真正值得创业公司去抓的时机，往往是产业突然拐弯的时候。 比如汽车，如果一直沿着燃油发动机技术来发展，中国企业要追赶宝马、奔驰上百年的工程积累很难；但从燃油发动机转向电机以后，产业拐了一次弯，原来的积累没那么重要了，中国在电机、制造业、硬件供应链上的能力反而能接上来，竞争局面就变了。手机从功能机到智能手机，生物医药从小分子药到大分子药，再到基因细胞治疗、AlphaFold 和 AI for Science，都是类似的拐弯。 所以看创业机会，最重要的不是“这个行业够不够大”，而是它有没有拐弯——只要拐弯足够大，巨头要转身也不容易，新公司反倒有机会。 但对投资机构来说，光看到拐弯还不够，还有一个时点问题。我们希望比市场早一点，能判断什么将要发生，而不是只看什么已经发生；是稍微ahead of time，但不能太早，要等十年、二十年才兑现同样不合适。翻译成投资的话就是：要在它还不热的时候投，但不能因为它不热就投——你敢投，是因为你知道它为什么以后会热。 所以我们大部分投资，是先判断变化在哪里，再判断变化大概什么时候发生。方向已经很热，通常意味着共识已形成；完全没人关注，也不代表值得投。 真正难的是在共识形成之前，找到那个正在发生、但还没被充分定价的变化。当然早期投资也有 random 的成分：有时创业者做的方向不一定是我们推演过的，但人好、事情有意思，也会愿意试一下。
如果只看人本身，可能跟有些人想的不太一样。对我们来说，最重要的是：他为什么要做这件事。 投资人通常是先看到变化再去找公司；创业者则不一样。他们往往在自己熟悉的领域里先直觉地感受到一些机会，或者相信了今天大多数人还不相信的未来，所以决定去做。他看到变化，更多是从经验里感受出来的，而不是推出来的。 这也是为什么“初心”重要。跟风创业也不是不行，每一波里都有 late mover，出来晚但聚集资源的能力特别强，一样能做起来；只是对投资人来说，跟风的人更难挑。我们更希望看到：在所有做同一件事的人里，他是那个最想做的，而且不是因为别人都做了他才想做。 这个为什么重要？因为创业本质上是一场长跑。那些最后成功的人，中间几乎都经历过若干次很绝望的阶段：公司快不行了、看不到出路，或者必须做艰难取舍。如果出发时的原因不够坚定，很容易在某个阶段就妥协，甚至算了。 其次是聪明和能力匹配。真正能把公司做出来的人肯定要够聪明，但不需要是最聪明的那个，top 15% 就行，不必非得 top 1%；同样重要的是能力和事情匹配，过去的专业、经验最好能对现在做的事有帮助——你一直做芯片突然去做制药，难度就很大。 第三是性格和判断力。真正做成事的人，既不会什么都不听，也不会别人说什么都听。他们能听得进意见，但会自己判断该采纳多少。 所以按顺序，我会看三件事：为什么创业、能力和事情是否匹配、心态是否开放且不盲从。很多时候，真正值得走的大路反而人不多，小路上才最容易人声鼎沸。我们想找的，是在大多数人还没拥挤过去时，就已经因为自己的判断开始往前走的人。
只要它叫泡沫，就没有不破的。但泡沫破了不一定是坏事。泡沫还在时，大家更关注故事；泡沫破了以后，才会真正关注应用，开始看谁能拿这个技术赚到钱、真正从消费者或企业手里收到钱。 互联网就是典型例子。泡沫破掉后，回头看当时上市公司讲的很多商业逻辑——线上购物、数字社交、在线服务，后来其实都兑现了，只是把它们做成的不一定是当初制造泡沫的公司。 大的技术发展本来就会经历很多轮周期：技术创新时市场放大想象力、形成 hype，其实是在奖励技术创新；泡沫破掉后噪音被消掉，市场开始看谁真能把技术用起来，进而推动应用的发展。 所以，如果认为这一轮 AI 泡沫正在接近尾声，投资逻辑也该变：更多的去投能拿 AI 真正去落地应用并赚钱的公司，而不是只拿 AI 继续讲故事的公司。
一个简单的判断方法，就是假定未来每一个 token 都要算账：谁使用 token 之后创造的价值高于 token 成本，谁才真正用得起 AI。 大模型和搜索引擎不太一样。搜索引擎背后是一个静态数据库，query 进来去检索、再呈现；大模型你每问一次它都要把问题放进模型里重新计算再生成答案，哪怕模型已冻结、只做推理，每次互动也都要计算，所以每次都有成本。 在 ToC 端，现在大家还没有特别感受到，是因为有人在后面补贴。一旦补贴减少、所有 token 都要算账，用户行为一定会变：你今天很自然地把 AI 当搜索引擎用，但如果你每问一次都要付钱，还会不会什么都拿去问？肯定有一部分需求会消失。 关键问题就变成：什么样的需求值得花这个钱？要么让他用 AI 的成本低到没感觉，要么功能价值明显高于 token 费用。像金融这类高价值任务，模型能快速帮你完成原本要几十分钟、几小时才能做完的事，你多半愿意付钱；如果只是完成一个价值很低的动作，token 再便宜也可能是负担。 在 ToB 场景，我更看好几类基础条件已具备的公司：原来就有数据积累（专有壁垒）、原来就有客户（不必重建整套销售关系）、本身已有数字化的业务流。这样 AI 加进去能直接体现为降本或增效，才容易真正用起来。 再往后还有一个变化。过去几年大家一直在比基础模型能做什么、参数多少、能力边界扩得多快；当模型能力差距开始缩小，token 越来越像标准化云服务，智能本身越来越商品化，真正拉开差距的，会变成谁能用更低的成本提供足够好的智能。
扫码直达文章详情