的中间环节。私募增长可能利好云，也可能压低毛利；模型进步可能推高算力，也可能提高效率减少单位需求。
小结
一二级联动不是消息优势，而是把早期变化翻译成可验证账本。
用框架塑造市场认知
本节学什么
最后学习红杉的思想领导力：优秀投资机构不只是寻找答案，也会提出更好的问题。Creative New World、$600B Question、This Is AGI 和 Training Data 播客，把分散现象组织成市场能共同讨论的框架。
核心框架
认知塑造有三层。第一层是命名，把复杂变化压缩成可传播概念，例如创造型 AI、$600B 缺口、功能性 AGI。第二层是证据，把概念连接到收入、capex、产品和客户。第三层是更新，通过播客、年度展望和 builder 对话持续修正，而不是让旧框架僵化。
红杉怎么用
Pat Grady 和 Sonya Huang 主持 Training Data，持续把 OpenAI、Anthropic、应用层创业者、平台公司和基础设施问题放在同一张桌上。公开盘中的 NVDA、GOOGL、AVGO、ASML 等节点，也能被这些框架解释和反向检验。
可迁移方法
建立自己的投研框架时，给每个观点配三样东西：一句可传播命名、一组可量化指标、一个明确推翻条件。只有能更新的框架，才不是口号。
小结
红杉方法的终点，是用框架组织事实，用事实修正框架。
本页整理 红杉资本 公开材料中的方法论，用于投研学习，不构成证券买卖建议；个人观点；提及不等于持仓；引用以原文为准。
