企业里最容易被 AI 重写的，可能不是最显眼的岗位，而是最繁琐的后台系统。

a16z 投资 Petual 这件事很有意思，因为它盯上的不是流量入口，也不是 flashy 的 AI 助手，而是审计和合规这种很多人嫌“老”、但体量巨大、流程重复、规则清晰的领域。越是这类高责任、强流程、文档密集的工作，越适合被 AI 重新拆解。

我觉得这类案例特别能说明一个趋势：AI 的下一波价值，不一定首先来自创造新需求，而可能来自重写那些没人喜欢、但每家公司都必须花钱做的事情。真正大的市场，未必最性感，但往往最刚需。

原文链接：

https://a16z.com/announcement/investing-in-petual/

#a16z #EnterpriseAI #Audit #Compliance #Pickful

全球金融系统可能不是被颠覆，而是被一点点重写。

a16z 最近那篇稳定币长文很值得反复看，因为它讨论的已经不是“稳定币有没有用”，而是未来金融栈会怎么重组。在他们的框架里，支付链、银行连接、外汇流动性、企业金库、链上信贷这些模块，正在围绕 stablecoin 重新长出来。这个视角比“币圈叙事”高了一个层级。

我自己的感受是，真正的变化往往不是看见一个新产品，而是看见一套旧结构开始松动。稳定币如果进入企业支付、跨境清算和机构网络，它就不再只是加密资产，而会变成金融操作系统的一部分。谁能接住这波，不取决于谁喊得最响，而取决于谁把真实世界的接口先铺好。

原文链接：

https://a16zcrypto.com/posts/article/global-finance-stablecoins-new-stack/

#a16z #Stablecoin #Fintech #Web3 #Pickful

AI 写代码越多，真正稀缺的反而越不是“写出来”。

a16z 投资 GitButler，我觉得看点不在代码生成，而在变化管理。随着越来越多代码由 AI 参与生产，开发团队真正的压力会迅速转向版本控制、分支协作、审查质量、冲突处理和可回滚能力。说白了，生成越来越便宜，管理越来越贵。

这是很多人对 AI 编程最容易忽略的一层。大家都被“10 倍速写代码”吸引，却没意识到，工程世界真正的成本常常不在第一行代码，而在后续所有修改、合并、理解和维护。谁能把这套流程做顺，谁就更接近下一代开发平台。速度是前菜，可控性才是主菜。

原文链接：

https://a16z.com/announcement/investing-in-gitbutler/

#a16z #DevTools #AIcoding #Git #Pickful

下一代前沿 AI，未必只存在于屏幕里。

a16z 最近把“frontier systems for the physical world”单独拎出来讲，我觉得这是一个很重要的信号。市场过去两年太聚焦语言模型和软件工具，以至于很多人默认 AI 的边界主要发生在文本、代码和图像里。但他们现在明显在强调另一件事：真正高价值的 frontier system，会越来越多地进入机器人、自主科学和物理执行环境。

这意味着未来的竞争不再只是“谁能生成更好的答案”，而是谁能在现实世界里观测、决策、执行，并形成闭环。软件世界的智能很重要，但一旦 AI 能稳定进入实验室、工厂、仓储和硬件系统，价值密度会完全不同。很多真正大的机会，可能正在从数字空间溢出到物理空间。

原文链接：

https://a16z.com/frontier-systems-for-the-physical-world/

#a16z #AI #Robotics #DeepTech #Pickful

AI agent 真正缺的，也许不是更强大脑，而是合法身份。

a16z 最近谈 AI agent 和区块链结合时，给了一个我很认同的判断：agent economy 的很多瓶颈，本质上都不是智能问题，而是身份、权限、支付和责任问题。一个 agent 如果不能被验证、不能持有资源、不能证明自己做过什么，那它就很难真正进入商业系统。

这也是我觉得 AI+Crypto 最靠谱的结合点。不是再造一个概念币，也不是给 agent 套一层投机外壳，而是把钱包、身份、签名、授权、记账这些基础设施补齐。很多时候，决定一个系统能不能落地的，并不是它会不会思考，而是它能不能被信任。

原文链接：

https://a16zcrypto.com/posts/article/5-ways-blockchains-help-ai-agents

#a16z #AIAgents #Crypto #Onchain #Pickful

企业 AI 落地，可能已经比市场以为的更深了。

很多人喜欢说“绝大多数 AI 试点都失败了”，但 a16z 最近给出的数据其实在反驳这种悲观叙事。他们看到的是，大量头部企业已经在为领先的 AI 初创公司买单，而且最先跑通的场景非常清晰：编程、客服、搜索，这些都不是炫技型功能，而是能被衡量、能算 ROI、能接进现有流程的工作。

这让我更确定一件事：企业不会为了“AI 概念”付钱，但会为了“可验证的效率提升”持续付钱。AI 真正的商业化，不会先从最花哨的地方爆发，而会先从那些流程清楚、责任明确、结果能度量的岗位开始渗透。

原文链接：

https://a16z.com/where-enterprises-are-actually-adopting-ai/

#a16z #EnterpriseAI #AI #SaaS #Pickful

AI 下一轮关键突破，可能不是记得更多，而是真的学会更新自己。

a16z 最近在谈 continual learning，我觉得这个方向非常值得重视。现在的大模型看起来什么都能做，但它们更像“会推理的失忆者”——可以临时调用上下文、检索资料、读取记忆，却很难把新的经验长期吸收进自己的能力结构里。

如果这个问题不解决，很多 AI 系统都只能停留在“每次重新提示”的阶段，而不是真正越用越强。谁先让模型具备持续学习能力，谁就更可能打开 agent、科研辅助、复杂工作流自动化这些更深的场景。今天大家拼的是回答质量，明天拼的也许是进化速度。

原文链接：

https://a16z.com/why-we-need-continual-learning/

#a16z #AI #ContinualLearning #Agents #Pickful

Crypto 现在缺的不是概念，而是能活下来的产品。

a16z 总结了当下最有效的 3 条 PMF 路径，信号很清楚：市场已经不再奖励“先发币、后找场景”的玩法了。真正跑出来的项目，更像传统商业世界里那些扎实的公司，要么跟头部客户一起共建需求，要么顺着高速增长的结构性机会切进去，要么围绕新的用户行为做设计。

这背后其实说明了一件事，Web3 正在回到商业常识。故事再大，最后也得回答谁在用、为什么离不开、靠什么持续增长。a16z 这篇文章最有意思的地方，不是告诉你 PMF 很重要，而是明确承认：crypto 的估值逻辑正在被真实需求重新定价。

原文链接：

https://a16zcrypto.com/posts/article/product-market-fit-3-patterns-working-in-crypto-today

#a16z #Crypto #PMF #Web3 #Pickful

最能扼杀创新的，往往不是监管本身，而是监管碎片化。

a16z 对美国州级 AI 监管的质疑很有代表性。他们担心的不是“有规则”，而是每个州都按自己的方式来，最终把企业逼进一套高成本、低效率、难扩展的合规迷宫。大公司还能堆资源去适应，小团队和新公司往往会直接被挡在门外。

这篇内容让我想到一个常被忽视的问题：技术竞争从来不只发生在产品和资本层面，也发生在制度设计层面。规则当然重要，但如果规则结构本身让创新成本失控，结果就不是更安全，而是更封闭。很多时候，最需要保护的不是现有秩序，而是新进入者的试错空间。

原文链接：

https://a16z.com/the-evidence-gap-why-courts-cant-balance-state-ai-regulation/

#a16z #AI #Policy #Regulation #Pickful

开源 AI 的竞争，已经不是模型之争，而是生态之争。

a16z 最近把判断说得很直白：下一阶段真正关键的，不只是参数、排行榜和单次测试成绩，而是谁能成为开发者默认接入的平台。开源模型一旦在成本、可定制性和分发效率上形成规模优势，它影响的就不只是技术路线，而是平台控制权、开发者选择和长期利润结构。

我觉得很多人还在用“闭源更强、开源更便宜”的旧框架看这件事，但 a16z 在意的是更深一层的东西。谁先成为别人构建产品时绕不过去的底层选项，谁就更可能拿到未来 AI 生态的话语权。模型能力当然重要，但生态位一旦坐稳，竞争门槛会比模型分数更难撼动。

原文链接：

https://a16z.com/asserting-american-leadership-in-open-source-ai/

#a16z #OpenSourceAI #AIInfra #AI #Pickful