Thrive Capital 的投资理念：集中投资赢家 (Concentrating in Winners) 核心思想： Thrive Capital 采取了一种非共识的投资策略，即高度集中地投资于少数几家具有代际影响力的科技公司。这不仅需要深度的定性研究建立信念，还需要在公司成长的各个阶段（包括早期、成长期甚至上市后）进行大胆的重注。 关键讨论点： 从早期到巨头的演变： Thrive 成立于 2009 年，起初只是一个 1000 万美元的小基金，总部设在纽约而非硅谷，被视为局外人。这反而让他们能够独立思考，避开硅谷的回声室效应。 标志性案例：Instagram。在基金规模仅 4000 万美元时，Thrive 投入了近 2000 万美元（通过专项基金）投资 Instagram，这一大胆举动让他们一战成名。 如今，Thrive 管理着约 50 亿美元的资产，但依然保持着精简的团队（约 8 名投资合伙人），这使他们能够保持决策的高效和信念的纯粹。 反直觉的投资逻辑： 定性优先于定量： 他们不单纯依赖财务数据（尤其是对于仍在亏损的高增长公司），而是首先基于对产品、创始人愿景和市场趋势的深度定性研究建立假设，然后再用数据去验证。 集中押注 (Concentration)： 与许多成长期基金分散投资几十家公司不同，Thrive 的成长期基金目标是仅投资约 10 家公司。他们宁愿在 10 家可能成为千亿美元巨头的公司中选对一家，也不愿在数千家独角兽中广撒网。 全生命周期投资： 他们不局限于特定的融资阶段。例如，他们可以在一家公司上市后继续买入（如 Carvana），也可以在公司估值已经很高时（如 Stripe, OpenAI）继续投入数十亿美元，只要他们相信其长期潜力。 案例分析： Stripe： 尽管在 2023 年初市场情绪低迷，Thrive 依然基于对电子商务长期增长的信念，投入近 20 亿美元，并帮助 Stripe 完成了巨额融资。 GitHub： 在公司 CEO 离职、市场普遍看衰时，Thrive 深入了解业务后逆势买入，最终获得了巨大回报。 Carvana： 在公司股价暴跌 90% 以上时，Thrive 通过分析其基础设施护城河和团队对盈利能力的转型，果断在底部加倍下注。 OpenAI & DataBricks： 基于对 AI 和数据平台长期价值的判断，在估值较高时依然重注投资。 对 AI 和未来的看法： AI 投资： 目前 AI 领域的利润主要流向了基础设施层（如 Nvidia），应用层的经济模型仍在探索中。尽管如此，Thrive 依然看好具有强大分发能力（如 Cursor）或技术壁垒（如 OpenAI）的公司。 生命科学 (Life Sciences)： Vince 认为生命科学（特别是 AI 驱动的药物研发）是下一个万亿美元级别的机会。他们投资了 Isomorphic Labs，旨在通过计算模拟彻底改变药物研发流程。 垂直 AI 应用： 尽管通常垂直应用市场较小，但在法律、医疗等文本密集型行业，AI 的早期采用率出奇地高。 团队与文化： 保持团队的“局外人”心态和饥饿感是持续成功的关键。 作为一个“创始人主导”的基金（Founder-led firm），Thrive 能够做出更快速、更激进的决策，避免了大型机构常见的官僚主义。 总结： Thrive Capital 的成功秘诀在于：在别人恐惧时贪婪，在别人犹豫时果断。 他们通过深度的研究建立对少数几家公司的极高信念，并愿意用数十亿美元的支票去支持这种信念，哪怕这意味着要在非共识的时刻站在市场的对立面。

1. AI 投资的底层逻辑：利润集中在基础设施层

① 目前真正赚钱的是“卖铲子的人”

AI 产业链目前分三层：

• 基础设施层（Infra）
• GPU（Nvidia）
• 云厂商（AWS、Azure、GCP）

基础模型训练能力

模型与平台层（Model Layer）

• OpenAI
• Anthropic
• DeepMind
• Mistral

应用层（Apps）

• Cursor
• Notion AI
• Replit AI
• AI agents
• 各类行业应用

目前利润高度集中在：基础设施层（特别是 Nvidia 和大型云）的盈利最强。

原因：

• 训练和推理的硬成本极高
• 行业仍处于“基础设施扩建期”
• 开发者和公司必须先购买算力才能做任何应用
• GPU 的供不应求导致价格居高不下

因此，行业利润自然被“底层算力供应商”吞噬。

② 应用层盈利模式仍未成熟

应用层虽然爆发产品很多，但共同面临：

• 用户愿意为 AI 工具付费吗？
• 付费意愿是否长期稳定？
• 是否存在可持续的毛利结构？
• 应用是否容易被大模型同质化？

所以应用层仍在试错阶段。然而

③ Thrive 看好的两类应用层公司：

Thrive 的判断非常清晰：

（A）拥有强大分发能力的公司

例如：Cursor 或任何自带流量 / 分发渠道的产品

本质逻辑：在大模型同质化的时代，“分发能力”是少数不会被模型挤压掉的护城河。

分发能力包括：

• 渠道优势
• 用户习惯锁定
• 网络效应
• 强社区粘性
• 平台绑定（如 VSCode 插件、Slack 生态）
• 即使模型不断升级，渠道占领者依然能长期存在。

（B）拥有真正技术壁垒的公司

典型：

• OpenAI
• DeepMind
• Anthropic

这些公司的壁垒在于：

• 大规模训练基础设施
• 自研优化器 / 训练框架
• 专有数据集
• 分布式训练系统
• 超级工程团队
• 安全与对齐研究

也就是说：应用层要想长期存在，要么流量强，要么技术深。这两条之外的 AI 应用都很容易消失。

2. 生命科学（Life Sciences）：被普遍认定的“下一个万亿市场”

① Vince 的判断：AI 将彻底重构药物研发

当前药物研发模式：

• 研发 1 个药平均要耗费 10–15 年
• 成本高达数十亿美元
• 失败率极高
• 临床试验周期漫长
• 机制分析高度复杂
• 这是一个效率极低、成本极高的行业。

而 AI 在其中的优势极为显著：

② AI 能在三个主要阶段创造巨大价值：

（1）蛋白质折叠预测

深度学习模型（如 AlphaFold）已经颠覆行业：

• 原本可能需要数年
• 现在几小时内解决

（2）分子筛选与设计

AI 提前排除大部分失败药物 → 降低失败率

（3）临床试验模拟

AI 加速：

• 剂量预测
• 毒性风险
• 生物反应模拟

这意味着：药物研发从“实验驱动”变成“计算驱动”。

③ Isomorphic Labs：彻底重构药物研发流程的公司

Thrive 投资 Isomorphic Labs，逻辑非常清楚：

• 这是 DeepMind 的姊妹公司
• 拥有世界最顶尖的结构生物学模型
• 目标是用 AI 模拟完整的药物设计周期

如果成功：它可能改变整个制药行业的经济模型（类似台积电之于芯片制造）。这就是万亿级市场。

3. 垂直 AI 应用：为什么文本密集型行业率先爆发？

① 许多垂直应用市场不大，但法律与医疗反而爆发最快

按商业教科书的逻辑：

• 垂直应用市场通常较小
• 竞争激烈
• TAM（市场规模）有限

但实际情况：法律、医疗、金融合规、审计等文本密集型行业，是 AI 最早爆发的行业。为什么？

② 因为这类行业具备 AI 极其契合的三个条件

（1）文本极端密集

• 合同
• 诊断报告
• 病历
• 法律条文
• 研究论文

这些都是 LLM（大模型）天然擅长处理的结构。

（2）高成本劳动力

• 律师费、医师成本极高
• 人工整理文件、写报告耗时巨大
• AI 的替代价值极高

（3）零容忍错误 + 高标准 → 反而适合 AI 辅助

AI 不会主导决策，但可以承担：

• 草拟初稿
• 风险标注
• 对比分析
• 提取关键信息

这类工作人类并不擅长，而 AI 表现非常强。

③ 这解释了一个重要现象

AI 最早落地的行业不是：

• 电商
• 娱乐
• 社交

而是：

• 法律（AI 合同审核、案件检索）
• 医疗（报告生成、病例总结）

因为这些行业：

• 信息密度极高，重复性工作极强，出错成本极贵。
• 非常适合 AI。

ABAB AI 总结

这段内容传递了三层逻辑：

① AI 投资中利润仍集中在基础设施，

应用层需要“强分发”或“技术壁垒”才能生存。

② 生命科学（尤其是 AI 驱动的药物研发）

是被广泛认定的下一代万亿级经济板块。

Isomorphic Labs 是这一趋势的代表。

③ 垂直 AI 应用虽然市场小，

但在法律、医疗等文本密集行业的落地速度异常快，因为这些行业与 LLM 的能力天然匹配。