美女与风投
共识资本会奖励熟悉的模板。垂直 AI 赢家必须自行构建
20世纪上半叶，报纸上曾有一种颇受欢迎的游戏：让人们从100张照片中猜出哪些面孔最“美”。读者需要选出六张面孔，然后将他们的选择与所有其他参与者的选择进行比较。如果某位玩家选中的名单里包含最受欢迎的那张脸，他们就能赢得奖品。
英国经济学家约翰·梅纳德·凯恩斯对这一游戏很感兴趣，认为它或许可以作为解释权益市场价格波动的一种模型，并在其 1936 年的著作 《就业、利息和货币通论》 中讨论了其中的最优策略。凯恩斯指出，取胜之道并不是选择你自己觉得最有吸引力的面孔，而是选择你认为其他所有人都会选的那张脸。而由于其他人也可以运用同样的策略，要想领先一步，一个人就必须比所有人多想一步——猜测他人的偏好、他们的猜测、别人如何看待这些猜测，等等。随着分析层层递进，考量也越来越偏离最初的问题：谁才是最美的？
这种递归如今被称为“凯恩斯选美竞赛”。凯恩斯在市场中看到了同样的循环：投机的成功，与其说取决于挑中最稳健的资产，不如说取决于猜中下一次会被大众抬高价格的是哪一个，以及会在何时发生。
风险投资如今也遵循同样的逻辑，而资本的高度集中意味着，“美”正由越来越少数的参与者来定义。这是历史上最集中的风险投资市场：今年第一季度，全部风投资金中约 75%由五家机构募得。到 2025 年，近 50%的风投资金流向了规模超过 5 亿美元的融资轮次——而十年前这一比例仅约为 10%。1
我们此前已经从结构层面写过这个问题： 风险投资的资产管理理论 、 计划经济式的运行逻辑 ，以及早期风投如何缓慢演变为一个以 “可募资性”优先于“可投资性” 的流水线市场 。而我们想进一步展开的是其认知层面的后果——共识资本会如何塑造投资者的思维方式。在垂直 AI 领域，这种转变尤其危险，因为被复制的不是某个想法，而是对一种成功原型的错误抽象。
当少数决策者每年需要在几百个决策中部署数十亿美元资金时，这家机构的操作系统就必须依赖可迁移的模板。在这样的规模下，你不可能对每一家公司都从第一性原理出发进行投资判断。于是，操作系统随之改变。你只投资于一种狭窄风格的公司；你对照过往成功案例进行模式匹配，把信念外包给那些在你之前或之后出价的人，并将每一个新机会压缩成旧机会的形状。模式匹配并不是懒惰投资者的性格缺陷，而是规模化资本不可避免的运作机制。
可预见的模式匹配
然而，“不可避免”并不等于“在逻辑上站得住脚”。共识资本并没有发明模式匹配——投资者一直以来都会以某种形式依赖它。真正的新变化在于，可被接受的模式范围已经变得何其狭窄；而在当下的风险投资市场中，任何偏离这种模式的人，都可能付出沉重代价。
在一项 2022 年研究中，Chicago Booth 的 Diag Davenport 对超过 1.6 万家初创公司和 90 亿美元已承诺资本进行了分析，发现大约一半表现不佳的风险投资结果，仅凭投资当时可获得的信息就可以预测。表现良好的结果模型侧重于产品特征。表现不佳的结果模型则高度依赖创始人背景。令人意外的是，一个仅基于创始人教育数据构建的模型，被证明是预测哪些投资将跑输预期的最强单一指标。
引人注目的是，这项研究并没有告诉风投行业任何它原本不知道的事。它只是印证了这个行业最古老的箴言之一，正如 Andy Rachleff 直白所说：“当一个优秀团队遇上糟糕市场时，赢的是市场。当一个糟糕团队遇上优秀市场时，赢的还是市场。当一个优秀团队遇上优秀市场时，特别的事情就会发生。”在最近的一篇文章中，来自 Odin 的 Dan Gray 简明扼要地总结了这一模式为何会出现：
不知从什么时候开始，这个行业说服自己相信，融资能力本身就是创业者一种值得追求的特质，而这一逻辑也因此形成了递归。投资人开始按照最有可能融到下一轮的创始人原型进行模式匹配，这使得这类原型更容易获得资金，进而进一步强化了这一模式。——Odin 的 Dan Gray
这就是应用在数千亿美元风险投资上的凯恩斯式“选美比赛”。Ben Graham 曾有一句名言：市场“短期是投票机，长期是称重机”。风险投资如今已经非常擅长“投票”，却越来越不擅长“称重”。
垂直 AI 填词游戏
走进过去一年几乎任何一场演示日，你都会听到这样的话：
“我们是面向[垂直领域]的[语音/代理型/服务]AI。”
这并不是对创始人的控诉，而是对融资生态的批评。创始人之所以使用这类表述，是因为孵化器、加速器和投资人都希望看到易于理解的初创公司。而通过类比进行模式匹配，是实现这一点最简单的方式。但这是一种发生在最糟糕抽象层级上的模式匹配。它甚至不是基于市场或产品的模式匹配，而是基于某种模型能力如何跨市场应用的模式匹配，把各个垂直领域当作可以相互替换的底层载体，仿佛只要把一个已知模板套进去就行。
随着模板不断叠加，错误也在不断累积：对技术模板的模式匹配（“语音 AI 有效”），对创始人模板的模式匹配（“前 Stripe 员工、技术背景、YC 出身、年轻”），以及对类别模板的模式匹配（“这在法律行业行得通，所以在另一个垂直领域也行”）。从外部看，这似乎像是做了大量分析。但事实并非如此。这些模板中，没有一个包含了任何针对市场或问题本身的真实建设性工作。创始团队对市场形态及其独特特征的洞察，才是决定这项技术能否实现产品与市场匹配的变量。
垂直市场并不是可以互相替代的创业土壤。法律行业与供应链行业完全不同，而供应链行业又与建筑行业截然不同。事实上，即便是大多数建筑科技公司，也彼此并不相似。建筑并非单一市场，而是由数百个市场拼合而成。技术或许可以迁移；市场动态却绝不会如此。在法律行业，文档评价与生成或许是一个价值数十亿美元的问题，但在结构上对建筑行业却无关紧要。跨垂直领域，甚至跨子垂直领域进行模式匹配，是一种类别错误，把最关键的变数当成了常量。
在我们关于垂直 AI 扩散的文章中，我们曾讨论过，早期垂直 AI 的突破很大程度上属于工作流程增强：将一项现有任务交给 LLM 处理，使其成本更低或速度更快。表面上看，当模板复制像 Harvey、Abridge 和 EvenUp 这样的文档工具，或像 Assort 和 Avoca 这样的语音代理时，所模仿的正是这一点。
即便是在法律、医疗和房地产等最大的垂直 AI 类别中，合计支出也不过数亿美元。编程（以及在较小程度上的法律）之所以率先突围，是因为它们的市场结构使 AI 采用具备了异常有利的条件。其中一部分原因在于能力——LLMs 是强大的编程代理。但另一部分原因在于功能。软件开发是一个罕见的类别：购买者往往就是用户，产出是数字化的，结果至少在理论上是可衡量的。转换成本也异常之低：开发者采用并放弃编程代理的速度，远快于大多数垂直行业从业者替换核心工作流系统的速度。法律行业表面上看起来相似，但原因不同：语料规模庞大，产出可供审查，而且人工判决仍然处于流程之中。
Anthropic 自身的分析就说明了这种垂直领域的异质性。其“观察到的暴露度”指标——将理论上的 LLM 能力与 Claude 在工作场景中的实际使用情况结合起来——发现，LLMs 在理论上可以处理 88% 的法律任务，而实际观察到的暴露度只有 15%。这是图表中所有垂直领域里最大的差距。模型并不是主要瓶颈。AI 在各个垂直市场中那些高度差异化工作流程里的扩散才是约束所在，而理论能力（随着技术成熟还将继续提升）与实际使用之间的一切空间，正是未来 Vertical AI 应用最有可能蓬勃发展的地方。
界定大多数真实垂直工作流的摩擦，在不同市场之间各不相同。那些热衷于模式匹配的人盯着现有的垂直领域赢家，试图将那套部署模式作为模板复制到新的行业。但垂直市场中的真正机会，并不是把某个垂直领域行之有效的做法照搬到另一个领域，寄望于撞上好运。真正的机会在于构建全新的、垂直领域专属的智能系统 ，以缩小使用鸿沟并开创新的类别。当模式匹配者忙于把昨日的模板套用到新市场时，问题发现者将凭借经市场验证的洞察重塑这些市场。
发现问题才是这份工作的核心
对我们所说的垂直领域创始人“后天洞见”的有力阐释，来自 Mattia Bianchi 和 Roberto Verganti 于 2022 年发表的一篇论文 。他们认为，创业一直被系统性地误解为一项解决问题的活动，而事实上，它首先是一项发现问题的事业。在他们的分析中，创始人最重要的行为，是识别出一个值得解决的问题。其他一切——产品、市场进入策略、切入点——都取决于这种问题界定的质量。
Dan Gray 的 “半人马”概念说的也是同一个道理：“与其反复纠结是骑师重要还是赛马重要，投资人的工作是识别出半人马。”创始人与想法无法被分开评估，因为想法正是创始人如何相信技术能够塑造某个市场未来的具象表达。套模板式的模式匹配，是从一个已知解决方案出发，再去寻找可以套用它的新市场。问题发现者则恰恰相反：他们从市场出发，找出别人忽视的问题，然后才决定技术可以从哪里切入。
我们对 Vertical AI 创始人的分析试图量化 AI 时代成功创始人的背景。2025 年，金额在 1500 万美元以上的 Vertical AI 融资中，71%流向了拥有既有行业经验的团队。换言之，对垂直市场所积累的洞见（即成功发现问题的能力）是成功最强的指示因素。
按照“反专家”论点，如果 AI 确实让领域知识实现民主化——使技术型创始人能够在几周而非几年内迭代并了解各个行业——那么，相较于垂直 SaaS，垂直 AI 中垂直领域创始人的优势理应缩小。随着外行劣势被压缩，以 AI 为原生、经验值较低的创始人应该在吸引资金和风投方面占据上风。
然而，我们的分析显示情况恰恰相反。在垂直 AI 领域，2025 年获融资的头部初创公司中，超过 70%的创始人此前都在其所在行业或相关领域拥有从业经验——而这些创始人获得的融资规模高出 2.25 倍，整体资本流速更快，VC 评分也更高。所有指标都指向同一个结论：公司越是 AI 原生，领域专业知识就越重要，而不是越不重要。——The Verticalist
让我们先回应一个显而易见的反对意见：我们现在难道不是在说，创始人的背景是成功的强预测指标吗？这难道不也是一种模式匹配吗？
不是。关键区别在于履历光环与贴近程度。模式匹配是根据一套狭窄的原型来评估创始人：学校、过往创业经历、既往融资、关系网络以及可融资性。问题发现则评估创始人与某个具体市场问题之间的关系：他们知道什么、见过什么，以及他们理解了哪些外部人看不到的东西。
创始人 + 问题 + 市场
对早期垂直 AI 进行投资判断，不应孤立地由创始人、想法或市场来界定，而应以“创始人+问题+市场”的组合作为评估对象。在一个市场中发现问题，与机会的结构形态以及创始人对其的认知框架紧密交织。对 Euclid 而言，这使我们能够从公司创立之初，就以“创始人+市场+问题”的组合来评估机会。正如我们在关于 PMF 的文章中所讨论的那样，我们不介意在产品问世前和收入产生前进行投资，但我们确实重视对“已被识别的市场需求”的投资判断。
一个臭名昭著的例子是，许多风投机构起初都放弃了投资 Shopify，因为他们认为这个市场太小。彼时，大约只有 5 万个在线店铺，多数人因此认定，这个市场小到不足以带来风险投资级别的回报。当然，真正被忽略的关键洞见是：Shopify 通过降低开设在线店铺的门槛，在这个过程中创造出了一个大得多的类别。向后看的 TAM，本质上是另一种偷懒的模式匹配游戏。拥有经实践验证洞见的优秀团队，能够创造出庞大的新类别。正如我们在最初那篇市场规模测算文章中所强调的，重要的不是进入时的市场规模，而是退出时的市场规模。
评估问题与市场，需要回答任何模板都无法提供的答案。对买方而言，这个问题有多紧迫？当 AI 能够被应用时，又会释放出什么价值？这一问题的形态与规模，是否在该细分领域中广泛存在？谁是天然买家，他们目前为产品所产出的结果支付了多少，而不是当前在技术上的支出？从切入点到多产品 TAM 扩张的路径是什么——哪些相邻工作流可以触达，数据与工作流的闭环又位于何处，从而增强防御能力？
这些问题没有一个能够仅凭与另一个垂直领域类比就得到解答。诚然，其中可能存在相似之处，但套模板式的分析注定会失败，尤其是在 Vertical AI 这一新兴且快速扩张的市场中。要理解这些市场，必须与塑造它的从业者一道，深入市场本身和其所要解决的问题。Spark 的 Nabeel Hyatt 描述了他如何评估创始人 ——他通过审视创始人亲手做出来的东西：产品本身，以及其背后的人，从而区分真正有执行力的人和只会精致路演的人。
在我们这个阶段，市场与问题的组合在很大程度上可以替代产品，但这一前提依然成立。我们寻找的是那些对某一垂直领域的日常约束有着深刻理解、能够将其工作流程拆解开来的人——同时还具备足够的技术直觉，能够用 AI 将其重新构建。无论 LLM 能力提升的速度如何，我们始终认为，在行业转型过程中，真正决定速度上限的仍将是那些善于发现问题的创始人。
第一性原理与垂直投资
在大型基金内部，如果合伙人体系需要看到清晰、可解释的决策，狭隘的模式匹配几乎是不可避免的结果。而在下游，这种激励机制虽有所不同，却同样充满诱惑，正如 NextView 的 Rob Go 所指出的那样 ：
随着资本日益集中，它正流向一种极为狭窄的公司风格，而在这一狭窄区间内运作的公司，正以越来越高的价格融到越来越多、越来越多的资金。所以，如果你是一只种子基金，你的目标，你知道，是维持自身生存，而不一定是通过最终退出获取巨大的回报，而是想着，“让我尽快实现一次估值上调，也许还能实现多次上调。”那么，参与这场游戏就符合你的利益。——NextView Ventures 的 Rob Go
不可否认，快速估值上调带来的多巴胺刺激令人上瘾。再加上希望向基金自己的投资人展示强劲业绩指标的诉求，这构成了异常强大的激励。正如 Howard Marks 的名言所说：“你不能靠 IRR 果腹”——但如果外界认为你押中了那些符合共识的名字，你就能募集下一只基金（或加速自己的职业发展）。
但这场游戏背后的前提并没有表面看起来那么稳固。尽管外界常谈论一个由顶级基金组成的封闭圈子，但支持风险投资领域最大赢家的机构阵营已显著扩大 。在 20 世纪 90 年代，某一年跻身前十大交易的机构仅有 25 家，其中有 5 家在整个十年间各自拿下了超过 8%的顶级交易。2005 年至 2015 年间，正值新机构成立的繁荣十年，共有 70 家机构斩获前十大交易，而没有任何一家机构占据超过 8%的份额。如果你像我们一样预期这种分散化还会加速，那么“共识”资本时代——少数几只基金将整个行业压缩为单一投资风格的时代——本质上就是一种低效的计划经济。而计划经济在设计上就会错误配置资本。
模仿游戏的赢家寥寥无几
先不论共识之中是否真的包含赢家，即便这一套奏效，这场游戏也未必能带来回报。2 这就是当今风投圈上演的“凯恩斯选美比赛”：你真正押注的其实是出价者，而不是企业——分析也因此越来越偏离最初的问题：这是不是一笔好的投资？而且不同于一只在市场情绪转向时还可以抛售的股票，当音乐停止时，这里根本没有退场通道。赌场里不许哭。（当然，除非你已经成功让所有人相信，你那套量身打造的加密货币论调其实从头到尾讲的都是 AI——如果是这样，那就恭喜了。）
这种姿态之所以会得到奖赏，是有一个名字的。几年前，Glowforge 的 Michael Natkin 曾点名批评科技行业最钟爱的口号之一 ——“观点强烈，但不固执己见”——称其是在美化有毒的过度自信。这个理念最初并没有问题：先鲜明而坚定地阐明立场，一旦数据发生变化就立即调整判断。但“不过分执着”的那一半，在现实中很少经得起检验，尤其是在风险投资领域，反馈周期长到足以掩埋证据。交易估值被一再抬高，新基金不断募集，信念也随之愈发固化。
我们想明确说明我们并不是在说什么。我们并不是声称，围绕问题发现进行优化，并从团队、问题和市场三个维度进行整体评估，就能让你在所有情况下都判断正确。事实并非如此。我们犯错的时候比判断正确的时候更多。这就是这份工作的本质：首次检验时出错的基础概率高得无可否认，而任何框架都无法改变这一点。
但风投这门生意自带的挫败感，并不能成为卸下信念或放松严谨性的借口。或许更重要的是，寻找“问题发现者”并不会显著提高你的命中率，真正改变的是你在押中时手里握着的东西。模式匹配会把你挤进那个与所有人一样、且不断收缩的下注集合里；在那里，即便判断正确，回报也十分有限，因为你的信念是借来的，市场早已拥挤不堪，而价格也早已反映了共识的规模。寻找问题则会把你带入那些尚未被其他人承保的市场；在那里，一旦你判断正确——尽管这种时刻并不常见——所得回报才真正足以覆盖此前所有判断失误的代价。与此同时，肤浅的模式匹配正是共识的操作系统，是一种捷径，让高度集中的资本无需真正做底层市场研究，也能实现大规模部署。
当然，这其中也有某种讽刺意味。那些曾让风投声名鹊起的本能——逆共识、基于第一性原理的投资——如今却有可能被重新定义为逆向选择的来源。但那些坚守自身判断的人——无论是创始人还是投资人——最终或许会显得颇具先见之明。这让问题发现者的耐心变得易于获得，却难以坚守，但从长远来看，市场终将胜出。
在风险投资领域，玩“模仿游戏”——根据投资人、资金配置者或市场整体的看法来押注初创公司——是一种诱人但从根本上存在缺陷的策略。真正将最优秀者区分开来的，是他们有能力发现并坚定投入那些值得解决的问题， 无论他人怎么看。
感谢阅读 The Verticalist！
Euclid 是一家面向垂直 AI 创始人的初创期风险投资机构。如果你的人脉网络中有人正考虑投身垂直 AI 领域创业，我们很乐意提供帮助。欢迎通过下方评论区或在 LinkedIn 上联系我们。
