真正的信念不诞生在数据室里。 在早期阶段,你几乎可以用“理性分析”来说服自己做或不做任何一笔投资。总会有不完整的地方,总会能找到瑕疵。 这并不是否定尽调和做功课的价值——但随着我做投资的时间越久,我越会去倾听一种我称之为“吸引力(the pull)”的东西:那是一种对创始人本身的深层信念。 Conviction doesn’t live in a data room! At the early stage, you can rationalize your way into or out of almost any deal. There’s always something missing, always a flaw. It doesn't negate the value of doing the work - but the longer I've been an investor the more I've tried to listen to what I call "the pull" - which is just deep conviction in the founder.
目录
观点原文
真正的信念不诞生在数据室里。
在早期阶段,你几乎可以用“理性分析”来说服自己做或不做任何一笔投资。总会有不完整的地方,总会能找到瑕疵。
这并不是否定尽调和做功课的价值——但随着我做投资的时间越久,我越会去倾听一种我称之为“吸引力(the pull)”的东西:那是一种对创始人本身的深层信念。
Conviction doesn’t live in a data room!
At the early stage, you can rationalize your way into or out of almost any deal. There’s always something missing, always a flaw.
It doesn't negate the value of doing the work - but the longer I've been an investor the more I've tried to listen to what I call "the pull" - which is just deep conviction in the founder.
ABAB AI 解读
这段话本质是在讲早期投资的“非理性真相”,以及很多老投资人最后形成的真实决策方式。
我分层给你拆一下:
一、核心观点一句话版
早期投资,数据永远不够,逻辑永远能被反驳;真正决定你是否下注的,往往是你对“人”的信念,而不是模型。
二、逐句拆解
1️⃣「Conviction doesn’t live in a data room」
“信念不住在数据室里”
data room = 财务数据、用户数据、BP、模型、指标
意思是:真正让你敢下重注的东西,不是 Excel、不是 PPT
在早期项目里:
- 没有稳定收入
- 没有长期数据
- 没有被验证的商业模式
- 如果你指望“数据充分了再信”,那你永远不会信。
2️⃣「你几乎可以用理性分析,走进或走出任何一笔交易」
这句话非常狠,也非常真实:
- 你想投 → 一定能找到合理解释
- 你不想投 → 也一定能找到问题
早期项目永远存在:
- 市场还不清晰
- 团队还不完整
- 技术有不确定性
- 路线可能会变
👉 理性分析在早期,更多是“自我说服工具”,而不是决策锚点。
3️⃣「总会有缺失,总会有瑕疵」
这是在说一个现实:完美的早期项目是不存在的。
如果你在找:
- 数据完美
- 逻辑闭环
- 风险全消
那你最后只会投到:
- 估值已经很高的项目
- 或者根本投不到
4️⃣「我并不是否定做功课的价值」
这句话很重要,否则容易被误解成“反智”。
他强调:
- 尽调 必须做
- 思考 不能省
- 风险 要看清
但——做功课是“防止愚蠢”,不是“制造信念”。
5️⃣「我越来越去听一种叫‘the pull’的东西」
这是整段话的灵魂。
the pull ≠ 直觉瞎猜
它更像是:你和创始人对话后
你能清楚想象:「就算三年很难,这个人也不会放弃」
你相信他/她会:
- 不断修正方向
- 在极端压力下仍然清醒
- 对问题有第一性理解
👉 这是对“人”的长期判断。
三、这段话真正想说的,是给“成熟投资人”的
新手投资人:
- 想要“确定性”
- 迷信数据
- 害怕犯错
老投资人:
- 知道不确定性是常态
- 知道模型会骗人
- 更关注:谁在驾驶这辆车
所以他说:我投的是人,不是表格。
四、一句总结
早期投资的尽调,是为了避免蠢;
真正下注的原因,永远是对人的信念。
相关观点
- AI 正在金融服务领域创造一个“楔入式机会”。 这个行业中,大量核心运营工作至今仍然依赖 Excel。 真正的机会在于:用软件把它彻底替代掉。 AI is creating a wedge opportunity in financial services. So much of the industry’s core operational work still lives in Excel. The opportunity is software that finally replaces it.David Haber · 2025/12/20
- 这份整理总结了视频《Why AI Moats Still Matter (And How They've Changed)》中的核心观点。视频主要由 a16z 的合伙人讨论 AI 时代下商业护城河(Moats)的变化与坚持。 核心观点总结: 1. AI 护城河依然重要,但形态已变 护城河未死: 尽管 AI 降低了软件开发的门槛,让竞争变得更加激烈(更多的软件供应),但商业护城河的概念依然至关重要。 差异化 vs. 防御性: AI 是实现产品差异化(Differentiation)的绝佳工具(例如:一个能讲50种语言、全天候合规工作的语音助手),但这本身并不构成防御性(Defensibility)。技术能力本身容易被复制,不是长久的壁垒。 真正的防御性来源: 依然来自于传统的商业逻辑,例如: 拥有终端工作流(Owning the end workflow): 产品深深嵌入客户的日常操作中。 成为记录系统(System of Record): 掌握核心数据。 网络效应(Network Effects): 用户越多,产品价值越高。 深度嵌入客户(Deeply embedding): 替换成本极高。 2. 软件角色的根本转变:从 IT 支出到劳动力替代 软件即劳动力(Software as Labor): 这一轮 AI 浪潮最根本的不同在于,软件不再仅仅是辅助工具,而是能直接完成工作。 市场天花板被打破: 软件的市场机会不再局限于企业的 IT 预算,而是扩展到了更庞大的劳动力成本(Labor Cost)市场。 定价模式的挑战: 传统的“按人头收费(Per Seat Pricing)”模式面临挑战。如果 AI 让效率提升,原本需要100人的工作现在只需要10人,按人头收费会导致收入下降。未来的趋势可能是“按结果收费”或“按工作量收费”。 3. 规模效应的重要性(从 0 到 1 vs. 1 到 N) 小规模时难见护城河: 在创业初期(0 到 1),很难通过算法或数据优势建立壁垒,因为大家都没见过多少客户。 大规模时的“引力”: 只有达到巨大的规模(Mega Scale),数据网络效应和规模经济才会像“引力”一样显现出来。例如,只有当你见过40亿用户的数据时,你的反欺诈模型才比见过3个用户的模型有本质区别。 速度即生存: 在竞争激烈的红海市场,发展速度(Momentum)至关重要。只有跑得最快,以此集聚资本和人才,迅速达到“引力规模”,才能建立护城河。 4. “金发姑娘区”(Goldilocks Zone)与创业机会 被遗忘的角落(Janitorial Services Problem): 有些领域(如清洁服务、后台琐事)对大公司来说不够重要(利润低、麻烦),属于“金发姑娘区”——既不重要到CEO会亲自过问并替换掉,又麻烦到没人想去动它。这些领域的现有软件很难被替换,除非新产品能带来极大的成本优势。 绿地机会(Greenfield Opportunities): 创业者应寻找那些尚未被现有软件巨头占据的空白市场。 不要试图去说服通用电气(GE)换掉 ADP 做薪资管理(太难了)。 去寻找那些因成本过高而从未被数字化的需求。例如:牙科诊所的前台接待、用方言催收车贷。以前雇不起人做这些事,现在用 AI 可以极低成本实现。 5. 巨头 vs. 创业公司 巨头的优势: 现有的大公司(Incumbents)并不会像移动互联网初期那样对新技术不屑一顾。他们都在积极拥抱 AI,并在现有产品上增加“AI 按钮”。如果不犯大错,他们依然能捕获巨大价值。 平台拥有者的“税收”: 基础模型公司(如 OpenAI, Google)类似操作系统,应用层公司面临被平台“收税”甚至直接竞争的风险。 创业公司的切入点(Wedge Strategy): 利用“非结构化数据”(邮件、电话录音)作为切入点。这些是传统软件(如 CRM, ERP)处理不好的地方。先通过处理这些“脏活累活”切入,再逐步向记录系统渗透。 6. AI 不会消灭工作,而是创造新需求 杰文斯悖论(Jevons Paradox): AI 不会让所有工作消失。相反,因为成本大幅降低,以前因为太贵而无法提供的服务现在变得可行了。 例子:以前打车太贵太难,Uber 出现后大家打车频率大幅增加。 同理,银行以前不可能给每个客户配私人理财顾问,但 AI 让这成为可能。这会创造出海量的、以前不存在的服务需求。 总结: 虽然 AI 技术日新月异,但商业的本质逻辑没有变。要想在 AI 时代生存,不能只靠炫酷的模型能力(这是标配),而必须构建商业壁垒——要么做到极大的规模,要么深深嵌入客户的工作流,要么去解决那些巨头看不上的“脏活累活”。David Haber · 2025/12/15
- Mitchell Green是 Lead Edge Capital 的创始人,Lead Edge 是一家非常独特的投资机构, Mitchell 详细介绍了他们如何将投资公司运行得像一家软件公司,以及他们独特的投资策略和管理哲学 1. Lead Edge Capital 的“投资机器” 运行模式: Mitchell 强调他们不靠“艺术”投资,而是靠“流程”。Lead Edge 被设计成一台精密运作的机器,拥有 18 名 22-24 岁的分析师,每年给约 9000 家公司打冷电话(Cold Call) 核心 KPI: 他们最看重的指标是 LP(有限合伙人)的总资金留存率(Gross Dollar Retention),目标是 95% 以上。这意味着他们不仅要提供好回报,还要提供极佳的客户服务 2. 独特的 LP 结构:全球顶级高管网络 LP 构成: Lead Edge 的 LP 几乎全是世界级的企业高管和连续创业者(约 800 人),涵盖了财富 500 强各个行业的 CEO、HR 负责人等 杠杆作用: 这些 LP 深度参与投资生命周期: 寻找项目: 如果公司不回电话,就请相关的行业大牛 LP 写邮件 尽职调查: 请相关行业的退休 CEO 进行背调 投后赋能: 直接帮被投公司对接客户(例如帮 Toast 对接连锁餐厅) 3. 八项选股标准(The Lead Eight) 他们只投已经证明了产品市场匹配(PMF)的公司,不投早期初创。主要标准包括: 年收入 1000 万美元以上: 且年增长至少 25% 70% 以上的毛利率: 毛利驱动最终的盈利倍数 经常性收入(Recurring Revenue): 降低预测风险 资本效率: 累计烧钱额不能超过累计收入(1:1 比例) 底部盈利或即将盈利: 不依赖外部融资生存 无客户集中度风险: 单一客户不能占比过高 4. 卖出策略与回报哲学 “二垒和三垒打”: 他们不追求 100 倍的“大满贯”,目标是每单 2-5 倍的回报,3-7 年持有期,保持极低的亏损率(15 年只亏过一单大的) 主动卖出: Lead Edge 设有专门的“处置委员会”,每两周评估一次组合。他们经常通过二级市场提前套现(例如在 Toast IPO 前就卖掉了大部分,获利丰厚),不断计算未来的内部收益率(Forward IRR) 5. 对 AI 和软件行业的看法 现在是购买上市软件公司的最佳时机: Mitchell 认为市场目前对软件股过度恐惧,导致估值偏低。他引用巴菲特的话,“在他人恐惧时贪婪” 现有的领先者(Incumbents)会赢: 他不相信 AI 会让 Workday 这样的公司倒闭。这些公司拥有极深的数据护城河、客户关系和极高的留存率 AI 泡沫警示: 他认为现在的 AI Capex(资本支出)泡沫类似于当年的电信泡沫。许多 VC 投 AI 模型公司会因为模型商品化而损失惨重,他更看好能消耗更多资源的底层基础设施软件 6. 独特的公司文化与管理 一分钟一对一: Mitchell 每年会亲自与每一位员工(包括前台和会计)坐下来沟通,询问三个问题:你工作中喜欢/讨厌什么?如果你是我,你会改什么?怎么能让你的工作更容易? 放权给年轻人: 允许 23 岁的分析师直接去见身价过亿的 LP,建立真实的关系 手写感谢信: 全公司保持从上到下的执行力,见完创业者必发手写感谢信 7. 个人特质与背景 极限竞争心: Mitchell 曾是国家级滑雪运动员和赛车手,滑雪让他学会了在高速下做决策,并且在事情变恐怖时(如金融危机)敢于买入 持久性: 他认为“持久”是创业者和投资人最重要的品质。他每天只睡 4-5 小时,因为他热爱这个“游戏” 核心总结: Mitchell Green 的 Lead Edge Capital 展现了一套高度工业化的投资逻辑——通过极致的流程化管理、强大的高管 LP 资源网络和严苛的财务筛选标准,在竞争激烈的科技投资领域实现了极其稳定的高回报Mitchell Green · 2026/03/28
- Scott Nolan是 General Matter 的联合创始人兼 CEO,曾是 SpaceX 的早期员工,并在 Founders Fund 担任合伙人超过 12 年 本文深入探讨了美国浓缩铀供应链的危机、核能的未来、SpaceX 的创业教训以及如何解决重大的工程问题 1. 美国铀供应的危机与现状 对俄罗斯的依赖: 目前美国约 25% 的浓缩铀供应来自俄罗斯。国会已通过法律,将于 2028 年 1 月 1 日起禁止进口俄罗斯铀 如果俄罗斯明天停止供应: 美国电力公司将不得不消耗库存,并寻求欧洲、甚至可能间接通过中国(而中国可能还是买俄罗斯的)来补位。这会导致铀价格飙升,电费上涨,甚至可能出现局部轮流停电 HALEU 燃料缺失: 下一代先进核反应堆需要更高丰度的燃料(HALEU,丰度 15%-20%),而目前西方几乎没有商业化的生产能力,这成为了先进核能发展的巨大瓶颈 2. 铀浓缩的历史教训 失去领先地位: 美国曾是铀浓缩的领导者(曼哈顿计划遗产),但在冷战后,由于追求自由贸易和降低成本,美国关闭了本国效率较低的工厂,转而依赖俄罗斯和欧洲。2013 年,美国最后一家国有浓缩厂关闭 战略失误: 美国低估了拥有自主供应链(尤其是浓缩环节)在国家安全和全球影响力方面的价值。现在,全球 70% 以上的新建反应堆是俄罗斯或中国设计的,因为它们能配套提供燃料 3. General Matter 的使命与策略 解决浓缩难题: Scott 意识到先进反应堆公司面临的最大障碍不是技术或许可,而是燃料供应。他在 Founders Fund 寻找相关初创公司未果,最终决定亲自下场创办 General Matter 在“压力”下创业: 这符合 Founders Fund 的逻辑——如果一个至关重要的问题没人解决,那就自己去解决 目标: 不仅仅是把产能带回美国,还要通过工程创新(非科学实验)将浓缩成本降低,使核能更具经济竞争力 4. 从 SpaceX 和 Elon Musk 学到的工程哲学 这不是科学实验,是工程问题: Scott 强调在 SpaceX 学到的第一课是:目标是商业化和规模化,而不是在实验室里搞研究 消除“成本加成”思维: 他对比了在波音实习时的官僚作风(故意拖延工期以获得更多资金)与 SpaceX 的极速文化 IDIOT INDEX(白痴指数): 这个概念被用来衡量成品的成本与原材料成本之间的差距。Scott 认为铀浓缩领域同样有巨大的成本压缩空间(通过垂直整合、自主设计厂房、管理分包商等) Manical Urgency(疯狂的紧迫感): 通过分解目标、并行推进任务、在 80% 确信时就做决定(尤其是可逆决定)来压缩时间轴 5. 核能与 AI 的结合 AI 对能源的需求: 随着 AI 数据中心向吉瓦(Gigawatt)级规模迈进,核能成为唯一能提供清洁、稳定底载负荷(Base Load)的选择 容量建设: General Matter 的规划是建设足以满足到 2040 年国内需求的产能,以应对 AI 带来的电力需求激增 6. 选址与人才 选址 Paducah(肯塔基州): General Matter 选择在肯塔基州的帕迪尤卡建立设施,因为那里曾是美国最后的浓缩厂所在地,社区支持度高,且有核工业文化 人才组合: Scott 认为不需要全员都是核物理博士。公司更需要来自 SpaceX、特斯拉、Anduril 等公司的机械、电气、软件和航空航天工程师,因为浓缩厂在本质上是一个复杂的工业加工厂 7. 对创业者的建议 只在不得不做时才创业: Scott 引用皮特·蒂尔和黄仁勋的话,认为如果只是为了财务回报,加入一家伟大的公司可能更好 去做最难的事情: 有时候,做一个极难的项目反而比容易的项目更简单,因为你能吸引全球最顶尖的人才。顶尖人才被重要且具有挑战性的使命所吸引 总结内容: Scott Nolan 正在利用他在 SpaceX 积累的硬核制造经验和在风投界培养的宏观洞察力,试图重建美国的核燃料主权,为未来的 AI 时代和绿色能源时代提供最底层的动力支撑 本文参考来源 https://www.youtube.com/watch?v=Xolqw4B35rQRelentless · 2026/03/10