作者：Venture Curator

编译：深潮 TechFlow

深潮导读：这篇文章用两组硬数据拆穿了两件事，巨头 VC 扎堆投 AI 同质化项目，反而新兴管理人更敢押注异类；以及大多数 VC 基金成立九年后连本金都没还给 LP。对正在融资的创始人来说，看懂基金背后的资金压力，比看品牌光环重要得多。

新兴 VC 在投更多不寻常的创业公司，而 AI 支出在 7 万多家企业之间差异巨大。

到底谁在投中风险投资的异类？数据说明了什么。

风险投资人通常被教导这是一门关于异类的生意。少数没人预料到的公司贡献了大部分回报，所以拥有最大团队、最广网络和最多资本的机构应该最有能力找到它们。

但 Odin 的 Dan Grey 基于 Dealroom 数据的新研究表明，最大的机构现在最不可能投一家与所有其他获投公司看起来不同的公司。

Grey 对五家巨型基金（a16z、General Catalyst、Lightspeed、NEA 和 Accel）在 2023 至 2025 年种子轮投资组合中的每家公司，以及一组精选的顶级新兴管理人，按稀有程度进行了打分。稀有度是从业务（行业、模式、客户、地域）和技术两个维度，对照 2018 年至 2025 年所有获种子轮融资的公司来衡量的。最不寻常的五分之一被算作异类。

新兴管理人把 24.7% 的可评分种子轮投向了异类画像（198 个中有 49 个）。巨型基金只投了 11.5%（278 个中有 32 个）。大约是两倍的差距。

这个差距并不是因为每个小基金都是逆向投资者。很多新兴管理人和巨型基金一样重仓 AI：Conviction 是 100% AI，South Park Commons 是 93.5%。差距来自那些有不同任务的专业型基金，比如 Lowercarbon 只有 18.8% 投 AI，Multicoin 只有 15.4%。

这就是为什么组合配置很重要。把五本不同的新兴管理人账本合在一起，集中度通常会下降 22.6%。把五家巨型基金合在一起，只下降 2.0%，因为五家全都已经在 82.7% 到 89.5% 的 AI 仓位之间。在 462 种可能的新兴管理人组合中，只有 2 种没能跑赢巨型基金组。

这件事的重要性超出了组合统计的范畴。关于融资风险的研究一直认为，投资人是否预期后续资金可用，决定了哪些实验能拿到第一张支票。Odin 谨慎地表示，其数据并不能证明这一机制。但如果最大的资金池只投那些已经被广泛认为可投的项目，那么在这个共识之外的公司就只能依赖别人来下第一注。

那么这是否意味着新兴管理人更擅长挑选赢家？

不是。“异类”在这里指的是在获投公司中罕见，并不代表更具创新性，也不代表更可能成功。把创始人背景加入评分后，差距缩小到 19.8% 对 14.4%。新兴管理人这一组是一个精选的样本，不代表整个市场。而且小基金也有自己的羊群时刻：区块链在它们早期轮次中占 46.7%，后来降到 20.9%。

这正是投资人需要小心的地方。

如果你的论点是回报来自异类，那么再配一家名牌基金，大部分只是增加了同样的押注。一篮子真正不同任务的基金才能增加范围。但仅凭范围并不构成开支票的理由。Odin 自己的测试是：一只基金能为你的现有组合补充什么缺失的东西，以什么费用和附带权益，稀释后的持股比例是多少，后续融资风险如何。

真正的问题不是哪家基金最大。问题是哪些基金真正在看别人没在看的地方，因为从数据来看，这份名单越来越不是同一批人。

九年后，大多数 VC 基金仍没把钱还给投资人。接下来会发生什么？

创始人通常被教导要把自己的 VC 看作耐心资本。风险投资是一场长跑；基金就是为了等待大结果而设立的，股权表上没有谁急着要现金。

但 Carta 的 2026 年第二季度 VC 基金业绩报告的新数据表明，很多基金的耐心正在耗尽，因为它们大多数仍没把自己的投资人的钱还回去。

Carta 追踪了净 DPI，即基金实际返还给 LP 的现金占 LP 投入每一美元的比例，覆盖了大约 3000 只在 2017 年至 2026 年间开始投资的美国风险投资基金。

2017 年开始投资的基金现在大约有九年了，接近典型的十年基金生命周期的末尾。中位数基金只返还了 0.37 倍的现金。即使是前四分之一分位的基金也只有 0.70 倍。只有前 10% 返还了超过 LP 投入的金额，达到 1.37 倍。

更年轻的基金情况更糟。2018 年基金的中位数返还了 0.15 倍，2019 年基金的中位数是 0.04 倍，也就是七年后一美元只拿回 4 美分。

价值在账面上是存在的。2017 年基金的中位数账面价值是 1.72 倍，但其中只有大约五分之一以现金形式返还。剩下的仍然锁在那些还没有被出售或上市的私人公司里。

还有第二个细节解释了为什么从外部很难看清这一点。这些基金大多数确实返还了一些钱：86% 的 2017 年基金和 70.4% 的 2018 年基金至少返还了部分现金。所以几乎每只基金都能告诉自己的 LP，分配已经开始了。但很少有基金能说它们把钱还回去了。

那么创始人为什么要在乎自己投资人的基金账本呢？

因为你投资人的基金时钟，和你公司的时钟并不一样。一只接近到期、还欠着 LP 真金白银、又正在募下一期基金的基金，有很强的动力尽早拿到流动性。这种压力可能会表现为推动你早点出售、在二级市场卖掉它的股份，或者在你下一轮融资时对继续注资更加谨慎。

而这就是创始人需要小心的地方。

这些都不意味着你的投资人会做出对你不利的事。基金可以延长存续期，很多顶级机构也有充分理由继续支持自己的赢家。Carta 的数据只显示了现金缺口，不代表每只基金会怎么行动。但给你开出支票的那只基金的年份，现在已经是一个真实变量，而不是脚注。一个从 2017 或 2018 年基金里出手的合伙人，和一个从全新的 2025 年基金里出手的合伙人，处境完全不同。

真正的风险不是你的投资人需要流动性。而是你不知道你的钱来自哪只基金、它还欠自己的出资人多少现金，以及这一点会如何影响他们在你下一轮融资或退出上给出的建议。

AI 里最大的钱在哪里：前沿模型还是中间市场？

大多数 AI 报道都盯着前沿：每家实验室最新、最聪明、最贵的模型。但 Theory Ventures 的 Tomasz Tunguz 提出了一个论点：真正重要的市场是中间层级，而支出数据也支持这一点。

中间层级已经拿走了大约 40% 的 AI 支出和 30% 的 token 用量。

相比之下，前沿模型的部分很薄。Anthropic 最强的模型 Fable 5.1，在发布头 12 天里只占网关支出的 3.7%。它的前代最高达到 13.2%，然后在 Opus 5 以一半价格发布后一个月，跌到了 4.9%。在大型企业账户中，前沿模型的 token 消费占比从 8 月初的 53% 降到了 9 月的 45%。

价格战也正是在这个层级展开。9 月 Anthropic 对新模型降价时，OpenAI 大约 90 分钟后就跟进降价。在那次降价之前，Opus 系列连续四个版本的定价都维持在每百万 token 输入 5 美元、输出 25 美元。在低端，OpenAI 在 7 月把 Luna 的价格砍了 80%，9 月又砍了 50%。

三股力量持续压着中间层级的价格往下走：

实验室之间的竞争。实验室现在会在几小时内跟进彼此的降价，而不是几个季度。

开放权重模型。在公布数据的网关上，开放模型跑着大部分 token 量，价格比闭源模型的混合价格低 86%。

微调。基于开放权重模型 Kimi K2.5 微调的 Cursor Composer 2，比起此前的自研模型，总成本降低了 86%。Harvey 把每个 cell 的成本相对 Sonnet 5 降低了 55%，同时得分还高于 Fable 5。

这种情况持续发生是结构性的。企业需要 AI 做的事，比如总结一份合同或给一张工单分类，年复一年几乎不变。而能满足这个门槛的智能成本却在快速下降。所以能通过一个固定要求的层级，每个季度都在变便宜，而大多数真实工作都落在这一层，而不是前沿。

需求看起来不像一座前沿在顶端的金字塔，更像一条中间很粗的钟形曲线。买家关心的是每美元能买到多少智能，而不是峰值能力。悬而未决的问题是，这个中间市场最终会不会变成大宗商品。如果会，整个 AI 市场的经济学也会随之改变。

对于任何在这些模型之上做产品的人来说，值得问一句：你的产品真正需要的是哪个层级。为中间层级的工作付前沿模型的价格，现在是最好丢掉的一种利润。

你的创业公司到底该在 AI 上花多少钱？数据是这样说的。

问大多数创始人在 AI 上花了多少，你会得到一个很自信的数字：ChatGPT 和 Claude 的席位、Cursor 账单、不断增长的 API 费用，加起来一个月几千美元。这听起来很精确，但其实不是。因为它把三种完全没有共同点的支出加在了一起，唯一的共同点只是供应商类别。

Ramp 覆盖 7 万多家美国企业的支付数据显示，“使用 AI”这件事已经变得多分裂。

中位数公司每名员工每月花 11.38 美元。前 10% 花 611 美元。

前 1% 花 7,449 美元，差不多是中位数的 650 倍。而当 Ramp 把这些支出和 Revelio Labs 覆盖 21,559 家公司的劳动力记录做关联后，发现高支出的公司两年间员工人数增长了 10.2%，其中入门级岗位招聘增加了 12%。

低强度使用者的数据完全没有显著变化。

所以多花点。但花在哪？

大多数创始人拿 AI 账单和自己的软件预算比，因为这些费用在账单上和 Figma、Notion 排在一起。这是错的分母。越来越多的 AI 支出替代的不是软件，而是人。一个客服 agent 的对照物是客服岗位，而不是你的 SaaS 套件。

拿一家典型的种子阶段公司算一下：12 个人，每月工资成本约 18 万美元，AI 支出每月 4 千美元。对比软件预算，4 千美元看起来很重。对比工资成本，它只有 2.2%。同一个数字，结论完全相反。

解决方法是把 AI 预算拆成三块，每一块都用自己的基准去评估：

工资线 AI（客服、SDR 和编程 agent）对照的是你没招的那个人的薪水。如果你说不出那个岗位是什么，它就不该归到这一类。

生产力线 AI（席位、笔记和写作工具）看的是使用率。如果使用率到第二个月就衰减了，就取消掉。

成本线 AI（产品内部的 token 和 API 调用）看的是 10 倍体量下的毛利率，而且它必须放在你账上的 COGS 里。

把三类混在一起，每个信号都会互相抵消。席位上的超支让总额看起来很臃肿，于是创始人就对 agent 上克制，而那恰恰是回报所在。前 1% 的赢家不是因为花得多，而是因为他们的支出是分好类的：在 AI 替代人力的地方下重注，在只是加速人的地方严格克制，在产品内部的地方盯住毛利。

我们拆解了完整的排序方法，包括一套 30 分钟的审计流程，你可以这周就用它来核对自己的账单，详见《你的 AI 支出到底应该拿什么做基准？》

为什么深科技的风投尽调反而变差了？

你可能会以为，最难的技术应该接受最严格的审查。一台量子计算机、一座核聚变反应堆或一种新的芯片架构，要么符合物理定律能跑通，要么不能，而验证这一点需要真正的专业能力。

但 PostQuantum 的 Marin Ivezic 认为，实际情况恰恰相反：交易越大、技术含量越高，越不可能有独立的人去核实科学上是否站得住脚。

这并非因为投资人变懒了。几个结构性变化叠加在了一起。

专家层消失了。

过去，投资人能从银行研究团队获得独立的技术判断，这些团队雇有专业分析师。2018 年欧洲 MiFID II 规则要求研究费用与交易费用分开支付，这一模式随之收缩。据报道，欧洲股票研究规模下降了约 20%，主要银行的专业分析师人数也减少了。

专家网络如今已是约 25 亿美元的生意，填补了部分空白。但它只有在你知道该问哪位专家、该问什么问题时才有效。在前沿领域，这恰恰是通才型投资人不具备的知识。

资金流向了通才。

2025 年，私募量子投资达到 49 亿美元，增长 192%。最大的投资方是贝莱德和英伟达，而非专门的量子基金。主权财富基金和养老金也在越来越多地参与这类轮次，一项针对主权基金的调查发现，58% 的机构缺乏领投一笔交易所需的资源。无法自行做技术审查的资本，最终只能依赖别人的判断。

领投方的名头取代了审查。

一家有声望的领投方为跟投的所有人做了信用背书。跟投方默认领投方已经核实过物理上的可行性，但他们看不到那份审查，也无法确认它真的发生过。有些轮次甚至连这个都没有：Quantinuum 的 6 亿美元融资完全没有具名的领投方。

截止期限和羊群效应让速度压过了审查。

2023 年底，美国基金手里积压着创纪录的 3116 亿美元未投出资金。一个面临配置压力的基金经理，加入一笔热门交易比拖慢它更有收益。而且和同行一起错，对声誉的损害远小于独自出错。

深科技没有强制检查点。

生物科技是很好的对照。FDA 的审批流程迫使每个阶段的数据公开，因此行业围绕这一点建立了一整套尽调规范：科学顾问委员会、专业审评人、分阶段检查。

量子领域没有同等的关卡。这篇文章能找到的针对大型量子公司最严格的技术审查，来自澳大利亚政府，是通过信息公开申请才披露的，而不是来自任何投资方。

结果清楚地体现在数字里。

2025 年私募量子投资为 49 亿美元，而整个量子计算行业的总营收约为 14 亿美元。三家 2021 年通过 SPAC 上市的量子公司，曾预测 2025 年合计营收约 12 亿美元，实际交付约 1.38 亿美元。而且做了一些最扎实核实工作的，是空头，不是投资人。

这种事如何收场，早有先例。2006 年到 2011 年间，风投向清洁技术投入超过 250 亿美元，亏损过半。研究那一轮周期的学者当时就警告，没有硬件经验的养老金和主权基金，会是下一批给这类公司掏钱的人。

提出的解决方案很简单：在跟投一笔超过一定规模的深科技轮次之前，LP 应当要求一份独立的技术可行性审查，这份审查不能由基金委托，也不能由创始人挑选。需要说明的是，作者本人投资量子初创公司，并经营一家提供此类审查服务的公司。但核心观点依然成立：在深科技领域，股权表上的一个标志已经悄悄取代了技术核查，而在这样的支票金额面前，几周的独立审查费用算不了什么。