彼得·蒂尔的早期人工智能逆向投资手册

为什么蒂尔的逆向方法对人工智能很重要

彼得·蒂尔以逆向投资者和直言不讳的思想者闻名——他愿意在公众场合看起来是错误的，直到被证明正确（或者比大多数人能容忍的时间更久地坚持错误）。这种本能——质疑共识、寻找被忽视的杠杆并提前下注——与过去二十年“人工智能”价值的累积方式出奇地契合。

这里所说的“早期 AI 投注”是什么意思

本文并不是说蒂尔在“ChatGPT 出现之前就预见了 ChatGPT”。而是关注那些与 AI 相邻、为后来的 AI 浪潮铺平道路或增强其可行性的早期押注：数据基础设施、分析、自动化、安全以及面向防务的软件。

想象一下：将混乱的现实世界信息转化为决策、预测和行动的公司与系统。

阅读本文你应有的期待

这是一份以原则为先的指南，基于公开可查证的例子（公司历史、访谈、备案文件和广泛报道的投资）。目标不是崇拜英雄或揭示某个“蒂尔公式”，而是提炼出可以经受考验的打法——无论你是构建 AI 产品的操作者，还是试图判断何为真实、何为噱头的投资者。

我们将回答的关键问题

在过程中，我们会集中讨论在 AI 叙事热闹时仍然重要的实用问题：

• 当许多这些押注被做出时，“AI”到底意味着什么——它们实际上在解决什么问题？
• 在蒂尔式、与 AI 相关的投资中有哪些模式出现（数据优势、分发渠道、受监管的买家、关键任务工作流）？
• 时机与“工具选择”（种子轮、后期、对冲基金式头寸）如何改变风险特征？
• 道德上的断层在哪里——尤其是监控、防务与权力——这些风险如何影响结果？

如果你想在不追逐潮流的情况下更清晰地思考早期 AI 投资，像蒂尔这样的逆向框架提供了一个有用的起点。

逆向投资手册：它是什么（以及不是）

逆向投资，通俗来说，就是支持大多数聪明人不愿支持的想法——因为他们认为这是错误的、无聊的、有政治风险的，或仅仅是太早了。

赌注不是“我与众不同”。而是“我对某件事的判断比别人更准确，如果我对了回报会很大”。

逆向与炒作周期的区别

科技以波动的形式前进：喧闹的炒作期之后是更安静的阶段，真实产品在此期间被打磨并复合增长。逆向下注常常避开最吵闹的阶段。不是因为炒作总是假的，而是炒作会压缩回报：价格上涨，竞争涌入，寻找优势变得更难。

安静的复合增长则相反：较少关注，较少模仿者，更多时间迭代。许多重要企业在变得不可避免之前，看起来是“不时髦的”。

“秘密”洞见与非对称押注

蒂尔常与“秘密”概念相关联——真实但不显而易见的信念。从投资角度看，秘密是可以（至少部分地）通过现实检验的论断：成本变化、新能力、监管变动、分发优势或数据护城河。

当一个秘密可信时，它会创造非对称押注：下行损失限于投入，而如果世界朝你判断的方向发展，上行可以是多倍的。这对与 AI 相关的押注尤为重要，因为时机与二阶效应（数据访问、工作流锁定、算力经济学）与模型本身的质量同等重要。

逆向不是

逆向并不意味着对共识的本能反对。它不是一种性格特征或品牌策略，也不是为了冒险而冒险。

一个有用的规则是：只有当你能解释为什么大众会忽视某事——以及这种忽视结构性地可能持续足够长时间让你建立优势时，才算逆向。否则，你不是逆向，只是早、喧闹或错误。

以论点为先的投资：常与蒂尔相关的思想

以论点为先的投资从一个清晰、可检验的关于世界如何变化的信念开始，然后寻找符合该信念的公司。

与彼得·蒂尔常相关的做法不是“做很多小而安全的押注”。更接近的说法是：寻找少数你能够非常确定正确的机会，因为科技结果往往遵循幂律分布。

常与蒂尔思维相关的若干观点

要有鲜明的观点。 如果你的论点听起来像共识（“AI 会很大”），它不会帮助你选出赢家。一个有用的论点应有边际：哪些 AI 能力重要、哪些行业会最先采用、以及为什么现有玩家会受挫。

预期幂律回报。 风投结果常被少数极端值主导。这促使投资者集中时间与信念，同时诚实面对许多论点会错。

寻找秘密，而非信号。 跟随趋势由信号驱动（融资轮次、炒作、类别标签）。以论点为先尝试识别“秘密”：被低估的客户痛点、被忽视的数据优势或他人忽略的分发缺口。

为什么在 AI 中论点胜过跟风

AI 市场变动迅速，“AI”每个周期都会被重新贴标签。强有力的论点帮助你避免购买故事，而去评估持久因素：谁拥有有价值的数据、谁能将结果嵌入真实工作流、当模型商品化时谁能维持性能与利润率。

用以检验论点的实务问题

• 我们相信什么大多数聪明投资者不同意？
• 这家公司要成为极端值（而非仅仅“好”）必须成立的条件是什么？
• 非显而易见的护城河是什么：数据权利、分发、工作流锁定还是监管地位？
• 如果基础模型变得更便宜、更好，这家公司是加强还是被挤压？
• 在 6–12 个月内，什么证据会改变我们的想法？

注： 在把具体观点归因于蒂尔时，应引用一手资料（例如《Zero to One》、录音访谈和公开演讲），而不是二手摘要。

当这些押注被做出时，“AI”被如何定义？

当人们回顾早期“AI”投资时，很容易把现代术语（大型语言模型、基础模型、GPU 集群）投射到截然不同的时代。那时，许多最有价值的“AI 形态”押注根本没有被称为 AI。

在“AI”流行之前：专家系统到预测分析

在更早的周期里，“AI”常指专家系统：基于规则的软件，旨在模仿专家决策（“如果 X，则 Y”）。这些系统在狭窄领域可能很出色，但很脆弱——难以更新、维护成本高，并且在现实世界与规则库不匹配时表现有限。

随着数据变得更便宜、更丰富，表述转向数据挖掘、机器学习和预测分析。核心承诺不是类人智能，而是可衡量的结果改进：更好的欺诈检测、更智能的投放、更早的风险预警、更少的操作错误。

为什么早期“AI”公司被标注为数据/分析

长期以来，把产品称为“AI”有时会伤害与企业买家的可信度。企业常把“AI”与炒作、学术演示或无法在生产中持续的科学项目联系起来。

因此公司更倾向于使用采购团队信任的语言：分析、决策支持、风险评分、自动化或数据平台。底层技术可能包含机器学习，但销售话术强调的是可靠性、可审计性与投资回报率。

这对理解与蒂尔相关的押注很重要：许多公司在功能上就是“AI”——把数据变成决策——但并不以此为标签。

将基础设施视作一种“AI 押注”（即便没有模型）

AI 中一些最持久的优势来自表面上并非“AI 产品”的基础：

• 数据： 独特且高质量的数据集；持久的数据管道；反馈回路
• 算力： 获取可扩展基础设施及运行它的运维能力
• 分发： 嵌入式工作流、企业关系或控制注意力的平台

如果一家公司掌握了这些投入，它可以随着技术的进步搭乘多轮 AI 浪潮。

在解读旧押注时避免时代错置

一个有用的规则：按当时它能做什么来评判一项“AI”投资——减少不确定性、改进决策、从现实世界数据中扩展学习——而不是看它是否类似现代生成式 AI。用这种视角，下面的例子会更清晰、更公平。

在蒂尔式与 AI 相关的押注中应寻找的模式

蒂尔式的押注往往起初看起来不像“AI 公司”。模式更多不是关于流行词，而是关于建立不公平优势，使得一旦应用 AI（或高级自动化）就能变得异常强大。

1) 会复利的数据优势

一个反复出现的信号是对高信号数据的特权访问：难以收集、标注昂贵或法律上难以获取的数据。实际情况可能是来自企业的运营数据、安全领域的独特网络遥测，或受监管环境下的专门数据集。

关键不是“数据量大”。而是能改进决策并随着系统运行变得更有价值的数据——竞争对手难以复制的反馈回路。

2) 专有技术，而不只是包装

寻找在核心能力上投入的团队：基础设施、工作流集成或可防御的技术知识产权。在与 AI 相关的领域，这可能意味着新颖的数据管道、在受限环境中的模型部署、验证层或将产品嵌入关键任务操作的集成。

当产品深度嵌入时，切换成本与分发成为护城河——通常比单个模型优势更持久。

3) 失败代价高的问题

另一个共同点是选择失败代价高的领域：安全、防务、合规密集型企业软件和关键基础设施。这些市场奖励可靠性、信任与长期合同——这些条件支持大规模、逆向的投资。

4) 隐藏 AI 杠杆的“无聊”类别

电子表格、采购、身份、审计、事故响应——听起来不吸引人，但充满重复决策与结构化工作流。这正是 AI 可以带来显著效率提升的地方，尤其当它与专有数据和紧密集成配对时。

出版实务提示

如果你引用具体融资条款、日期或基金参与，请以一手资料核实（SEC 备案、官方新闻稿、当事人直接引述或权威媒体）。避免暗示未公开的参与或意图。

投注的工具与时机：重大押注如何被下定

Founders Fund 有为数不多、以信念驱动的集中押注的名声——这些类别常感觉不上时髦或过早。这种声誉不仅关乎态度，也关乎风投基金如何构建以表达论点。

风投基金以既定策略募集资本，然后在多家公司中部署，希望少数极端值带回大部分回报。

从备忘录到资金：论点执行

以论点为先的基金不会从“谁现在在募资？”开始，而是从对世界的一个观点开始（“未来 5–10 年会成为什么样？”），然后寻找朝着该未来构建的团队。

实际执行通常表现为：

• 定义楔子（一个软件与数据会复利的具体问题）
• 找到有可信分发路径的团队（能真正交付与销售的人）
• 写一张足够重要的支票，以便当论点成立时能发挥作用

由于结果遵循幂律，组合构建很重要：你可以“错很多次”但仍旧赢得很大回报，如果少数投资成为定义类别的公司。这也是基金有时会保留大量后续资金的原因——叠加下注常是回报的来源。

阶段与时机：AI 的从种子到增长

在与 AI 相关的市场中，时机尤其敏感，因为基础设施、数据可用性与采用周期很少同步移动。

• 种子/ A 轮： 你通常在承保一个技术洞察加上分发计划。产品可能未完善，但学习速度是资产。
• B/C 轮： 证据转向可重复销售与真实使用。对于 AI 产品，这是单元经济学、可靠性与合规开始决定赢家的阶段。
• 增长期： 问题变成公司是否在成为默认平台——还是仅仅变成昂贵的一个特性。

一个逆向押注在日历时间上可能“早”，但相对于促成条件（算力、数据管道、买家准备度、法规）仍然“正好”在时机点上。

将时机判断错是如何让有前景的 AI 公司变成永无止境的研发项目的主要方式。

公开可验证性的重要性

当讨论具体的 Founders Fund 或彼得·蒂尔相关持股时，把声明当作需引用的论断：使用可公开验证的来源（新闻稿、监管文件、权威报道）而非谣言或二手总结。这样能保持分析诚实，并使教训超越任何单一基金的神话。

案例研究（使用公开可验证的例子）

这些迷你案例研究刻意限制在可公开验证的内容（公司备案、官方公告和公开采访）。目标是学习模式——而不是猜测私下意图。

案例 1：Palantir（数据分析作为“与 AI 相关”的楔子）

可引用 / 可核实的点（公开）： 早期融资轮次的时间（在公开披露处）、蒂尔作为联合创始人/早期支持者的角色，以及 Palantir 在公开材料（如 S-1 和后续投资者沟通）中如何描述其业务。

• 针对的问题： 机构数据量增长但难以整合、治理并将其操作化用于决策。
• 楔子： 提供关键任务的软件工作流（通常在政府/受监管企业），在此处切换成本变为真实存在。
• 数据护城河（实践意义）： 不是“拥有所有数据”，而是成为在严格权限下将分散数据标准化并关联的系统——使产品随时间更有价值。
• 分发： 冗长且依赖关系的销售周期；高风险部署带来的信誉；从最初团队向更广组织的扩展。
• 需注意的风险： 对敏感客户的集中度、采购周期、政治/监管审查，以及“服务强依赖”部署可能限制可扩展性。

案例 2：Anduril（防务自治与软件定义硬件）

可引用 / 可核实的点（公开）： Founders Fund 的参与（在公开宣布处）、融资时间点，以及 Anduril 在新闻稿与合同公告中表述的产品重点。

• 针对的问题： 传统防务采购与平台移动太慢，无法匹配新兴安全需求。
• 楔子： 提供可部署的产品（例如监控/边缘系统），能够快速投放并通过软件迭代。
• 数据护城河： 真实部署产生的运营数据用于模型改进、可靠性与极端情况覆盖。
• 分发： 政府合同加上在试点中的表现推动扩展；系统在受限条件下工作成功会积累可信度。
• 需注意的风险： 道德争议、出口管制、对采购的依赖以及公众反弹风险。

负责任使用这些例子的方式

当你撰写或分析“蒂尔式”押注时，对每个事实性主张使用引用（日期、角色、轮次、客户声明）。避免使用诸如“他们投资是因为……”之类的表述，除非直接来自可核实的来源。

逆向 AI 押注的风险管理

逆向且与 AI 相关的押注很少因为想法显而易见地错而失败——更多是因为时间线更长、证据更嘈杂、周边世界发生变化。

管理这种现实意味着在早期接受模糊性，同时建立防护措施，防止单一信念变成不可挽回的错误。

耐心但不消极

以论点为先的押注常常在多年里看起来“早”。这要求有耐心（等待数据、分发或法规跟上）和容忍混乱信号的能力——部分的产品-市场匹配、模型能力变化和不明朗的单位经济学。

诀窍是保持耐心但不被动：设定测试论点的里程碑，而不是虚荣指标。

适合风投式押注的实用风险控制

仓位规模： 首次投入要能承受错误。如果下注依赖多个未知量（模型质量与监管许可与企业采用），首次暴露应反映这层不确定性叠加。

后续策略： 为论点去风险化的特定情形保留资金（例如重复部署、续约、可衡量的 ROI）。把后续投资视为“应得的”，而非自动发生的。

通过治理设置止损： 初创公司没有止损单，但有治理杠杆——董事会席位、审计权、信息权、对关键岗位的招聘批准，以及在论点破裂时推动转型或出售的能力。事先定义“论点破裂”的条件。

非财务风险：常常令人生畏的部分

与 AI 相关的产品会在损益表之外积累下行：

• 监管： 许可、出口管制、数据本地化、特定领域规则（医疗、金融、防务）。
• 隐私： 同意、保留、训练数据来源、泄露影响。
• 防务与双重用途： 产品如何被改作他用；客户筛选与合同条款至关重要。
• 声誉： 公众认知、员工抗议、因争议导致的客户流失。

AI 相关产品的下行清单

• 如果模型错了会发生什么——谁受害、谁承担责任？
• 产品能否安全受限（人工审查、速率限制、审计日志）？
• 收集了哪些数据，能否证明有权使用？
• 哪个监管机构能最快阻止你，他们会反对什么？
• 是否存在可信的“退路”（转型、聚焦更窄的用例、有序停运）？

批评、伦理与公众审视

逆向押注常因它们瞄准强大且敏感的市场而吸引审视——防务、情报、执法、边境管控和大规模数据平台。

与彼得·蒂尔或 Founders Fund 相关的若干公司在主流报道中频繁遭到质疑，包括隐私与监控问题、政治争议以及当软件影响高风险决策时的问责性问题。

常见批评（不猜测意图）

公开可验证的主题反复出现：

• 隐私与监控： 有报道与争论指出，Palantir 与政府机构的合作可能在缺乏严格监督的情况下导致滥用分析能力。
• 权力与政治： 蒂尔的政治活动与公开言论受到关注与批评，这可能溢出为关联公司的声誉风险。
• 防务科技审视： 为军事或执法提供产品的初创公司（包括 Founders Fund 支持者）面临关于升级、平民伤害与采购透明度的高度质询。

在 AI 投资中伦理问题如何显现

AI 引入了超出“常规”软件的特定风险：

• 数据来源与同意（数据是否以合法、道德方式收集并授权使用？）
• 偏差与不均等影响（错误是否对特定群体造成不成比例的伤害？）
• 部署语境（模型用于建议、决定还是自动化——谁能覆核？）
• 可审计性（输出能否解释、测试与质疑？）

在投资或构建前应问的问题

• 支撑系统的数据来源是什么，有无合法、伦理使用的证据？
• 最终用户是谁，哪些保障防止滥用（访问控制、日志、人工覆核）？
• 在规模化时哪些伤害是可能的，公司如何衡量与报告这些风险？
• 是否存在独立审核、红队或外部研究的路径？
• 如果这上了头版头条，最难以辩护的具体是什么？

创始人在构建 AI 公司时能学到的东西

一个蒂尔式的逆向公司并非靠吹嘘自己更懂 AI 获胜，而是靠对被多数人忽视的具体问题判断正确，然后把洞见转化为能交付、扩散并复利的产品。

把逆向论点转为产品策略

从楔子开始：一个狭窄且痛苦的工作流，AI 能带来明显的飞跃（节省时间、减少错误、捕获收入）。楔子要小到能快速采用，但连接到一个你能扩展进入的更大系统。

差异化在于模型在工作流中的位置，而非仅仅模型选择。如果人人都能购买类似的基础模型，你的优势通常来源于：专有的流程知识、更紧的反馈回路以及与真实工作方式更好的集成。

分发是论点的一部分。如果你的洞见不明显，假设客户不会主动来找你。围绕你能掌控的渠道构建：嵌入式合作、在某一角色中自下而上的采用，或“取代电子表格”的切入点以团队间传播。

一个实际含义：能在工作流与评估上快速迭代的团队，往往胜过仅仅挑选“更好”模型的团队。压缩全栈原型构建周期的工具可以帮助你更快验证逆向楔子。例如 Koder.ai 是一款 vibe-coding 平台，允许你通过聊天构建 Web、后端与移动应用（前端 React、后端 Go + PostgreSQL、移动 Flutter），在你想验证工作流集成与 ROI 之前，它可以加速原型验证。

用非夸张的方式讲述非显而易见的故事

用简明语言解释“秘密”：大家相信什么、为什么错、你会如何不同。避免以“我们使用 AI 来……”开头，应以结果为先。

投资者对具体性反应更好：

• 哪个决策在哪个工作流点被改进，带来什么可衡量的影响？
• 现在有哪些约束使你的方法可行（数据访问、法规、单位经济学、行为改变）？

构建能复利的防御力

瞄准随使用而提升的优势：独特的数据权利（或你能合法生成的数据）、工作流锁定（产品成为记录系统）、以及与你的领域评估挂钩的性能优势。

路演材料与指标：可做与不可做

做：展示工作流的前后对比、你的评估方法与采用证据（留存、扩展、实现价值时间）。

别做：以模型架构、模糊的总可寻址市场或刻意挑选的演示为先。

做：同时跟踪可靠性指标（错误率、人工覆盖率、延迟）与业务指标。

别做：掩饰失败模式——承认它们，并展示你如何管理它们。

给投资者与运营者的实用框架

逆向不意味着“为争辩而争辩”。它意味着对未来有明确看法，然后做功来证明你是对的（或在错时早早发现），而不是等到市场一致认可。

5 部分清单：论点 → 优势 → 时机 → 可防御性 → 风险

1) 论点（你相信什么）： 写一句话，让大多数聪明人今天听起来觉得错。

示例：“AI 的价值会流向掌控专有分发渠道的公司，而不仅仅是模型质量。”

2) 优势（为何是你）： 你看到了别人忽略的什么——访问、领域专业、客户接近度、数据权利、监管洞见或网络？

如果你的优势是“我读同样的推文”，那你并没有优势。

3) 时机（为什么是现在）： 逆向押注最常在时机上失败。识别促成性变化（成本曲线、法规、工作流转变、买家行为）以及采用路径（谁先买、谁会跟进）。

4) 可防御性（为何你会在以后赢）： 在 AI 中“我们使用 AI”不是护城河。寻找持久优势：你被允许使用的专有数据、分发、切换成本、嵌入式工作流或能让竞争对手难以复制的复合反馈回路。

5) 风险（什么会破坏）： 指出前三个失败模式——技术、市场化、法律/伦理——以及每种情况下你的应对措施。

在不追潮流的同时保持信息灵敏

设定“信号饮食”：关注少数实务者声音，追踪客户预算，关注单元经济学（延迟、每项任务成本、流失）。把炒作指标（演示传播、模型基准跃迁）视为输入而非决策依据。

对你的逆向观点进行压力测试

做一个红队测试：找一位有动力反驳者来攻击你的论点。

做带否定倾向的客户调研（那些更可能说不的人）。

预先承诺会改变你看法的证据。

用通俗英语写投资备忘录的提示

• 我们相信什么是大多数人不相信的？
• 客户是谁，解决了哪个痛点？
• 要让它成功必须成立的条件是什么（30 天内如何测试）？
• 为什么两年内难以复制？
• 最简单的失败理由是什么——我们的 B 计划是什么？

关键要点与下一步

逆向投资——至少是常与彼得·蒂尔相关的那种版本——并非仅仅是“与大众为敌”。它意味着有关于世界如何变化的清晰观点，围绕该观点下有针对性的押注，并愿意在较长时间里承受被认为是错误的代价。

可带走的原则

其一：逆向思维只有在配以具体、可检验的主张时才有用。“人人相信 X，但 X 错在……”是起点。工作在于把它转化为要成立的条件——客户、分发、法规、时机与单位经济学。

其二：以论点为先胜过跟风。在 AI 领域尤其如此，新演示容易制造必然感。论点应指导你忽略什么以及追求什么。

其三：许多“AI”成果依赖于不起眼的基础：数据权利与访问、基础设施、部署路径以及把模型变为可靠产品的琐碎现实。如果你不能用简单语言解释数据/基础设施的优势，你的“AI 押注”可能只是营销外衣。

其四：风险意识不可选。逆向押注常在非显而易见的方式失败：声誉打击、监管变动、模型脆弱性、安全事件以及规模化后激励漂移。早期规划这些，而非增长后再补。

证据与谦逊：AI 预测的最低标准

把预测当作假设。定义能改变你看法的证据，并设定检查点（例如 30/90/180 天），在这些节点不带故事化地审查进展。早并不等于对——而且一次正确并不能证明你将总是正确。

推荐阅读

如果想更深入，你可能会喜欢：

• /blog（更多框架与案例解析）
• /pricing（如果你在评估将研究与尽职工作操作化的工具或服务）

本周你可以应用的一条行动建议

为你考虑的单一 AI 思路写一页“逆向备忘录”：

• 你不同意的共识观点
• 你的一句话论点
• 三个能验证该论点的可观测信号
• 三个失败模式（技术、市场化与外部）

如果你无法具象化，就别强行下注——先收紧论点。