在风险投资的进化轨迹中，机器学习曾是“外部参照”，而今，大语言模型（LLM）正迅速内嵌进流程本身。投资行业也终于不得不面对一个更棘手的问题：不是“人类和算法谁更准”，而是——我们是否在用更聪明的工具，更迅速地重演过去的错误？
根据硅谷科技评论（SVTR）AI创投库数据，VC行业的“认知惯性”远比想象中顽强。在结构性激励尚未改变的前提下，即便LLM具备某种“降维打击”的能力，它们依旧可能沦为偏见的放大器，而非矫正器。这种风险不仅体现在技术误用，更体现在一种集体心智的滑坡——我们习惯性地把效率等同于进步，把预测当作洞察。
本文并不止步于检视LLM的工具性价值，而是从多个严谨研究出发，提出一个更本质的反问：真正驱动超额收益的，是技术，还是我们如何使用技术的哲学？
长期以来，学术界一直在把风险投资（VC）的决策与算法的产出做对照。简而言之，就是用人类判断去“对打”机器评分系统。
这些研究有意思之处在于：它们清楚地揭示了人类对认知偏见的脆弱性。当投资人能尽量客观地推理时，人可以轻松跑赢算法；当做不到时，人就会被算法稳稳压制。
随着越来越多研究开始讨论在 VC 决策流程中使用大语言模型（LLM），这个话题变得更具现实意义。
另一个相关的角度，是 GP 与 LP 的接口，以及 VC 高度依赖关系网络的行业特性——这两点都能解释，为何业内长期对这些发现“充耳不闻”。
一、不是更好，也不是更差，而是“不同”
Diag Davenport 的论文《Predictably Bad Investments》（可译为“可预测的糟糕投资”）点名了“模式匹配”的原罪。研究基于 1.6 万家初创公司，把真实结果与算法输出作比较，发现糟糕的投资往往源于对创始人属性（尤其是“明星光环”和个人魅力）的过度加权，而对“想法本身”的低估。
Victor Lyonnet 与 Léa H. Stern 的《Machine Learning About Venture Capital Choices》得出了相似结论。该研究不仅限于 VC 支持的公司，还引入政府数据来观察那些“被错过的机会”。作者指出，VC 不仅会做出可预测的坏投资，还会因为过度迷信“伟大创始人”的刻板印象而可预测地错过好项目。
这些论文对 VC 行当的意义不小，但常被忽视，因为它们戳穿了行业里一个不太好听的事实：关于“看人”的通行智慧，经不起推敲。
当然，答案也没那么简单。Torben Antretter、Ivo Blohm、Charlotta Sirén、Dietmar Grichnik 的研究《Do Algorithms Make Better — and Fairer — Investments Than Angel Investors?》提供了一个补面视角。作者不是简单地问“谁赢”，而是追问“谁在什么条件下赢，以及为什么”。
结果显示，算法整体跑赢了人类投资者：IRR 为 7.26%，而 255 位天使投资人的平均 IRR 仅 2.56%。但在另一端，没有明显偏见迹象的资深投资者表现远好于算法，平均 IRR 达到 22.75%。
关键在于：驱动超额收益的是“更少的偏见”，而非“更多的资历”。有经验但偏见明显的投资者，IRR 也仅有 2.87%。
把以上研究揉在一起，我们能更清晰地看到：算法之所以跑赢大多数投资人，是因为它不会被魅力所动，也不在乎你是否同校同城、是否拥有相似面部特征或相近政治立场。想进入高绩效分组的投资者，必须识别并驾驭这些认知偏见，降低它们对回报的拖累。
另一个相关结果来自 Paul Gompers 与 Sophie Wang 的《And the Children Shall Lead: Gender Diversity and Performance in Venture Capital》。研究发现，当多元化来源于机构对偏见的识别与控制时，团队多样性与回报呈正相关。也就是说，若在“客观识别人才”上达成组织共识，它将贯穿到整个系统里。
二、冷热之间
作为一种本质上缺乏流动性的资产策略，关于 VC 行为的研究都必须回应周期的问题：当市场转冷或长期向上时，上述结论会怎样变化？
在偏见与过度依赖主观创始人画像的问题上，Noah John Pettit 的论文《Venture Capitalists’ Decision-Making Under Changing Resource Availability》给出了线索。结论并不意外：在“牛市”里，投资人更倾向于使用更快的主观判断（即更多的“系统 1 思维”），因为在资金充裕的时期，失败的可能性显得更低。
这无形中放大了前述问题：认知偏见、创始人属性被进一步“加码”。
Simon Kleinert 与 Marie Hildebrand 的研究《Venture Capitalists’ Decision-Making in Hot and Cold Markets》复现了这一点：在牛市中，VC 更容易依赖来自富有魅力的创始人的“廉价话术”（例如快速增长的承诺），而受“错失恐惧”（FOMO）驱动，忽视那些更有用但更“费工夫”的分析。
结果就是：VC 反而更依赖可预测的“无效信息”，忽视可预测的“有效信息”。在诸多扭曲激励之下，这种由 FOMO 驱动的懒惰会把热市推向常见的周期性坠落。讽刺的是，资本最容易触达真正重要想法的时刻，往往也是配置最鲁莽的时刻。
三、带着语境去“和解”
这把问题引向 LLM：在 VC 决策中，LLM 是否是一种“更好”的算法，能在更丰富的语境下进行定性推理？或者说，它们只是把人类投资者的偏见，原封不动地从训练数据里继承了下来？
可以从正反两面看。
比如，在 Pettit 的论文里，“懒惰”被识别为挑战之一——尤其在牛市里，投资人不愿花时间去处理复杂信息。这里，LLM 显然能把复杂信号的处理“降本增效”，有望在牛市里压低“廉价话术”的影响。
又如 Davenport 提到，投资人容易被“极强个人魅力”的创始人带偏。若创始人并非公众人物、不在训练集里，LLM 看起来更不容易受其影响。
但另一方面，Stern/Foster 的研究指出，VC 对“伟大创始人”的刻板印象会如何塑形其行为。这类陈旧模式已深深嵌入行业叙事，并影响了历史上的投融资活动，因而极有可能被“训练进”LLM，进而放大“模式匹配”的问题，包括对单人创始人、少数族裔创始人、以及非传统中心之外项目的偏见。
Philipp Winder、Christian Hildebrand、Jochen Hartmann 的论文《Biased Echoes: Generative AI Models Reinforce Investment Biases and Increase Portfolio Risks of Private Investors》专门讨论了 LLM 中这些偏见的体现。作者发现，LLM 会展现与人类投资者相同（在某些情况下更严重）的认知偏见，并在五个维度上提高组合风险：地理集中、行业集中、追逐趋势、主动配置以及总费用风险。更关键的是，诸如“提示模型忽略某些数据”这类基础去偏做法，只能部分缓解问题。
考虑到这些，我们再看两篇与“LLM 在 VC 中的应用”相关的新研究，关注它们如何消除、改变或放大既有偏见，以及对未来实践的影响。
《VCBench: Benchmarking LLMs in Venture Capital》让模型在 9000 份匿名创始人画像上进行“选股”，结果显示，LLM 能更“自信地”挑到赢家，优于顶级 VC——例如 DeepSeek-V3 的命中率为 59.1%。但代价是极度保守：810 个赢家里它只识别出 24 个。在更贴近现实的环境下（样本里约 135 个赢家），它的表现与一家优秀 VC 大体相当（挑中 4 个赢家、18 个输家）。需要注意的是，该论文对“赢家”的界定是超过 5 亿美元的退出，或累计融资超过 5 亿美元——以今天的口径看，这未必是压倒性成功。
本质上，LLM 过度依赖模式，因而错过了大量赢家。由此推断，它或许更适合在组合更集中、偏中后期的投资场景，或用于平台型机构生成“β”。但在充满特异性的早期 VC 里，它会更吃力。
另一个研究《Generative AI-powered venture screening: Can large language models help venture capitalists?》从“效率活儿”入手：让 LLM 处理大量非结构化信息，去做通常交给分析师的工作。结果显示，LLM 的速度快了 537 倍，准确性还有小幅提升。
效率固然动人，但也要结合《The Impact of Generative AI on Critical Thinking》的发现去看：长期依赖 LLM 进行决策，可能削弱人的思辨能力。而要从过往投资中学习，投资人必须真正理解“为什么下了那个决策”。
一个危险的未来是：LLM 影响决策，决策影响训练集，训练集再反过来影响下一轮决策——我们被困在一个“递归回声室”里，VC 与现实渐行渐远。
四、做不可规模化的事
LLM 很强，但它们本质上依赖历史数据，面向未来进行“全新推理”的能力有限。这恰恰与早期 VC 的需求相悖：早期投资是与高度特异性和 10 年后才会验证的现实打交道。
这并不意味着 LLM 对 VC 毫无用处。它可以拿来分析过往的投资备忘录，把你的论据与真实结果对照：某些担忧是否预测了失败？某些被看好的优势是否预示了成功？更通用的大模型也可以帮助识别跨研究与产业的趋势，塑造你对未来机会的投资论纲。
随着能力增强，它们也能更高效地分析财务与股权结构，给出有用洞见，而无需传统的人力投入。
归根到底，LLM 可以帮助梳理数据、改造流程。但做得好的 VC，本质上是在“负空间”里寻找 α——那里没有可套用的模式，这也限制了 LLM 的推理方式。它们能把“已知世界”的地图画得更清楚，却无法指引你在“未知的雾中”往哪里走。
这也解释了为什么认知偏见会拖累 VC：那是把过去的模式施加到关于未来的判断上。
五、电话传话的游戏
偏见问题不可能只靠 VC 端解决。很多扭曲的想法，是沿着市场结构自上而下扩散的：LP 也乐于被“廉价话术”和浅层模式所说服。“摇滚明星式选手”的神话太有诱惑力了——它让所有参与者都能回避 VC 的复杂不确定性。相比之下，承认“投资需要技术能力与纪律”要困难得多。
因此，无论是“创始人与 VC”，还是“VC 与 LP”的关系，经常被还原成一些简化口号，比如“VC 是人的生意”“VC 是门手艺”。只要各方共同维持这种“VC 不需要科学方法”的共识，就能心安理得地回避艰苦的理性思维。机会主义的创始人也会顺势打造“为 VC 叙事而生”的现金机器，以更好地向 LP 营销。
钱被分配，资金流动，账面标记上升，多方的显性目标看起来都实现了。
这正是 LLM 的风险所在：如果不结合行为经济学去理解，它们很容易被误用，造成公平与绩效双输的结果。例如，完全可以做一个在 VCBench 上表现亮眼的“混合模型”，然后对 LP 宣称它将跑赢市场——事实上并非如此。这样的东西只会加速复刻过去：更快地堆积资产、更快地抬高估值，直到周期尽头的失重式下坠。
六、“正向行动”的烟幕
撇开当下市场波动，VC 正处在一个值得关注的阶段。
乐观的一面是，投资人会以理性方式试验 LLM 能为流程带来什么，最终获得边际改进；悲观的一面是，模型会被盲目而自负地直接扔进投资决策，导致一种缓慢而隐蔽的退化，几年后才显形。
那条岔路的走向，取决于行业能否形成更成熟的行为经济学视角，并抵抗当前“拥抱偏见”的激励结构。这也是让策略职业化、清除在零利率牛市里乘虚而入的“租值寻求者”的长期战役之一。
归纳一下：当你把能极大加速行动的工具交给行业，它会放大主导哲学。可能是更有效率的资本配置，也可能是更高明的“规模化收租”。令人担忧的是，既有的 incumbents 已经把“手艺”当作掩护以做规模化，LLM 则提供了一个更炫目的“能力幻象”。
七、向前看
在任何（理性）市场环境中，表现最好的 VC 往往有着非常“原生、触觉式”的世界接口：最大程度的开放心态、强烈的好奇心、以及持续反思、锻造面向未来判断的能力。更重要的是，他们已经从不安与自我的认知牢笼中脱身，那正是偏见的前兆。
未来，LLM 会赋能这类人，把其他一切都接过来：基金运营、组合数学、合同、报告与沟通。繁琐事务交给代理去做，让天赋投入创造力、机会与“偶然性”的追逐——给“锡人”装上一颗心。
我们能多快抵达这个现实，取决于我们能多快走出当前的轨道，而这又是广义金融化的影子。
参考文献：
- Predictably Bad Investments: Evidence from Venture Capitalists – Diag Davenport
- Machine Learning About Venture Capital Choices – Victor Lyonnet; Léa H. Stern; Michael G. Foster
- Do Algorithms Make Better — and Fairer — Investments Than Angel Investors? – Torben Antretter; Ivo Blohm; Charlotta Sirén; Dietmar Grichnik
- Mirrored Matching: Facial Similarity and the Allocation of Venture Capital – Emmanuel Yimfor
- The Politics of Venture Capital Investment – Jeffery (Yudong) Wang
- And the Children Shall Lead: Gender Diversity and Performance in Venture Capital – Paul A. Gompers; Sophie Q. Wang
- Venture Capitalists’ Decision-Making Under Changing Resource Availability – Noah John Pettit
- Daniel Kahneman Explains The Machinery of Thought
- Venture Capitalists’ Decision-Making in Hot and Cold Markets – Simon Kleinert; Marie Hildebrand
- Biased Echoes: Generative AI Models Reinforce Investment Biases and Increase Portfolio Risks of Private Investors – Philipp Winder; Christian Hildebrand; Jochen Hartmann
- VCBench: Benchmarking LLMs in Venture Capital
- Generative AI-powered venture screening: Can large language models help venture capitalists?
- The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers