一年前，SVTR 盘点斯坦福路演样本时，落点是"充满希望的狩猎场，需投资人火眼金睛"。一年后， 85 个项目（Stanford Founders Demo、Llama Lounge、Cardinal、Breakthrough）路演，赛道结构几乎没变。
本篇不预测谁会赢，也不替这波赛道唱多，只想说清这批早期项目的定价锚到底是什么。SVTR 的站位很明确：这批的定价锚是 origination（获取项目的能力），picking（筛选项目的能力） 在这里几乎失效。
本文适合在早期出手的美元基金 GP、看海外项目的跨境投资人，以及正在备战 demo day 的创始人。
把四场路演约 85 个项目摊开，赛道很全：合规与企业服务、临床医疗 AI、能源气候材料、机器人与 Physical AI、消费 AI，一个不缺。轮次集中在 pre-seed 到 seed，据路演披露金额多在 30 万到 1,000 万美元，相当一部分干脆未披露。创始人画像高度统一：绝大多数是 Stanford 在读硕士、博士或 MBA，其余密集分布在 MIT、Wharton、Harvard、Berkeley。
一年前 SVTR 看斯坦福路演，盘点了 20 个项目、五个赛道，结尾写的是"充满希望的狩猎场"。今天这批的赛道分布、创始人来源、甚至社会使命叙事，与去年高度同构。赛道分布从来不是信号，这种跨年度的结构稳定才是。
真正的信号藏在两个事实的错位里：这批 traction 普遍极薄，据路演披露不少只有几份 LOI、十几万美元 GMV 或两三个 design partner，融资却已经发生、估值锚已经立住。我们的判断是：这批斯坦福路演定价的，不是公司跑出来的数据，而是 origination 本身，即谁进了这张名单、谁是被名校与基金筛过的人。理解这一点，下面三个信号才连得起来。
一、最拥挤的一层是合规中间件
这批最拥挤的一层，是用 AI agent 去吃细分行业的合规与后台流程，而且专挑没人愿意干的脏活。最密的微簇是合规中间件：Pareo 做产品合规，Tesol 做 AI 合规取证，TrueSys 做 AI 决策验证，去年的 Darrow 做施工法规实时核查，Avelis 替患者申诉账单、对抗保险拒赔。紧挨着的是采购撮合（Dieline、Lexi、Agent Internet）和垂直后台（Terra 的废弃物合规报告、Community Bank AI 的 KYC/AML、Tenda 的 AEC 审查）。
这一层的共同问题不在需求，在护城河。它们卖的是嵌入工作流的速度和细分 know-how，不是技术壁垒。换句话说，软件 AI VC 在这层付的钱，本质是为分发和占位付费。对在这层出手的早期基金，硬启示有两条：一是同质化会很快显形，光"给某行业做合规 agent"这一个描述，这批里就能数出三四家；二是真正能起量的赢在 GTM 速度和创始人对行业的肉身理解，在如此薄的 traction 上 picking 赢家接近掷骰子。
二、领域专家型创始人，才是 origination 的真正锚
那为什么 traction 这么薄，钱还是到了。因为这批 origination 的筛选标准，不是泛泛的名校光环，而是更具体的一类人：把自己的专业痛点直接做成 agent 的领域专家。
据 SVTR 路演记录，Avelis 的 Angel 多年被医疗账单和保险拒赔困扰，干脆做了对抗拒赔的 AI；Resonant Health 的 Akhila 是斯坦福加哈佛训练的内科医生，做的是给医生减负的临床数字助手；去年路演的 Materials Labs 由材料学博士创立、顾问含斯坦福材料学者崔屹，做的是芯片工艺生成；Helix Carbon 的 David 是西点化工加 MIT Sloan，切的是钢铁炼铁减碳。这些人最先卖的是"我比任何外部团队更懂这个行业的烂账"，产品反而其次。
所以定价锚很清楚：领域专家的 credential，叠加进入名单的资格，共同构成估值，公司自己的数据反而次要。SVTR 此前在 origination（项目来源） 与 picking（项目筛选） 的框架里说过，早期回报要么来自更早拿到好项目，要么来自挑得更准；这批把天平彻底压向前者。对 Stanford 系种子基金（含 Cardinal、Breakthrough 这类），真正的 alpha 在 access，即能不能在 demo day 之前锁定额度；至于在十几万 GMV 上判断谁会赢，更像噪声。这对没有这层 access 的外部基金是个冷酷提醒：你看到的是同一张名单，拿到的却是被定价过两轮的价格。
三、真正可能有壁垒的物理 AI，反而被通用关键词漏掉
但把这批全当成AI软件就看漏了。其中有一条容易被通用关键词漏掉的暗线：物理 AI 与硬科技。Reforge Robotics 给多品牌工业机器人做 AI 振动与力控制，Materials Labs 用生成式 AI 压缩芯片材料验证周期，Helix Carbon、Sunscreen、Godela（AI 物理引擎）、Cybernetic Physics、Techtitlogy（触觉智能）各自啃一块硬骨头。去年同一场合里，Reforge 和 Materials Labs 也在。
这条暗线的意义在于，这批里少数真正可能长出难复制壁垒的项目，恰恰在物理 AI：它们技术门槛高、开发周期长，更像科研驱动型创业。吊诡的是，正因为不性感、不好用一句话讲清，它们在 demo day 的曝光度反而低，用"AI agent""SaaS"这类通用词去搜根本搜不到。对要壁垒、能等周期的基金（基础设施基金、产业资本、硬科技），这条暗线值得单独建一张扫描清单，而不是混在应用层名单里一起看。
四、中美镜像：两种早期市场的资本组织
值得追问的是中国有没有同构的东西。机制存在，但不这样运转。中国不缺名校创业者，也不缺加速器，但"名校 demo day（路演）直接转化为早期高估值"这条链路，远没有被制度化到斯坦福这个程度。中国的 AI 应用创业更偏消费端、更偏出海，也更早被要求拿出付费验证。投资人习惯先看收入和增长，再判断谁可能胜出；而不是像美国顶级早期项目网络那样，先为创始人的履历、背书和项目来源支付溢价。背后是两种早期资本的组织形态，美国这套允许 traction 滞后于估值，因为它相信学校、基金、同侪的筛选已替它完成尽调；中国那套要求付费验证先行，因为它更信数据、更不信背书。
对跨境投资人，这个差异有直接的操作含义。把美国 demo day 的高估值低 traction 模型直接套到中国早期项目上会系统性高估；反过来，用中国先看数据的尺子量这批斯坦福项目，又会系统性低估它们的 origination 价值，错过真正靠 access 赚钱的逻辑。两套尺子不能互换，这恰是跨境配置最容易踩的坑。
五、全文结语
四场路演、约 85 个项目、跨越一年的两次盘点，最该带走的不是某个赛道判断，而是一条早期投资逻辑：这批 AI 早期市场，钱先付给的是项目来源优势，而不是胜负判断。
也就是说，资本此刻更看重的是：谁是被筛过的领域专家，谁进入了优质早期项目网络，谁已经站在 Stanford、Breakthrough、a16z 这类高密度筛选机制的入口处；而不是谁已经用收入、留存和客户数据证明自己会赢。
这个判断可以在 12 到 18 个月后被验证：这批挤在合规与验证中间件层的 AI agent，最终会自己长出数据壁垒，成为一批新公司；还是被它们想替代的 SaaS 公司和大厂收编成一个功能？哪一种先发生，决定了这一层到底是在诞生新市场，还是在给老软件补下一个版本。
SVTR AI 创投库已对这四场路演的 80+ 项目完成标签化，可按"物理 AI / 合规中间件 / 领域专家型创始人"三个维度交叉筛选，定位本期最不易被通用关键词搜到的早期标的。