作者：Venture Curator
編譯：深潮 TechFlow
深潮導讀：这篇文章用兩組硬數據拆穿了兩件事，巨頭 VC 扎堆投 AI 同質化項目，反而新興管理人更敢押注異類；以及大多數 VC 基金成立九年後連本金都沒還給 LP。對正在融資的創始人來說，看懂基金背後的資金壓力，比看品牌光環重要得多。
新興 VC 在投更多不尋常的創業公司，而 AI 支出在 7 萬多家企業之間差異巨大。
到底誰在投中風險投資的異類？數據說明了什麼。
風險投資人通常被教導這是一門關於異類的生意。少數沒人預料到的公司貢獻了大部分回報，所以擁有最大團隊、最廣網絡和最多資本的機構應該最有能力找到它們。
但 Odin 的 Dan Grey 基於 Dealroom 數據的新研究表明，最大的機構現在最不可能投一家與所有其他獲投公司看起來不同的公司。
Grey 對五家巨型基金（a16z、General Catalyst、Lightspeed、NEA 和 Accel）在 2023 至 2025 年種子輪投資組合中的每家公司，以及一組精選的頂級新興管理人，按稀有程度進行了打分。稀有度是從業務（行業、模式、客戶、地域）和技術兩個維度，對照 2018 年至 2025 年所有獲種子輪融資的公司來衡量的。最不尋常的五分之一被算作異類。
新興管理人把 24.7% 的可評分種子輪投向了異類畫像（198 個中有 49 個）。巨型基金只投了 11.5%（278 個中有 32 個）。大約是兩倍的差距。
這個差距並不是因為每個小基金都是逆向投資者。很多新興管理人和巨型基金一樣重倉 AI：Conviction 是 100% AI，South Park Commons 是 93.5%。差距來自那些有不同任務的專業型基金，比如 Lowercarbon 只有 18.8% 投 AI，Multicoin 只有 15.4%。
這就是為什麼組合配置很重要。把五本不同的新興管理人賬本合在一起，集中度通常會下降 22.6%。把五家巨型基金合在一起，只下降 2.0%，因為五家全都已經在 82.7% 到 89.5% 的 AI 倉位之間。在 462 種可能的新興管理人組合中，只有 2 種沒能跑贏巨型基金組。
這件事的重要性超出了組合統計的範疇。關於融資風險的研究一直認為，投資人是否預期後續資金可用，決定了哪些實驗能拿到第一張支票。Odin 謹慎地表示，其數據並不能證明這一機制。但如果最大的資金池只投那些已經被廣泛認為可投的項目，那麼在這個共識之外的公司就只能依賴別人來下第一注。
那麼這是否意味著新興管理人更擅長挑選贏家？
不是。「異類」在這裡指的是在獲投公司中罕見，並不代表更具創新性，也不代表更可能成功。把創始人背景加入評分後，差距縮小到 19.8% 對 14.4%。新興管理人這一組是一個精選的樣本，不代表整個市場。而且小基金也有自己的羊群時刻：區塊鏈在它們早期輪次中佔 46.7%，後來降到 20.9%。
這正是投資人需要小心的地方。
如果你的論點是回報來自異類，那麼再配一家名牌基金，大部分只是增加了同樣的押注。一籃子真正不同任務的基金才能增加範圍。但僅憑範圍並不構成開支票的理由。Odin 自己的測試是：一隻基金能為你的現有組合補充什麼缺失的東西，以什麼費用和附帶權益，稀釋後的持股比例是多少，後續融資風險如何。
真正的問題不是哪家基金最大。問題是哪些基金真正在看別人沒在看的地方，因為從數據來看，這份名單越來越不是同一批人。
九年後，大多數 VC 基金仍沒把錢還給投資人。接下來會發生什麼？
創始人通常被教導要把自己的 VC 看作耐心資本。風險投資是一場長跑；基金就是為了等待大結果而設立的，股權表上沒有誰急著要現金。
但 Carta 的 2026 年第二季度 VC 基金業績報告的新數據表明，很多基金的耐心正在耗盡，因為它們大多數仍沒把自己的投資人的錢還回去。
Carta 追蹤了淨 DPI，即基金實際返還給 LP 的現金佔 LP 投入每一美元的比例，覆蓋了大約 3000 隻在 2017 年至 2026 年間開始投資的美國風險投資基金。
2017 年開始投資的基金現在大約有九年了，接近典型的十年基金生命週期的末尾。中位數基金只返還了 0.37 倍的現金。即使是前四分之一分位的基金也只有 0.70 倍。只有前 10% 返還了超過 LP 投入的金額，達到 1.37 倍。
更年輕的基金情況更糟。2018 年基金的中位數返還了 0.15 倍，2019 年基金的中位數是 0.04 倍，也就是七年後一美元只拿回 4 美分。
價值在賬面上是存在的。2017 年基金的中位數賬面價值是 1.72 倍，但其中只有大約五分之一以現金形式返還。剩下的仍然鎖在那些還沒有被出售或上市的私人公司裡。
還有第二個細節解釋了為什麼從外部很難看清這一點。這些基金大多數確實返還了一些錢：86% 的 2017 年基金和 70.4% 的 2018 年基金至少返還了部分現金。所以幾乎每隻基金都能告訴自己的 LP，分配已經開始了。但很少有基金能說它們把錢還回去了。
那麼創始人為什麼要在乎自己投資人的基金賬本呢？
因為你投資人的基金時鐘，和你公司的時鐘並不一樣。一隻接近到期、還欠著 LP 真金白銀、又正在募下一期基金的基金，有很強的動力儘早拿到流動性。這種壓力可能會表現為推動你早點出售、在二級市場賣掉它的股份，或者在你下一輪融資時對繼續注資更加謹慎。
而這就是創始人需要小心的地方。
這些都不意味著你的投資人會做出對你不利的事。基金可以延長存續期，很多頂級機構也有充分理由繼續支持自己的贏家。Carta 的數據只顯示了現金缺口，不代表每隻基金會怎麼行動。但給你開出支票的那隻基金的年份，現在已經是一個真實變量，而不是腳註。一個從 2017 或 2018 年基金裡出手的合夥人，和一個從全新的 2025 年基金裡出手的合夥人，處境完全不同。
真正的風險不是你的投資人需要流動性。而是你不知道你的錢來自哪隻基金、它還欠自己的出資人多少現金，以及這一點會如何影響他們在你下一輪融資或退出上給出的建議。
AI 裡最大的錢在哪裡：前沿模型還是中間市場？
大多數 AI 報道都盯著前沿：每家實驗室最新、最聰明、最貴的模型。但 Theory Ventures 的 Tomasz Tunguz 提出了一個論點：真正重要的市場是中間層級，而支出數據也支持這一點。
中間層級已經拿走了大約 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 最強的模型 Fable 5.1，在發佈頭 12 天裡只佔網關支出的 3.7%。它的前代最高達到 13.2%，然後在 Opus 5 以一半價格發佈後一個月，跌到了 4.9%。在大型企業賬戶中，前沿模型的 token 消費佔比從 8 月初的 53% 降到了 9 月的 45%。
價格戰也正是在這個層級展開。9 月 Anthropic 對新模型降價時，OpenAI 大約 90 分鐘後就跟進降價。在那次降價之前，Opus 系列連續四個版本的定價都維持在每百萬 token 輸入 5 美元、輸出 25 美元。在低端，OpenAI 在 7 月把 Luna 的價格砍了 80%，9 月又砍了 50%。
三股力量持續壓著中間層級的價格往下走：
實驗室之間的競爭。實驗室現在會在幾小時內跟進彼此的降價，而不是幾個季度。
開放權重模型。在公佈數據的網關上，開放模型跑著大部分 token 量，價格比閉源模型的混合價格低 86%。
微調。基於開放權重模型 Kimi K2.5 微調的 Cursor Composer 2，比起此前的自研模型，總成本降低了 86%。Harvey 把每個 cell 的成本相對 Sonnet 5 降低了 55%，同時得分還高於 Fable 5。
這種情況持續發生是結構性的。企業需要 AI 做的事，比如總結一份合同或給一張工單分類，年復一年幾乎不變。而能滿足這個門檻的智能成本卻在快速下降。所以能通過一個固定要求的層級，每個季度都在變便宜，而大多數真實工作都落在這一層，而不是前沿。
需求看起來不像一座前沿在頂端的金字塔，更像一條中間很粗的鐘形曲線。買家關心的是每美元能買到多少智能，而不是峰值能力。懸而未決的問題是，這個中間市場最終會不會變成大宗商品。如果會，整個 AI 市場的經濟學也會隨之改變。
對於任何在這些模型之上做產品的人來說，值得問一句：你的產品真正需要的是哪個層級。為中間層級的工作付前沿模型的價格，現在是最好丟掉的一種利潤。
你的創業公司到底該在 AI 上花多少錢？數據是這樣說的。
問大多數創始人在 AI 上花了多少，你會得到一個很自信的數字：ChatGPT 和 Claude 的席位、Cursor 賬單、不斷增長的 API 費用，加起來一個月幾千美元。這聽起來很精確，但其實不是。因為它把三種完全沒有共同點的支出加在了一起，唯一的共同點只是供應商類別。
Ramp 覆蓋 7 萬多家美國企業的支付數據顯示，「使用 AI」這件事已經變得多分裂。
中位數公司每名員工每月花 11.38 美元。前 10% 花 611 美元。
前 1% 花 7,449 美元，差不多是中位數的 650 倍。而當 Ramp 把這些支出和 Revelio Labs 覆蓋 21,559 家公司的勞動力記錄做關聯後，發現高支出的公司兩年間員工人數增長了 10.2%，其中入門級崗位招聘增加了 12%。
低強度使用者的數據完全沒有顯著變化。
所以多花點。但花在哪？
大多數創始人拿 AI 賬單和自己的軟件預算比，因為這些費用在賬單上和 Figma、Notion 排在一起。這是錯的分母。越來越多的 AI 支出替代的不是軟件，而是人。一個客服 agent 的對照物是客服崗位，而不是你的 SaaS 套件。
拿一家典型的種子階段公司算一下：12 個人，每月工資成本約 18 萬美元，AI 支出每月 4 千美元。對比軟件預算，4 千美元看起來很重。對比工資成本，它只有 2.2%。同一個數字，結論完全相反。
解決方法是把 AI 預算拆成三塊，每一塊都用自己的基準去評估：
工資線 AI（客服、SDR 和編程 agent）對照的是你沒招的那個人的薪水。如果你說不出那個崗位是什麼，它就不該歸到這一類。
生產力線 AI（席位、筆記和寫作工具）看的是使用率。如果使用率到第二個月就衰減了，就取消掉。
成本線 AI（產品內部的 token 和 API 調用）看的是 10 倍體量下的毛利率，而且它必須放在你賬上的 COGS 裡。
把三類混在一起，每個信號都會互相抵消。席位上的超支讓總額看起來很臃腫，於是創始人就對 agent 上克制，而那恰恰是回報所在。前 1% 的贏家不是因為花得多，而是因為他們的支出是分好類的：在 AI 替代人力的地方下重注，在只是加速人的地方嚴格克制，在產品內部的地方盯住毛利。
我們拆解了完整的排序方法，包括一套 30 分鐘的審計流程，你可以這週就用它來核對自己的賬單，詳見《你的 AI 支出到底應該拿什麼做基準？》
為什麼深科技的風投盡調反而變差了？
你可能會以為，最難的技術應該接受最嚴格的審查。一台量子計算機、一座核聚變反應堆或一種新的芯片架構，要麼符合物理定律能跑通，要麼不能，而驗證這一點需要真正的專業能力。
但 PostQuantum 的 Marin Ivezic 認為，實際情況恰恰相反：交易越大、技術含量越高，越不可能有獨立的人去核實科學上是否站得住腳。
這並非因為投資人變懶了。幾個結構性變化疊加在了一起。
專家層消失了。
過去，投資人能從銀行研究團隊獲得獨立的技術判斷，這些團隊僱有專業分析師。2018 年歐洲 MiFID II 規則要求研究費用與交易費用分開支付，這一模式隨之收縮。據報道，歐洲股票研究規模下降了約 20%，主要銀行的專業分析師人數也減少了。
專家網絡如今已是約 25 億美元的生意，填補了部分空白。但它只有在你知道該問哪位專家、該問什麼問題時才有效。在前沿領域，這恰恰是通才型投資人不具備的知識。
資金流向了通才。
2025 年，私募量子投資達到 49 億美元，增長 192%。最大的投資方是貝萊德和英偉達，而非專門的量子基金。主權財富基金和養老金也在越來越多地參與這類輪次，一項針對主權基金的調查發現，58% 的機構缺乏領投一筆交易所需的資源。無法自行做技術審查的資本，最終只能依賴別人的判斷。
領投方的名頭取代了審查。
一家有聲望的領投方為跟投的所有人做了信用背書。跟投方默認領投方已經核實過物理上的可行性，但他們看不到那份審查，也無法確認它真的發生過。有些輪次甚至連這個都沒有：Quantinuum 的 6 億美元融資完全沒有具名的領投方。
截止期限和羊群效應讓速度壓過了審查。
2023 年底，美國基金手裡積壓著創紀錄的 3116 億美元未投出資金。一個面臨配置壓力的基金經理，加入一筆熱門交易比拖慢它更有收益。而且和同行一起錯，對聲譽的損害遠小於獨自出錯。
深科技沒有強制檢查點。
生物科技是很好的對照。FDA 的審批流程迫使每個階段的數據公開，因此行業圍繞這一點建立了一整套盡調規範：科學顧問委員會、專業評審人、分階段檢查。
量子領域沒有同等的關卡。這篇文章能找到的針對大型量子公司最嚴格的技術審查，來自澳大利亞政府，是通過信息公開申請才披露的，而不是來自任何投資方。
結果清楚地體現在數字裡。
2025 年私募量子投資為 49 億美元，而整個量子計算行業的總營收約為 14 億美元。三家 2021 年通過 SPAC 上市的量子公司，曾預測 2025 年合計營收約 12 億美元，實際交付約 1.38 億美元。而且做了一些最紮實核實工作的，是空頭，不是投資人。
這種事如何收場，早有先例。2006 年到 2011 年間，風投向清潔技術投入超過 250 億美元，虧損過半。研究那一輪週期的學者當時就警告，沒有硬件經驗的養老金和主權基金，會是下一批給這類公司掏錢的人。
提出的解決方案很簡單：在跟投一筆超過一定規模的深科技輪次之前，LP 應當要求一份獨立的技術可行性審查，這份審查不能由基金委託，也不能由創始人挑選。需要說明的是，作者本人投資量子初創公司，並經營一家提供此類審查服務的公司。但核心觀點依然成立：在深科技領域，股權表上的一個標誌已經悄悄取代了技術核查，而在這樣的支票金額面前，幾週的獨立審查費用算不了什麼。
