2008年，两个斯坦福毕业生去了20家风险投资机构，带着一个听起来荒唐的想法：让陌生人把自己的房间租给素不相识的旅行者。

他们被拒绝了。不是1次，不是10次，是差不多20次。

其中一家机构的投资人后来回忆，他们在讨论这个项目时，团队里有人甚至用”危险”来描述这个商业模式——毕竟，谁会信任一个陌生人？整个人类历史的居住文化，都建立在”家是最私密的空间”这个前提上。

今天，Airbnb市值超过800亿美元，在150多个国家运营，彻底重塑了全球酒店行业。

现在，2026年，有一个新问题值得每个投资人认真思考：如果那20个投资人，都用了当时最好的AI分析工具，结果会有所不同吗？

答案很可能是：不会。而且可能更糟。

75%，一个让人喜忧参半的数字

2026年5月31日，Forbes发布了一篇由能源基础设施与AI顾问Anna Demeo撰写的分析文章。数据来自gitnux.org对风险投资行业AI使用率的追踪统计：据gitnux.org统计，约75%的风险资本机构现在已将AI工具纳入投资决策流程。

这是一个让人看到希望的数字——效率、速度、覆盖面都在提升。

同一项研究还显示：

  • 使用AI工具的机构尽职调查（diligence）速度提升40%
  • AI相关机构的交易流量（deal flow）高出22%
  • 到2026年，预计90%的VC机构将用AI处理所有来源分析
  • 76%预计AI将承担一半的行政工作

速度更快了，更全面了，信息处理能力呈数量级提升。

但Forbes的分析提出了一个反问：当你把分析过去的工具，用于押注未来，会发生什么？

这个问题，在2026年有着比以往更迫切的意义。根据PitchBook的数据，2026年Q1全球AI风投融资达2555亿美元，超过了2025全年的总额，AI公司占全球风投总额的81%。资本高度集中，流向OpenAI（1220亿美元）、Anthropic（300亿美元）、xAI（200亿美元）等少数超级玩家。

当几乎所有人都在用AI分析工具评估同样的机会，当这些工具都基于同样的历史数据，整个行业的投资决策会不会朝着某个方向系统性地倾斜？

AI的核心强项，也是它的核心局限

理解这个问题，需要先理解大语言模型的工作原理。

AI并不”思考”，它识别模式。更准确地说，它在海量历史数据中寻找统计规律，然后用这些规律预测最可能的结果。

这个机制让AI在特定任务上无可匹敌：

  • 在几秒内扫描数千篇研究论文、专利和行业报告
  • 绘制精确的竞争格局图谱
  • 识别监管和政策障碍
  • 对历史上类似商业模式的成败进行系统分析
  • 从财务角度对商业模式进行压力测试

Forbes文章的核心论点不是AI会犯事实错误——恰恰相反，AI在事实准确性上表现极好。问题在于，AI太擅长”还原历史”了，以至于它系统性地低估了”打破历史”的可能性。

大语言模型通过识别大规模数据集的模式来生成答案。它们基于事实和过去的结果预测最可能发生的事。这个结构使它们在评估增量改进时极其有用，却使它们在识别真正的突破时远不那么可靠。

用一个精确的类比：如果你用1980年以前的所有计算机行业数据训练AI，然后问它”个人电脑的市场潜力如何”，它会告诉你这是一个利基市场，主要受众是工程师和技术爱好者，消费级市场规模有限。

1980年，这个答案在统计意义上是正确的。但它错过了即将发生的一切。

三个历史时刻，三次”理性”的失误

Forbes文章列举了3个典型案例，值得每一个使用AI工具做投资分析的人仔细品味。

案例一：Airbnb（2008年）

当Airbnb的创始人Brian Chesky和Joe Gebbia向投资者推介时，核心问题是：陌生人愿意把自己的房间租给不认识的旅行者吗？

历史数据的答案是否定的。没有先例，没有模式可循，有的只是人类对陌生人的不信任心理——这在社会心理学研究中有大量文献支撑。短租平台此前也有失败先例。传统酒店行业运营成熟，在位者具备规模优势。

一个基于历史数据训练的AI，如果当时存在的话，会找到大量支持”这个商业模式不可能成功”的证据。

但Airbnb赌的不是当时的行为模式，而是行为模式在社交网络和双边评价机制出现后会如何改变。创始人们看到的关键洞察是：信任是可以被设计出来的，只要评价系统足够透明、支付流程足够安全、平台担保足够充分。

这个洞察，不存在于历史数据中，因为它所依赖的技术条件在此之前从未存在。

案例二：个人电脑（1980年代初）

1980年代初，个人电脑市场既小又高度分散。那个年代的AI如果分析PC市场，会得出的结论将是合理的：PC将继续是业余爱好者和工程师的小众工具，市场规模有限，商业化路径不明朗。

当时，这不是错误的结论，这是基于可用数据的最合理推断。

但微软和苹果赌的是另一个问题：当计算机的成本降低到足够程度、操作界面变得足够友好，人类使用计算机的门槛会发生什么？

没有历史数据可以回答这个问题，因为这个门槛从未降低到那个程度。

答案重写了整个产业，并催生了后来互联网时代的一切。

案例三：早期互联网的隐私困境（1990年代）

互联网早期，公众讨论的主要议题是隐私担忧。皮尤研究中心在2000年的研究显示，人们对在网上共享个人信息的抵触情绪占主导地位——绝大多数用户担心个人信息会被滥用。

一个分析当时情感数据和行为数据的AI系统，会得出合理的结论：用户永远不会愿意主动把自己的社交生活上传到互联网上。

Facebook于2004年创立，2012年上市时市值1040亿美元。今天Meta的市值超过1.2万亿美元。

这三个案例有一个共同点，也是Forbes文章的核心观察：突破性公司往往在最初看起来最不可能成功。这正是一个经过良好校准的AI系统最可能对它们说”不”的原因。

它不是一个缺陷，这是AI设计的特性。AI的本质就是奖励那些有历史证据支撑的解释。这正是它在评估”已知市场的增量改进”时极其有用的原因，也是它在评估”即将颠覆已知市场的公司”时可靠性大幅降低的原因。

小型模块化核反应堆：2026年的当下困境

Forbes文章最深入分析的当下案例，是小型模块化核反应堆（SMR）。这个领域以其近乎完美的方式展示了AI分析工具的两难困境。

历史记录清楚地显示：核电站建设周期从数年到数十年不等，监管障碍重重，公众接受度低。三里岛（1979年）、切尔诺贝利（1986年）、福岛（2011年）——一长串事故记录。从1950年代起，核技术商业化尝试的失败案例俯拾皆是。预算严重超支、工期大幅延误、政治阻力持续存在。

一个分析这些历史数据的AI，会给出统计上完全合理的结论：SMR是极高风险、超长周期、充满政策和公众阻力的投资标的，历史胜率极低。

但这个分析可能系统性地忽略了2025-2026年发生的几个关键变量：

第一，设计范式已经根本改变。 SMR与历史上的大型核电站在设计逻辑上完全不同——小型、工厂制造、标准化模块、可规模化部署。历史上核电站超支超时的主要原因（一次性定制设计、现场建设复杂性）在SMR这里被从根本上改变了。

第二，需求端出现了前所未有的拉动力。 AI数据中心对持续、可靠、大规模清洁电力的需求是历史上从未存在过的量级。Nvidia、微软、Google、亚马逊已经在签署与核电生成相关的协议和投资。一个新的买家群体，带着对”7x24小时、零碳、GW级”供电的迫切需求，出现在了这个市场。

第三，政治气候正在转向。 气候承诺、能源安全关切、以及AI基础设施的战略优先级，正在改变多个主要经济体对核能的政策立场。

一个只读历史记录的AI，看到的是一个失败了70年的领域。一个理解”什么已经改变”的人类投资者，看到的可能是一个时机终于成熟的技术。

群体思维：当所有人都使用同一套工具

Forbes文章的分析还触及了一个更深层的结构性问题，尽管没有完全展开——值得在此延伸。

当75%的VC都使用类似的AI工具，当这些工具都基于大致相同的训练数据，当它们都被优化为识别”像过去成功公司一样的模式”——整个行业的决策可能在不知不觉中向同一个方向收敛。

这是一种新型的行业性偏差，比个人偏见更难被识别，因为它被包装在”客观分析”的外衣下。

2026年Midas List的数据某种程度上印证了这一担忧：今年贡献回报最高的10家公司中，有9家仍然是私有公司，这是该榜单历史上的最高比例。（传统上，Midas List更看重已实现回报，即上市公司的价值；私有公司占绝大多数意味着巨额账面价值高度集中，流动性和可兑现性存在不确定性。）同时，据TrueBridge Capital Partners的分析，近3/4的美国风投资金在Q1流向了仅仅5笔交易。

资本的极度集中，首先是由超大型AI公司融资轮次的体量决定的；但这种集中与AI工具对”成功模式”的趋同分析之间是否存在相关性，值得持续观察——当所有分析工具都指向同一批”胜者”时，”胜者通吃”的马太效应可能会被进一步放大。

当所有人的AI分析都指向同一批公司时，这些公司确实会获得更多资金，确实会有更高的成功概率——这在短期内会”验证”AI分析的正确性。但与此同时，那些AI分析框架内”看不懂”的机会，可能因为系统性缺乏资金支持而更难发展起来。

这创造了一个微妙的选择压力：整个风险投资生态的多样性，可能在AI工具普及的过程中悄悄降低。

AI能做什么，不能做什么：一份清单

需要明确的是：Forbes文章的立场并非”VC不该用AI”。文章明确指出，AI已经成为风险投资不可或缺的研究工具。

问题在于边界的清晰认知。

AI擅长的事情：

  • 回答”这个市场现在多大、增长率如何”
  • 找出”历史上类似商业模式的成功率和失败原因”
  • 快速识别竞争对手和监管障碍
  • 对财务假设和技术可行性进行压力测试
  • 发现创始人背景和团队构成中的潜在问题

AI不擅长的事情：

  • 判断”这次，什么不同了”
  • 识别那个”世界即将以某种方式发生变化、而这家公司恰好押注了那个变化”的时刻
  • 理解行为范式转变的临界点在哪里
  • 评估那些打破了所有历史类比的商业模式
  • 感知那种”不合逻辑但直觉告诉你这会起作用”的模式

简而言之：AI能告诉你一个创业公司在”世界现有状态下”是否有意义。它不能可靠地告诉你那个世界是否即将改变，以及改变的方向。

这个判断——关于”改变”的判断——需要一种AI目前不具备的能力：人类想象力。

这里存在一个现实的两难困境，必须正视：如果所有竞争对手都在用AI辅助决策，而你选择不用，你在信息处理效率上的差距会越来越大。不用AI，并不是一个有竞争力的选项。

真正的挑战，也是最难解决的问题，是：在充分使用AI提升分析效率的同时，刻意保留那些AI无法提供的判断维度——对未来变化的想象力，对”这次什么不同了”的洞察力，以及对AI说”不可能”时的反射性质疑。

工具的普及如何改变游戏的价值分布

这个逻辑还有一个深层的推论，值得细想。

风险投资本质上是一个信息不对称游戏。那些先看到别人没看到的东西的人，才能获得超额回报（alpha）。

当AI工具让所有人都能更快、更全面地处理信息，当它消除了信息处理效率上的差异——这意味着：依赖”信息处理速度和广度”产生的alpha，会被逐步压平。

但同时，那些超越AI训练数据范围的洞察，价值反而更高了——因为能够产生这类洞察的竞争者更少。

这个反直觉的推论是：AI工具的普及，可能在压低”分析效率”溢价的同时，大幅提高”想象力和判断力”的溢价。

历史上的类比：在彭博终端普及之前，能快速获取和处理金融数据是重要的竞争优势。彭博终端普及后，这个优势被均等化了。但同时，那些能在人人都有相同数据的情况下，依然看出别人看不出的洞察的分析师，其价值反而上升了。

AI工具之于风险投资，可能正在复制彭博终端之于金融分析的这个历史逻辑。

那些最终能在AI时代获得超额回报的VC，也许正是那些最善于提出AI”看不到”的问题的人。

一个有意思的实践框架是：在用AI完成常规分析之后，刻意问自己一个AI无法回答的问题——”如果这个市场在5年内发生了一个AI历史数据里不存在的结构性变化，哪家公司会是最大受益者？”这个问题本身，可能比AI的任何分析都更接近风险投资的本质。

对中国创投圈的启示：那些曾经”看不懂”的大赢家

这个问题在中国创投圈有其特殊的回响。

回顾中国互联网和移动互联网时代最大的投资成功案例，有一个显著特点：它们在早期，往往都是”看不懂”的。

拼多多（2015年创立）：淘宝已经以约80%的市场份额主导了中国电商，一个基于历史数据的分析会指出市场格局固化、后进者成功率极低、目标客群（下沉市场）消费升级预期低。但拼多多押注的是：中国消费市场的腰部和尾部，在微信社交生态和团购分享机制的加持下，存在一个被主流电商平台系统性忽视的需求空间。拼多多今天的市值超过1200亿美元（据2025-2026年市场数据），成为全球最大的农产品电商平台之一。

字节跳动今日头条（2012年）：当时内容分发格局以新浪、腾讯门户和微博为主，基于历史数据的分析会指出市场饱和度高、个性化推荐技术的成熟度不够支撑大规模商业化。但张一鸣押注的是：算法推荐会从根本上改变内容消费的心理模型，让用户从”主动寻找”转向”被动接收”。据第三方估算，字节跳动估值超过2500亿美元，旗下TikTok全球月活用户超过10亿，是全球下载量最大的应用之一。

快手（2011年）：短视频在当时的中国互联网市场是小众形态，4G尚未普及，手机存储和网络带宽都是明显障碍。基于那个时点的历史数据，任何分析工具都会给出保守评估：技术基础设施不成熟、内容消费场景局限。但快手的创始团队看到的是：记录普通人生活的需求一直存在，只是从未有过足够易用的工具，一旦基础设施条件成熟，需求会爆发式释放。快手今天在港股上市，月活用户超过7亿。

这三家公司如果经过2026年的AI分析工具扫描，很可能在它们的早期，都无法获得积极的评估。

因为它们所依赖的关键前提——中国移动互联网渗透率的跃升、社交生态与电商的融合、算法推荐的技术成熟、4G和智能手机的普及——在当时都还没有成为历史数据的一部分，或者尚处于早期而远未体现在市场规模数据中。

未来的投资人需要什么样的能力

在AI工具已经普及、将会更加普及的背景下，什么样的投资人能够真正产生差异化价值？

Forbes文章给出的回答很简洁：人类想象力。

这不是一个虚无缥缈的答案。它具体指向几种可以培养的认知能力：

一是理解临界点的能力：很多技术和市场的变化不是线性的，而是在某个关键阈值被触碰后发生跃变。能够预判这个阈值在哪里，是人类判断力在AI面前最难以被替代的部分。

二是识别”什么已经不同了”的能力：当一个领域出现了历史上从未有过的前提条件（新技术、新政策、新基础设施），历史数据的预测价值会大幅降低。能够快速识别这种结构性变化，是AI当前难以系统化的能力。

三是跨领域想象力：很多突破性机会来自两个或多个领域的意外交叉——Airbnb交叉了”双边市场”和”信任设计”；SMR交叉了”新设计范式”和”AI算力需求”。这种跨领域的类比推理，在人类大脑中运作得比AI更流畅。

四是对”不可能”的反射性质疑：历史上最大的投资回报，往往来自那些一开始被广泛认为”不可能”的公司。在AI均等化了对”可能”的分析之后，对”不可能”的反射性质疑能力，变得更加珍贵。

结语

风险投资的本质，从来都不是找那个”历史上最成功的模式的延续”。

它的本质是找那个还没有成为模式的东西，然后押注它终将成为模式。

AI的强大，恰恰在于它把所有已经成为模式的东西分析得无与伦比地透彻。

这两件事之间的张力，就是Forbes文章指出的核心矛盾：AI工具的普及，让风险投资的”分析”部分变得越来越高效，也越来越趋同；但同时让”判断”部分——那种基于想象力的押注——的稀缺性和价值，越来越高。

不是因为人类比AI聪明，而是因为在押注那些打破所有历史模式的公司时，没有历史模式可循的人类想象力，仍然是唯一的罗盘。

那20个在2008年拒绝了Airbnb的投资人，如果今天面对同样的决策，手里多了一套AI分析工具，大概率还是会拒绝的。

因为AI会告诉他们，历史上没有成功的先例。

而Airbnb的创始人，会继续找那个愿意押注先例之外的人。

参考资料

  1. Forbes: “AI Is Great At Analyzing The Past. Venture Capital Bets On The Future” (2026-05-31) — Anna Demeo — https://www.forbes.com/sites/annademeo/2026/05/31/ai-is-great-at-analyzing-the-past-venture-capital-bets-on-the-future/

  2. Forbes / TrueBridge Capital Partners: “How AI Mega-Startups Rewired Venture Capital And The Midas List” (2026-05-27) — https://www.forbes.com/sites/truebridge/2026/05/27/how-ai-mega-startups-rewired-venture-capital-and-the-midas-list/

  3. Gitnux: “AI In The Venture Capital Industry Statistics” (2026年) — https://gitnux.org/ai-in-the-venture-capital-industry-statistics/

  4. Pew Research Center: “Trust and Privacy Online: Why Americans Want to Rewrite the Rules” (2000-08-20) — https://www.pewresearch.org/internet/2000/08/20/main-report-28/

  5. YCombinator Library: “Airbnb’s Application to Y Combinator” — https://www.ycombinator.com/library/8g-airbnb

  6. PitchBook (via Forbes): Global AI Venture Funding Q1 2026 Data — $255.5B