Sequoia AI Ascent 2026 深度解讀 ── 系列 1/3
"AGI 不是未來，是現在——而你只有 18 個月的窗口。"
深度研究
Sequoia AI Ascent 2026（一）：
AGI 已經到了，然後呢？
9 位 AI 領袖、150 位創辦人、一個改變世界的結論
獨立研究 ｜ 阿貴研究室 ｜ 2026-05-02
2025 年 Sequoia 說：「AI 不是未來，是現在。」
2026 年他們修正了：「功能性 AGI 已經到來——問題不再是『有沒有』，而是『誰能拿走那 10 兆美元』。」
這不是科幻。這是矽谷最有影響力的創投，面對 150 位頂尖創辦人，用真金白銀做出的判斷。當 Pat Grady 在台上說出「This is AGI」三個字的時候，台下沒有人笑。
摘要
2026 年 4 月，Sequoia Capital 舉辦了第四屆 AI Ascent 大會。三位合夥人 Pat Grady、Sonya Huang 和 Konstantine Buhler 在 Keynote 中提出一個震撼的判斷：從功能角度來看，AGI 已經到來。他們的定義不是學術性的——而是商業性的：當你可以派遣一個 Agent 去執行任務、它能從失敗中恢復、持續工作直到任務完成，這就是功能性 AGI。
本文整合 Keynote 全程字幕、Demis Hassabis（DeepMind）、Greg Brockman（OpenAI）等六場演講精華，以第一性原理拆解：什麼是功能性 AGI、METR 曲線的指數級加速、Copilot 到 Autopilot 的 10 兆美元轉換、Agent 經濟的三塊基石、以及台灣的 18 個月窗口期。
功能性 AGI
METR 曲線
Agent 經濟
Copilot vs Autopilot
10 兆美元服務市場
認知革命
MAD 策略
Sequoia Capital
台灣 AI 轉型
一什麼是功能性 AGI？
在學術界，AGI 的定義至今沒有共識。但 Sequoia 的三位合夥人不是學者——他們是看了上萬家公司的投資人，他們的定義來自商業現實。
Pat Grady 的定義：自我完成的工作
"If you can dispatch an agent to do a job and it can recover from failure and persist until that job is done — that feels pretty much like AGI."
—— Pat Grady, Sequoia Capital Managing Partner
翻譯成白話：如果你可以派一個 AI 去做一件事，它遇到問題會自己解決，不會半途而廢，一直做到完——這就是 AGI。
Grady 特別強調，他不是在提出「技術定義」。他是經濟學專業出身、研究創辦人和市場的碰撞——也就是「商業」。從商業的、實用的、功能的角度來看，長視野 Agent（long-horizon agents）的出現就是一個分水嶺。
三個轉折點：從 ChatGPT 到 AGI
2022 年 11 月
ChatGPT 時刻——世界看到了預訓練的力量。震撼，但本質上是「更聰明的搜尋引擎」。
2024 年
O1 推理模型——第二條 Scaling Law 出現：推理時間計算（inference-time compute）。AI 不只記住答案，它開始「思考」。
2025-2026 年
Claude Code / Opus 4.5-4.7——世界看到長視野 Agent 的力量。不是對話，而是執行。這是前兩者的「不連續性跳躍」。
前兩個是「更快的馬」——讓你生產力提高 10-40%，但沒有改變你的工作方式。第三個是「汽車的到來」——讓你生產力提高 10-40倍，徹底改變了工作的本質。
METR 曲線：指數級加速的鐵證
Sonya Huang 在 Keynote 中展示了 METR（Model Evaluation and Threat Research）的研究數據，這可能是全場最重要的一張圖：
核心指標
METR 曲線衡量的是：一個 AI 模型能在複雜任務上持續多長時間而不「脫軌」。
AI 任務持續時間每 7 個月翻一倍。
~30 分鐘
2025 年：Agent 能持續工作的時間
~一整天
2028 年預測：Agent 能完成一整個工作日
~一整年
2034 年預測：Agent 能持續運作一年
第一性原理
METR 曲線的本質是什麼？它衡量的不是「智力」，而是可靠性乘以持續性。一個人類員工平均能持續專注工作 4-6 小時。當 Agent 的 METR 分數達到這個水準，它在功能上就等同於一個全職員工——只是它不需要睡覺、不會請假、可以無限複製。
按照每 7 個月翻倍的速度，我們大約在 2028 年到達這個交叉點。這不是猜測——這是基於已觀察到的指數曲線的外推。
從 AutoGPT 到 Claude Code：為什麼是現在？
Sonya 特別提到了 2022 年的 AutoGPT 和 BabyAGI——當時也是把 GPT-3 包在迴圈裡讓它自己跑。結果？
"Kind of cute, kind of endearing, but completely useless."
—— Sonya Huang 形容 2022 年的 Agent 實驗
三年後，同樣的架構概念為什麼突然有效了？答案在於三個組件同時成熟：
- 大腦（模型）——推理能力和上下文長度的飛躍，讓 Agent 能「想清楚」再行動
- 手腳（工具）——MCP、terminal、web search、computer use 讓 Agent 能操作真實世界
- 韌性（Harness）——強化學習（RL）訓練讓 Agent 能從失敗中恢復，而不是一碰壁就崩潰
Sonya 用了一個精妙的比喻：過去二十年我們為人類打造的 SaaS 工具，現在變成了 Agent 的「義肢」。SaaS 不是死了——它正在迎來最大的使用者爆發，只是使用者不再是人類。
二Copilot vs Autopilot：10 兆美元的選擇題
這是本場 Keynote 最具商業衝擊力的框架。Pat Grady 開場就丟出了一張讓所有人沉默的圖：
傳統軟體市場（Copilot）
過去 15 年雲端轉型，軟體 TAM 從 3,500 億增長到 6,500 億美元。雲端佔了其中 4,000 億。
這是你賣工具的預算：每花 $1 買軟體。
服務市場（Autopilot）
AI Agent 能觸及的服務市場：10 兆美元。光美國法律服務就 4,000 億——等於整個軟體市場。
這是你賣成果的預算：每花 $6 買服務。
關鍵洞察
Copilot 賣的是工具——「這個軟體讓你的律師更有效率。」客戶花 $1。
Autopilot 賣的是成果——「這個 Agent 直接幫你打官司並和解。」客戶花 $6。
同一個客戶，可觸及的預算差 6 倍。這就是為什麼 AI 浪潮的規模遠超雲端時代。
Agent 的四層演進
Sonya 以「寫程式」為例，展示了 Agent 從輔助到完全自主的四個階段：
| 階段 | 時間 | 型態 | 人類角色 |
|---|
| Tab Autocomplete | 2023 | AI 在你旁邊補字 | 打字員 |
| Agentic Dev | 2025 | 你指揮 Agent 做事 | 經理 |
| Async / Background | 2026 | Agent 在背景自己跑 | 主管 |
| Dark Factory | 2027+ | 完全無人監督 | 老闆（偶爾看報表） |
「Dark Factory」這個詞來自製造業——指完全不需要開燈的無人工廠。Sonya 說她已經在生產環境中見過這種模式，包括網路安全公司。
「服務即新軟體」的具體場景
Sonya 列舉了已經在發生的 Agent 應用：
- 醫療：Agent 檢查你的基因組、給出個人化建議、推薦臨床試驗
- 法律：Agent 代表你談判合約、甚至進行訴訟和解
- 科學：Agent 解決 Erdos 等級的數學問題、發現新超導體
- 消費：個人 Agent 管理你的收件匣、行事曆、財務、報稅
第一性原理
為什麼「服務即新軟體」不只是行銷話術？因為企業的成本結構正在發生根本性改變。雇用人類很難擴展（招聘、培訓、管理），而 Agent 用算力就能無限擴展。人類需要薪水，Agent 只需要 token。
今天人類在大多數事情上還比較聰明——但 Scaling Law 持續推進，很快 Agent 在許多領域會更聰明。這不是人類被取代，而是人類的角色從「做事的人」變成「決定做什麼的人」。
MAD 策略：應用層創業者的生存指南
Pat Grady 提出了 MAD 框架——給所有在基礎模型之上建設的創業者：
- M — Modes（客戶優先）：在運算革命中，技術每天都在變，但客戶的需求變得慢得多。與其追逐最新模型能力，不如把自己緊緊包住客戶。
- A — Affordance（降低門檻）：Claude Code 很強大，但讓一般 Fortune 500 員工打開終端機？「See how far they get.」你的機會是為特定客戶創造最省力的使用路徑。
- D — Diffusion（擴散差距）：基礎模型的能力進步速度遠快於一般企業的採用速度。每一天這個差距都在擴大——這就是你的商機。
"You cannot pass 15 cars in the sun, but you can pass 15 cars in the rain. And right now, there is a torrential downpour of new capabilities coming out of the foundation models — which means no lead is safe. But it also means anybody can win."
—— Pat Grady, Sequoia Capital
三Hassabis 說我們走了 75%——剩下 25% 是什麼？
Google DeepMind 負責人 Demis Hassabis 在 AI Ascent 的訪談中做出了一個具體但大膽的評估：
"We're three-quarters of the way to AGI."
—— Demis Hassabis, CEO of Google DeepMind
這意味著按他的估計，2030 年左右我們將達到真正的 AGI。但更有趣的是他對「已完成的 75%」和「剩餘的 25%」的拆解。
已完成的 75%
- 語言理解和生成——基本上已經解決
- 圖像識別和生成——接近人類水準
- 邏輯推理——O1/O3 級別的模型在特定領域已超越人類
- 蛋白質結構預測——AlphaFold 已經解決了生物學 50 年的難題
- 代碼生成和理解——長視野 Agent 正在改變軟體工程
剩餘的 25%——最難的部分
- 持續學習——目前的模型無法像人類一樣從經驗中不斷學習
- 常識推理——Karpathy 的「鋸齒狀智能」問題（能重構十萬行程式碼，卻建議你走路去 50 公尺外的洗車場）
- 具身智能——在物理世界中操作的能力（Jim Fan 正在解決的問題）
- 長期規劃——真正的多步驟、跨領域的長期策略能力
- 科學發現——不是執行研究，而是提出全新的研究方向
Hassabis 的深層觀點
Hassabis 提出了一個更深刻的哲學觀點：資訊可能比能量和物質更基本。如果宇宙的本質是資訊處理，那麼 AI 的意義比我們現在想像的還要深遠——「and it's already pretty profound.」
他用了一個精準的比喻：我們現在的 AI 像是蒸汽機發明前 120 年的修補階段——有東西在動了，但我們還沒有發現背後的「熱力學定律」。AI 的基礎科學——為什麼它能運作、為什麼 Scaling Law 存在——我們其實還不真正理解。
「先造工具，再跨越下一個門檻」
"We should build a tool first — an incredibly intelligent and useful and precise tool — and then cross the next rubicon. That's already profound enough."
—— Demis Hassabis
這是 Hassabis 對 AGI 競賽的務實忠告：不要急著追求「超級智能」，先把「超級工具」做到極致。光是這一步，就已經能徹底改變世界了。
創業者的時間窗口
Hassabis 還分享了一個從他自己做遊戲公司（Elixir Studios）學到的教訓：
創業智慧
超前 5 年，不要超前 50 年。
太超前的技術找不到市場，太落後的技術找不到優勢。5 年是甜蜜點——足夠早以建立護城河，但不至於在等待市場成熟時燒光資金。
四人類注意力成為瓶頸
OpenAI 共同創辦人 Greg Brockman 在訪談中提出了一個看似簡單但極其深刻的觀點：
"Human attention is going to be this incredibly scarce resource. The doing of things now is easy. The 'is this a good thing? Is this what I wanted?' — that is going to become the single most important bottleneck."
—— Greg Brockman, Co-founder of OpenAI
從「做事」到「判斷」的轉變
傳統的工作瓶頸是執行力——找不到足夠的人來做事。在 Agent 時代，執行力接近無限供應。新的瓶頸變成了判斷力——「這件事該不該做？做出來的結果是不是我想要的？」
舊世界的瓶頸
人力不足、技能不夠、時間不夠。
「我知道該怎麼做，但我找不到人來做。」
新世界的瓶頸
注意力不足、判斷力不夠、方向不明。
「AI 什麼都能做，但我不確定該做什麼。」
Brockman 的兩個實用建議
- Context 是一次性投資：現在最值得做的事不是等更好的模型，而是讓 AI 擁有你公司的完整上下文。把你的知識庫、流程、決策標準都「倒」給 AI。模型會繼續進步，但上下文只需要建一次。
- 企業需要 AI 治理體系：當每個員工都能用 Agent 造 dashboard 和 bot，IT 部門必須管理數據溯源和權限傳播。「誰的 Agent 可以看哪些數據？」會成為新的安全邊界。
"Why are you explaining to your computer what's going on? That makes no sense."
—— Greg Brockman，質疑為什麼我們還在手動輸入 AI 已經能自己獲取的資訊
第一性原理
Brockman 的觀點本質上是在說：「做」正在被商品化，「想」成為唯一的差異化來源。
在這個框架下，未來最有價值的能力不是「會用 AI」，而是「知道該讓 AI 做什麼」。這呼應了 Karpathy 在另一場演講中的觀點：「你可以外包思考，但無法外包理解。」
五Agent 經濟的三塊基石
Konstantine Buhler 負責的是 Keynote 的第三段——「接下來會發生什麼？」他提出了一個宏大的類比：認知革命將像工業革命一樣改變世界。
工業革命的平行宇宙
工業革命（體力工作）
1700 年前：99%+ 的體力工作由人和動物完成。
水力 → 蒸汽機 → 內燃機 → 電動機
2026 年：99%+ 的體力工作由機器完成。飛機載你來、工廠製造所有商品。
認知革命（腦力工作）
2020 年前：99%+ 的認知工作由人類完成。
計算機 → 電子計算 → 神經網路 → ???
未來：99.9% 的認知工作將由機器完成。我們正處於這個轉折點。
"Today 2026, you could estimate that 99 plus percent of all the physical work done on planet Earth for humans is done by a machine. We believe a similar pattern is going to happen in cognition. We're just a little earlier on."
—— Konstantine Buhler, Sequoia Capital
當 Agent 變成「經濟行為者」
Sonya 在轉接給 Buhler 之前，提出了一系列讓人不安的問題：
- 當 Agent 之間開始做生意，它們能互相付款嗎？
- 當 Agent 能替你談判交易條款，法律上算誰的行為？
- 當防禦型 Agent 群（swarm）在保護你免受攻擊型 Agent 的侵害——這算戰爭嗎？
要讓 Agent 經濟運作，需要三塊基石：
基石 1
身分（Identity）
Agent 需要可驗證的數位身分。誰造的？代表誰？權限範圍是什麼？這等於要建立「AI 護照」系統。
基石 2
協定（Protocol）
Agent 之間需要標準化的溝通和交易協定。MCP（Model Context Protocol）是第一步，但還需要支付、合約、仲裁等完整的基礎設施。
基石 3
信任（Trust）
Agent 執行的結果如何驗證？出錯誰負責？需要全新的「機器信任機制」——可能結合密碼學驗證、聲譽系統和保險制度。
第一性原理
回顧歷史：工業革命需要新的經濟基礎設施才能釋放全部價值——有限責任公司、中央銀行、專利法、勞動法、反壟斷法。同樣的，認知革命也需要全新的基礎設施。
誰能最先建好這三塊基石，誰就掌握了下一個經濟時代的入口。這不是技術問題，而是制度創新問題。
Buhler 的四個故事：鋁的啟示
Buhler 用了一個精妙的歷史故事來說明認知革命的影響：1884 年，美國要為華盛頓紀念碑加冠——用的是當時世界上最珍貴的金屬：鋁。100 盎司純鋁放在碑頂，價值超過黃金。
然後電解製鋁法被發明了。同樣的金屬，價格暴跌了 99.5%。今天你用鋁箔紙包三明治，然後丟掉。
核心比喻
AI 對「認知工作」的影響，就像電解法對鋁的影響。今天你花百萬聘請的專業知識，明天可能像鋁箔紙一樣廉價。但鋁的普及並沒有摧毀世界——它創造了航空業、建築業、包裝業等全新產業。
問題不是「認知工作會不會貶值」——會的。問題是「你能不能用廉價的認知能力創造出前所未有的價值」。
六台灣怎麼辦？18 個月的窗口
Sequoia 的框架對台灣有著特殊的意義。台灣同時站在 AI 供應鏈的核心和 AI 應用層的邊緣——這是一個危險的不對稱。
台灣的結構性優勢
TSMC
全球 90%+ 先進製程晶片，AI 的物理基礎
硬體生態系
鴻海、廣達、緯創——AI 伺服器的世界工廠
台灣的結構性風險
應用層斷裂
在 Sequoia 提到的 12 個 AI 優先垂直領域中，台灣幾乎沒有全球性的 AI 應用公司
服務業滯後
台灣的法律、醫療、金融服務數位化程度遠低於美國和新加坡
18 個月窗口的邏輯
為什麼是 18 個月？這來自 METR 曲線和 Sequoia 的市場分析的交叉推斷：
現在 — 2026 Q2
Agent 能處理小時級任務。企業還在「試水溫」階段。建立在地化 AI 基礎設施的最佳時機。
2027 年中
Agent 能處理整天的任務。全球 AI 應用公司開始「入侵」各地市場。語言和法規不再是護城河——Agent 會自己學語言。
2028 年後
Agent 能處理全工作日。沒有建立 Agent 基礎設施的地區，將直接被全球化的 AI 服務公司「覆蓋」——就像 Uber 覆蓋了在地計程車行。
台灣的 5 個行動方向
- 法律科技：台灣法律體系獨特（大陸法系+繁體中文），是天然護城河。在 18 個月內建立法律 Agent 生態系。
- 醫療 AI：健保資料庫是全球最完整的單一付款人資料集。善用此優勢訓練在地化醫療 Agent。
- 製造業 Agent：台灣的製造業 know-how 是隱性知識，最適合用 Agent 來封裝和規模化。
- Agent 基礎設施：身分、協定、信任的三塊基石——台灣可以參考愛沙尼亞的 e-Residency 模式，建立亞太區的 Agent 身分系統。
- TSMC 的延伸：從「晶片代工」延伸到「AI 推理代工」——不只做硬體，也做運算服務。
第一性原理
台灣的核心問題不是「有沒有 AI 技術」——TSMC 就是最好的 AI 技術。問題是台灣能不能從「賣鏟子」升級到「挖金礦」。
在淘金熱中賣鏟子是好生意——但當鏟子開始自己挖金礦的時候，賣鏟子的人如果不轉型，就只能看著 Agent 把金子挖走。
七歷史印證：AI 泡沫 vs 2000 年網路泡沫
歷史印證
每當一個新技術浪潮出現，「泡沫論」就會隨之而來。現在很多人問：AI 是不是 2000 年的網路泡沫翻版？Pat Grady 用他的框架給出了清楚的回答。
相似之處
- 過度樂觀的估值倍數
- 「什麼都要 AI 化」的狂熱
- 大量資金追逐少數機會
- 基礎設施投資遠超應用層收入
根本性差異
| 維度 | 2000 年網路泡沫 | 2026 年 AI 浪潮 |
|---|
| 革命類型 | 通訊革命（資訊分配） | 運算革命（資訊處理） |
| TAM | $650B 軟體市場 | $10T+ 服務市場 |
| 營收增長 | Pets.com 燒錢無收入 | 多家 AI 公司已破 $1B ARR |
| 技術成熟度 | 寬頻尚未普及 | 基礎模型已可用於生產環境 |
| Scaling Law | 不存在 | 預訓練 + 推理時間 + RL 三條 Scaling Law 持續有效 |
第一性原理
2000 年網路泡沫的核心教訓不是「網路沒有價值」——是「價值被過早計價了」。網路泡沫破了，但 Amazon、Google、Facebook 在泡沫的灰燼中長出來了。
AI 也會有泡沫破裂嗎？可能會。有些公司會死掉。但 Grady 的「運算革命 vs 通訊革命」框架告訴我們：AI 的基本面比網路更強，因為它不只是改變資訊的流通方式——它改變了資訊的處理方式。這是更深層的變革。
泡沫不可怕。可怕的是你因為怕泡沫，而在泡沫破裂後才發現自己錯過了下一個 Amazon。
八商業啟發：企業主的 5 個決策問題
5 個你今天就該問自己的問題
問題 1：你的公司是在賣工具，還是在賣成果？
如果你還在賣軟體授權（Copilot 模式），你的可觸及市場是 $1。如果你能重新定位為賣成果（Autopilot 模式），你的可觸及市場是 $6。同一個客戶，6 倍差距。
行動：列出你的前 10 大客戶。對每一個，問：「如果我們不賣工具，直接賣他們想要的結果，我們的定價能提高多少倍？」
問題 2：你的員工哪些工作可以在 6 個月內被 Agent 取代？
不是裁員——是重新部署。一個員工加一個 Agent 的生產力，可能等於過去 10 個人。但這需要重新設計工作流程，不是簡單地「加一個 AI 工具」。
行動：做一次「任務可驗證性審計」（借用 Karpathy 的框架）。高可驗證性任務（程式碼、數據分析、合規檢查）優先自動化。
問題 3：你的 Context 投資做了嗎？
Brockman 說 Context 是一次性投資。你的公司知識庫、決策流程、客戶資料有沒有結構化到 Agent 可以直接使用的程度？
行動：指定一個人（或一個 Agent），負責在 90 天內把公司的核心知識轉化為 Agent 可消費的格式。
問題 4：你在 MAD 的哪一塊最弱？
Modes（客戶黏著度）、Affordance（使用門檻）、Diffusion（市場擴散）。如果三塊都弱，你很快會被取代。
行動：對你的產品做 MAD 評分（1-10），找出最弱的那塊，集中資源補強。
問題 5：18 個月後你的護城河還在嗎？
如果你的護城河是「我們的工程師很厲害」或「我們的軟體很成熟」，這些在 Agent 時代可能一夜之間被抹平（Notion 6 週改寫 800 萬行程式碼、Brett Taylor 一個週末重寫 Sierra）。持久的護城河是客戶關係、獨特數據、和制度性信任。
行動：列出你目前的 3 個最大護城河。對每一個，問：「如果 Agent 能做到人類能做的一切，這個護城河還存在嗎？」
九結論：車已經來了，你要上車嗎？
讓我們回到 Pat Grady 的比喻：過去幾年的 AI 應用是「更快的馬」。現在，「汽車已經到了」。
2025 年的 AI Ascent，Sequoia 的訊息是「AI 不是未來，是現在」。
2026 年，他們修正了：「功能性 AGI 已經到來。問題不是有沒有 AGI，而是誰能拿走那 10 兆美元。」
綜合六場演講的核心訊息：
Pat Grady
AI 是運算革命，不是通訊革命。10 兆美元的服務市場已經打開。
Sonya Huang
Agent 時代正式開始。METR 曲線每 7 個月翻倍。服務即新軟體。
Konstantine Buhler
認知革命 = 工業革命 2.0。未來 99.9% 的認知工作由機器完成。
Demis Hassabis
我們走了 75%。先造工具，再跨門檻。2030 年達到完整 AGI。
Greg Brockman
人類注意力是新瓶頸。Context 是一次性投資。判斷力成為最大稀缺。
Andrej Karpathy
Software 3.0 = LLM 即電腦。你可以外包思考，但無法外包理解。
最後的記憶點
Sonya Huang 的閉幕語是這場會議最好的總結：
"Whatever you can imagine building over the next hundred years, we think is now possible in a hundred days thanks to agents."
你原本計畫花一百年建設的東西，現在用 Agent，一百天就能完成。
這不是誇張的行銷話術。這是 Zed 創辦人在假期獨自用 Claude Code 完成三年計畫的真實故事。這是 Notion 團隊六週改寫八百萬行程式碼的真實案例。
車已經來了。你可以繼續騎馬。但車不會等你。
參考文獻
- Sequoia Capital, "This is AGI: Sequoia AI Ascent 2026 Keynote" (YouTube: LRo33rnv6rQ), 2026 年 4 月
- Sequoia Capital, "Demis Hassabis: We're Three Quarters of the Way to AGI" (YouTube: AFpeWo1GTeg), 2026 年 4 月
- Sequoia Capital, "OpenAI's Greg Brockman: Why Human Attention Is the New Bottleneck" (YouTube: bBS93A0BeNI), 2026 年 4 月
- Sequoia Capital, "Andrej Karpathy: From Vibe Coding to Agentic Engineering" (YouTube: 96jN2OCOfLs), 2026 年 4 月
- Sequoia Capital, "Nvidia's Jim Fan on the End Game for Robotics" (YouTube: 3Y8aq_ofEVs), 2026 年 4 月
- Sequoia Capital, "Waymo's Dmitri Dolgov: How Autonomous Cars Got 13x Safer Than Humans" (YouTube: I_0Kuf6Aa2c), 2026 年 4 月
- METR (Model Evaluation and Threat Research), AI Task Duration Benchmarks, 2025-2026
- Sonya Huang & Pat Grady, "Generative AI's Act Two", Sequoia Capital blog, 2024
- 鉅亨網, "Sequoia AI Ascent 2025 重點摘要", 2025
- eimba-sequoia-2026.vercel.app, Sequoia AI Ascent 2026 Conference Analysis, 2026