在 AI 投资中，多数基金经理把精力花在"如何判断一个项目好不好"上。但决定超额回报的真正变量，不在判断力，而在信息入口——你的候选池里有没有那个未来的赢家。这个命题在所有风险投资中都成立，但在 AI 赛道，它正在变成一个更极端、更紧迫的问题：AI 领域的信息传播速度前所未有地快，一个项目从"隐蔽"到"所有人都知道"的窗口期，可能只有几周。Origination 不再只是一种策略偏好，而是 AI 投资中唯一可持续的结构性优势。
一、Picking 是一个被高估的能力（贝叶斯法则的启示：候选池质量远胜筛选能力）
投资回报可以被拆解为两个变量的复合函数：候选池质量（pool quality）× 筛选能力（picking skill）。多数投资人的注意力集中在后者。但贝叶斯定理揭示了一个残酷的事实：当候选池的基准质量偏低时，即便投资人判断准确率极高，选出的项目中仍然充斥着"假阳性"——看起来好但实际不好的公司。噪声压倒信号。
根据AI创投库，数据更直观：候选池质量提升 1.5 个百分点，最终组合成功率可以从约 5% 跃升至约 9%；而筛选能力提升整整 10 个百分点，成功率只从 5% 提升至约 7%。稍微改善"看到了什么"，比大幅改善"怎么判断"更有效。Charlie Songhurst 说得直白：试图比别人更聪明极其困难，而且很少奏效；试图坐在不同的信息流里获得洞察，指数级地更容易。
尽管如此，VC 行业仍然痴迷于"picking"和"winning"的叙事。所有人都在炫耀自己"选中了"或"赢下了"哪个项目。而 origination——你看到了什么、你为什么能看到——几乎没人谈。
二、AI 赛道把这个问题推向了极端（信息半衰期缩短：AI 赛道正以前所未有的速度消解优势）
在传统科技投资中，一个优质项目从出现到被广泛关注，可能需要一到两年的时间。AI 赛道的节奏完全不同。一篇 arXiv 论文发布后几天内就会在 Twitter 上被拆解，几周内就有投资人登门拜访，几个月内估值可能已经翻了三倍。Compound 的管理合伙人 Michael Dempsey 描述过一种方法：找到一篇有意思的论文，设置引用提醒，当越来越多聪明人开始引用它时，这本身就是信号。这个策略在 2016 年帮助 Compound 提前布局了语音模型公司 Deepgram，2017 年布局了自动驾驶公司 Wayve，2018 年布局了视频生成公司 Runway。
但即便是这种研究驱动的策略，窗口也在收窄。2018 年 Transformer 论文发表时，主流 VC 用了将近两年才开始系统性关注大语言模型的投资机会。到了 2024 年，一篇有影响力的 AI 论文从发布到引发投资热潮，间隔可能只有几个月。信号传播的加速意味着：在 AI 赛道，origination 优势的半衰期比任何其他领域都短。你必须更早到达，否则你到达时看到的已经是一个拥挤的市场。
三、两种在共识之前到达的方式（寻找非对称优势：从“抢公司”转向“找人与找想法”）
如果 origination 是 VC 的 go-to-market 策略，那最有效的路径不是"广撒网"，而是在某个特定维度上建立不对称优势。SVTR 观察到两种被反复验证的策略，它们在 AI 赛道的适用性尤其强。
第一种是"找人，而不是找公司"。在创始人成为创始人之前就建立关系，避开所有竞争。Thiel Fellowship 是这一策略的极端案例：筛选 22 岁以下、没有学位的年轻人，给予 10 万美元和两年时间。结果是 13.79% 的 Fellow 创办了独角兽公司——包括 Figma、Ethereum 和 Plaid。相比之下，Y Combinator 九千多家公司中独角兽比例是 1.82%，差距接近一个数量级。延续这一理念的 1517 Fund 通过小额 grant 项目 Medici 提前接触有潜力的年轻技术人才，在他们真正创业时，基金已经观察了数月甚至数年。
这一策略在 AI 领域有天然的适用场景。今天最有潜力的 AI 创始人，很多正处于"还不是创始人"的阶段——他们可能是某个开源项目的核心贡献者，某个顶级实验室的研究员，或者某个垂直行业里正在用 AI 解决具体问题的技术负责人。在他们开始融资之前就建立关系，是 AI 投资中最有效的 origination 策略之一。Midjourney 的 David Holz 在创办公司之前已经在 VR 和人机交互领域深耕多年；Mistral 的创始团队来自 Meta 和 DeepMind 的研究岗位。认识这些人的投资人，不需要和任何人竞争。
第二种是"找想法，而不是找公司"。Compound 的策略是系统性地追踪学术引用网络的变化趋势，在一个研究方向从冷门变热门之前完成布局。这不是简单地"读论文"，而是建立一套信号识别系统——当某篇论文的引用量开始加速增长时，它背后通常意味着一群聪明人正在投入实质性的时间和资源。这种方法论让 Compound 在 AI 的多个子领域实现了提前卡位。
四、AI 工具不是 Origination 的答案（效率不等于胜率：AI 工具无法解决战略级的 Origination 命题）
一个诱人的想法是：用 AI 工具做 deal sourcing，自动化地发现好项目。SVTR 对此持审慎态度。AI 搜索工具最可能的效果是帮助投资人更高效地筛选已有数据库中的项目，但这不等于创造 origination 优势。如果所有人用同一套工具从同一个池子里筛选，工具带来的边际优势会迅速衰减——这在量化投资领域被称为 alpha decay。
工具可以提升效率，但无法替代策略。真正的 origination 优势来自于你选择在哪里寻找、跟谁建立关系、追踪什么信号。这些是战略层面的选择，不是技术层面的问题。在 AI 赛道，最大的异常值仍然更可能被拥有独特认知框架和差异化信息渠道的投资人捕获，而不是被算法从 人人都可以获得的 Crunchbase 等第三方数据库里筛出来。
五、最被低估的 Origination 渠道（反向思维：被行业轻视的冷投递中藏着低竞争机会）
值得一提的是，大多数基金对冷投递（cold inbound）的态度是轻视甚至拒绝的。理由通常是"不具有独占性"。但这个逻辑恰恰是反的：因为大多数基金不接受或不认真处理冷投递，这个渠道的竞争反而最低。问题不在于冷投递质量差，而在于多数基金把筛选工作交给没有经过充分训练的初级员工，后者倾向于寻找简单模式——热门行业、名校背景、近期同行已投的方向——而不是识别真正的异常值。
Y Combinator 的做法提供了一个参照：合伙人只看一页纸的申请材料，限制信息输入量以聚焦最关键的判断因素。这种极简筛选流程本身就是一种 origination 能力的体现。对于 AI 领域的新兴管理人，认真设计冷投递的筛选机制，可能是建立差异化 deal flow 成本最低的方式。
六、在共识之外寻找 AI 的下一个周期（跨越共识边界：在 AI 周期演化中捕捉下一波超额回报）
风险投资的回报与周期高度相关。1995 年布局互联网的基金大概率跑赢，1998 年入场的基金则面临泡沫破裂；2010 年布局 SaaS 的基金回报丰厚，2018 年入场的基金普遍承压。AI 赛道正在经历类似的周期演化：基础模型层的投资窗口已经基本关闭，应用层的共识正在快速形成并推高估值。下一个 AI 投资的超额回报区间，大概率存在于当前共识的边界之外——那些还没有被多数投资人识别为"AI 投资机会"的领域。
这正是 origination 策略最能发挥作用的地方。不同于在已知的热门赛道里拼速度、拼估值容忍度，origination 驱动的投资人可以在共识形成之前占据位置。无论是通过深入学术前沿追踪下一波技术范式，还是在跨境生态中发现因信息不对称而被低估的团队，差异化的信息入口决定了差异化的投资结果。
SVTR 构建 AI 创投库、组织 AI 创投会、发布 Thesis 内容，底层逻辑是一致的：帮助投资人和创始人拓展各自的 origination 边界，在 AI 生态最拥挤的时代找到共识之外的信号。在这个赛道里，最稀缺的资源不是资本，不是判断力，而是"看到别人看不到的东西"的能力。
如果你正在构建自己的 AI 投资 thesis 或差异化的 origination 策略，欢迎与 SVTR 交流。