xvc基金合伙人陆宜25年终思考：归纳，演绎，和理性边界

陆宜先生现任XVC基金合伙人，拥有超过10年的风险投资经验。他长期关注技术驱动的结构性创新机会，重点领域包括消费科技、全球化和企业软件。

本文内容总结自陆宜先生在XVC基金2025年投资人年会上的分享。

加入XVC以来，陆宜先生在早期主导了多个高成长项目的投资，这些项目已经成为各自领域的全球或全国第一。其代表性投资案例包括美国最大的生鲜杂货电商Weee!、全球最大的智能泳池机器人元鼎Aiper，中国最大的研发管理工具ONES等公司。除了作为VC投资人身份，他更愿意被当做“创业者长期的战略伙伴”角色。

加入投资行业之前，陆宜先生曾任职贝恩公司（Bain & Company），为多家科技和消费行业的全球500强企业提供战略咨询服务。

以下为陆宜在XVC 2025年投资人年会的分享：

投资的本质，是一种关于未来的研究与判断过程。支撑这种研究与判断的最底层方法，其实可以拆解为两类：归纳法和演绎法。

简单说，归纳法帮助我们理解过去，演绎法帮助我们推演未来。

而在AI时代巨大的不确定性中，我们还需要第三个维度：理性边界——用理性的边界，对抗认知上的模糊性。

本次分享尝试用几个真实案例，把这三件事串在一起聊一聊。

一、从两场“投决会”说起

案例一：你会不会投这家跨境电商？

想象你正坐在一场投资决策会上，需要对一个项目投出关键一票。

这是一家跨境电商网站，主营女装、配饰，全部自营。它当时的主要业务区域在欧洲和中东，刚刚进入美国市场，落地时间并不长。2016到2017年间，年对年业务增速超过 100%，表现非常亮眼；但在2018年第一季度，年对年增速明显放缓。它的件单价很低，大约10美元，主打时尚与极致性价比，但质量口碑普通，评论里常见“质量不怎么样”这样的反馈。比较关键的是复购率指标，具体数字请看图。

请问作为IC成员之一，你是否会投资这家公司？

案例二：你会选择投哪个短视频产品？

再看第二场“投决会”。

这四款都是短视频APP，分别以 A、B、C、D 来代称。它们当时的日活跃用户（DAU）规模差异明显，如图所示：产品A约 6000 万，产品B约 1600 万，产品C约 1000 万，而产品D则只有大约 500 万。

产品A：作为最早进入该领域的玩家之一，它几乎是把短视频形态真正带火的公司。凭借先发优势，产品A在用户心智中占据了极强的位置。它的内容完全依赖用户生成（UGC），同时拥有非常紧密的社区氛围，用户之间的社交关系和关注网络极为牢固。更重要的是，产品A的增长几乎完全依靠自然流量推动，其留存率与使用时长都显著领先另外三款产品。

产品B：虽然同样来自中国团队，但它主攻的是欧美市场，整体调性更加时尚、更具国际化风格。然而，与产品A相比，产品B的用户关系链相对薄弱。尽管上线已有两年多，但近一段时间其增长势能不足，用户增速明显放缓。

产品C：在产品形态上几乎完全复制了产品A，但依靠极强的市场投放、运营动作以及用户激励手段，硬生生抢下了部分市场份额。然而，它在用户留存、时长等关键指标上仍明显落后于产品 A。

产品D：它在形态上对标产品B，但主战场在国内市场。相较于产品A，产品D的总体规模不到后者的十分之一。更关键的是，无论是留存率还是使用时长，产品D都只有产品A的一半左右，与产品C的差距也不小。

如果你只能押一家公司，你会把钱投给谁？

二、归纳法：从历史样本中总结“胜利者模式”

在详细分析这两个投决案例之前，我们不妨先从中跳出来，回到投资的本质：无论是研究行业变化、模式迭代、公司成长，还是团队能力，我们每天都在做一件事：试图理解未来；底层研究方法，其实可以被总结为两类：归纳法与演绎法。

首先对“归纳法”做定义：所谓归纳法，是指从大量具体事实与历史样本出发，提炼出一般性的规律和可复用的框架，再用这些规律去判断新的案例。在投资实践中，这意味着我们依靠历史案例、核心数据、可对比样本、可观测行为以及可以迁移的模式，来总结出一套具有因果或强相关性的线索体系，并据此推断一家公司的未来走向。

归纳法在投资领域大致可以分为三种典型类型。

第一类是类比归纳，也就是大家熟知的“时光机理论”。它的核心逻辑简单直接：美国已经出现过的模式，中国大概率会复制一遍。在过去二十年的中国互联网和移动互联网投资中，类比归纳法几乎是所有成功案例背后的底层方法论。综合门户、垂直门户、黄页、电商、O2O、网约车、社交网络、兴趣社区、长视频、甚至自动驾驶等赛道上，都能找到与美国市场极为相似的“平行宇宙”。这些赛道的本土创新固然重要，但其起点与逻辑基础，往往都能追溯到美国市场已经验证过的一套玩法。

第二类是枚举归纳，即在不同商业模式中寻找少数能够高度决定成败的关键指标，也就是我们常说的“北极星指标”。例如，对于 To C 的移动应用来说，次日留存、7日留存、30日留存往往直接决定了产品是否能打；对于电商平台来说，复购率是最能反映Product-Market-Fit的指标；在用户价值层面有ARPU（用户平均收入），从整体生意质量来看，单位经济模型（Unit Economics）和LTV/CAC等指标是投资人关注的重点。这些指标之所以重要，是因为它们经过长期行业验证，只要表现足够好，往往意味着“这个生意大概率能行”。

第三类是统计归纳，也就是从胜出者中不断抽象出可被反复验证的成功模式。在足够多历史样本的基础上，我们能看到一些规律反复出现，例如规模效应、网络效应、品牌效应、生态效应等等。在历史长河中，生存下来的 “赢家公司”身上，或多或少都能观察到这些胜利者模式（Winning Pattern）。

回到第一个投决会的案例公司。

这是一家电商平台，所以首先从最关键的复购率来看，这家公司次季度留存只有 10%–13%，一年后的留存只有 4%–6%。可以给大家一个参考：作为对比，唯品会的长期留存在 20% 左右。

再看增长曲线。前面提到公司在2016–2017年增速翻倍，但到2018年一季度明显放缓。历史经验上看，从高增长掉到中低增速后，再度恢复高增长的案例并不多见。结合它的市场布局，欧洲和中东是基本盘，美国市场刚刚起步且尚未验证，叠加增速放缓，很容易得出老市场趋于饱和，新市场打不动，整体天花板有限的结论。

平台件单价只有 10 美元，主打的是低收入人群对廉价服装和配饰的需求。根据过往经验，低价很难沉淀品牌心智，用户忠诚度也往往较弱。同时，我们长期认为欧美是“高维市场”，消费者心智成熟、行业寡头（如亚马逊）已经形成压倒性优势，而当时历史上几乎没有中国电商成功打入欧美的案例。

如果把上述这些信息放在一张投决会的材料里，仅从归纳法出发、依据历史经验和对比样本做理性判断，我想答案大概率会是：不投。

而真实答案是——这家公司叫SHEIN。刚才所有的信息，都是SHEIN在 2016–2018 年间的真实情况。事后回看，如果刻板地使用归纳法，那可能就会犯我一样的错误，错失SHEIN。去年 ，SHEIN的销售收入为380亿美元。

问题的发生并不在于归纳法本身，而在于我们如何使用它。要让归纳法成立，至少需要满足三个前提。

第一是可比性。也就是说，当前研究的对象必须和我们所依赖的历史样本在核心运行机制上足够一致，才具有对照价值。如果两个系统的结构完全不同，用旧经验判断新对象自然会失真。

第二是稳定性。历史数据背后的生成机制必须在未来保持相对稳定。如果未来即将发生结构性变化，比如供应链能力的跃升、数字化基础设施的重构、消费习惯的转折，那么任何基于过去的数据推导都可能失效。

第三是可识别性。研究者必须能够区分系统的关键变量与噪音。如果噪声过大，掩盖住真正决定趋势的因素，即便数据丰富，结论也往往会偏离事实。

当这些前提不成立，归纳法就很容易掉入陷阱。典型的六类错误尤其常见。

1.刻舟求剑，把刻板印象当成规律。例如“低价无法形成品牌心智”。对于单个商品而言这可能成立，但如果“低价”变成一个清晰的渠道心智——“在这里可以买到又多又便宜的东西”——反而是极强的品牌形象。

2.邯郸学步，比如机械地把美国经验套用到中国，却忽略政策制度、基础设施、人口结构、消费能力等巨大差异，导致类比失真。

3.因循守旧，用静态样本推断动态系统。例如忽视推荐算法、供应链优化、履约效率提升带来的体验跃迁，最终得出“这件事做不大”的结论。

4.一叶障目，把短期试错当成长期结构性障碍，把暂时性困难误判为不可逾越的瓶颈。

5.本末倒置，当所有人都盯着同一指标时，指标就可能反过来操控行为。例如AI公司为了堆 ARR，不惜用大量短期手段甚至造假推高数字。

6.坐井观天，只看历史，不看结构性变化与技术范式迁移。当行业进入新的周期拐点时，旧经验往往全面失效。

当世界进入结构性转折时，片面使用归纳法往往“看不见”正在发生的变化。

三、演绎法：当历史失效时，我们如何推理未来？

历史样本不再可靠的情况下，我们往往只能求助于演绎法。

所谓演绎法，是从一般性原理、假设或理论出发，通过逻辑推理推断未来的走向。在投资实践中，这意味着投资人要从宏观环境、产业演化、技术进步和商业原理中寻找结构性的线索，并沿着一条逻辑链条去判断一家企业未来可能走向哪条路径。

演绎路径大致可以分为三类。

1.行为变迁的演绎。用户的习惯、注意力结构一旦发生变化，往往会催生新的商业模式。例如 O2O 重构了本地生活服务体系；短视频重新划分了用户在移动端的注意力分布；拼多多改变了下沉市场用户的购物行为；移动支付则重塑了支付通道。所有这些变化，本质上都是从“人如何改变行为”推演出新机会。

2.结构驱动的演绎。当宏观结构出现长期、深层次的变化——例如人口老龄化与少子化带来的需求转型，城镇化速度变化带来的服务格局重塑，新能源与储能带来的供应链重构，或地缘政治推动的产业链自主可控——产业随之产生新的机会窗口。这类变化往往不是阶段性的，而是长周期的。

3.技术范式的演绎。当某项技术本身发生量级突破，往往会催生一个全新的时代。例如PC向互联网、再向移动端的跃迁，自动驾驶逐渐成熟、大模型和具身智能时代的到来，每一次技术范式转移都会带来全新的应用形态、基础设施和行业格局。

这三类路径，构成了演绎法在投资中最典型的使用方式：从第一性原理出发，从结构中找方向，从趋势中找确定性。

现在我们回到第二场投决会。可能很多人已经猜到了ABCD四个产品分别是谁；现在不妨让我们换一种视角演绎，来试图模拟当时的思考。

当时，抖音与快手在产品形态上走出了两条截然不同的路径。抖音选择了全屏模式，用户一打开App就进入沉浸式视频流，每一次滑动、每一秒停留都能直接成为算法的训练信号；喜欢就继续看，不喜欢就划走，这种即时反馈极其纯净。而快手采用双列信息流，用户需要先浏览封面和标题，再点进去观看，整个链路被拆解成“浏览—点击—观看”多个步骤，封面、标题和情境都会干扰对真实兴趣的判断，信号显得更嘈杂、割裂。从推荐算法的角度，全屏模式显然更适合构建高效反馈系统，也更容易在长期体验上形成差距。

两家公司在流量分发逻辑上也截然不同。快手强调“为普通人服务”，以关注关系为核心，使更多创作者能获得曝光，甚至在算法中加入类似“基尼系数”的机制，避免出现极端的马太效应。抖音则从一开始就坚持“为消费者服务”。字节跳动所有产品的底层逻辑都是内容、用户与推荐算法的匹配，张一鸣的判断很清晰：创作者只是1%，消费者才是99%。因此，抖音的分发逻辑是把最优质、最热门的内容尽可能填满用户屏幕，让用户始终感到“爽”。如果我们相信短视频最终会成为一个覆盖6–8亿DAU的普适产品形态，那么偏向消费者效用最大化的平台，显然更有可能演化成下一代国民级注意力基础设施。

在增长哲学上，几个产品也有巨大差异。快手长期坚持自然增长，在上千万DAU前几乎不做大规模投放；抖音则完全相反，张一鸣相信短视频能覆盖中国6–8 亿互联网用户，因此把“增长”视为抢占用户心智的窗口期。2018年春节，抖音的投放量超过火山和西瓜视频的总和；到2018年中，抖音用了不到一年时间完成反超，成为短视频第一。如果把短视频理解为“注意力之战”的终局，那么早期尽可能吃掉新增用户、即便牺牲短期ROI，也是合理的演绎判断。

内容生产端的策略差异同样显著。快手坚持记录生活、强调公平，允许用户按照自己的方式自然表达；而抖音从一开始就有意识地在城市人群中打造内容风格，并以工具降低创作门槛：音轨复用、音画分离、模板剧本，大幅提升普通人的创作效率；强运营、明确引导与工具升级，又催生了一批爆款创作者与洗脑神曲。在城乡二元结构下，快手基本盘牢牢扎根于“乡”，抖音则选择先在“城”建立潮流认知，再完成由上而下的渗透，这正是其后续快速扩张的关键。

四、Weee!案例复盘

2019年10月，XVC领投了Weee!的B轮。目前，Weee!的估值已攀升至 41 亿美元，成为北美最大的少数族裔生鲜杂货电商。这笔投资，正是归纳法与演绎法结合的典型案例。

在归纳维度上，Weee!展现出极为扎实的业务质量。其季度复购率长期处于行业高位且十分稳定；用户一旦被转化，订单金额和品类交叉购买会持续上升，至今没有看到明显的天花板。

但真正决定我们投资信心的，是背后的演绎逻辑。当时重点推演了几个结构性问题，包括：1）线上生鲜与线下超市的长期竞争格局，2）次日达与即时达的边界，3）垂直电商与综合平台的长周期竞争，4）技术迭代与成本结构变化，5）长期的第二、第三增长曲线等。

第一个重要演绎来自对线下超市模式的拆解。线下超市必须在核心地段付出高昂租金，并在有限货架中尽可能塞满SKU，本质上长期受限于“租金—货架空间—商品丰富度”这三角矛盾。而在线生鲜电商通过中心化仓储，可以实现“无限货架”，并用更高的周转效率降低资金占用成本。在湾区这种华人超市密度最高、线下竞争最激烈的区域，我们依然观察到Weee!极其优秀的长期留存。向未来看，线下超市已基本达到它的最优形态，而Weee!在商品多样性、用户运营、价格体系、配送效率等方面仍有巨大的优化空间。长期来看，它完全有机会拿到更高的市场份额。

第二个关键演绎来自“次日达vs即时达”。通过跟车实测，我们发现Weee!的单车每小时可以完成 10-15 单，而美国大部分地区人口密度不高，即时达模式每小时往往只能完成2单。在最低时薪 18 美元的前提下，Weee! 的单均配送成本比即时达低约7-8美元，而这几乎是即时达模式无法优化的刚性成本。成本结构和优化空间决定了即时达更多只适用于价格不敏感客户或即时性异常敏感的需求场景。

第三，与综合性电商的竞争。生鲜杂货的供应链能力、仓储形态与综合电商并不相同，尤其是冷链、快进快出区域等基础设施。综合电商若要在这一领域复制Weee!的能力，几乎意味着要重建一整套体系。同时，美国市场的流量格局远不如中国集中，Weee!本身也是极具价值的并购标的。

第四，长期技术迭代与成本结构演绎。随着规模扩大，Weee!的成本结构也会持续改善。更大的体量意味着更强的议价权；更密集的用户分布意味着仓储与配送效率提升；基于更完整的用户浏览、购买和偏好数据，Weee!还可以开发自有品牌，以更多独特商品进一步强化竞争力。技术的演进则会继续放大优势，仓库自动化、高密度存储等能力，能够进一步丰富商品组合、降低单位运营成本、提高周转效率，让Weee!的模型在规模化后变得更高效。

第五，美国是一个多族裔社会，除了华人，还有日裔、韩裔、越南裔、菲律宾裔等其他亚裔，以及规模更大的拉丁裔群体，他们都有类似于华人的族裔化消费需求，但线下零售并没有很好地服务这些人群。Weee!只要构建相应族裔的商品团队与用户运营团队，就能把同一套运营方法论和基础设施能力扩展到更多人群。过去两年，Weee!逐步拓展进入其他亚裔市场，并在今年进入拉丁裔市场；不同族裔市场中的长期复购率甚至高于华人群体，也在一步一步验证最初投资时我们对于Weee！模式的演绎判断。

五、演绎法的陷阱

归纳法可能错过好公司，而演绎法则可能拥抱幻觉。要让演绎法行之有效，也需要注意四个方面：

1.演绎前提的正确：首先必须确保逻辑链条建立在坚实的基础上：出发点必须是稳定、真实的规律，而不是拍脑袋的假设；

2.过程中要有能够被验证的中间变量：如果关键环节无法验证，那么逻辑越复杂，结论反而越不可信；

3.清楚逻辑适用的边界：明白在哪些情境下结论会失效；

4.演绎体系必须具备“修正能力”：当现实世界的关键变量发生变化时，判断也要随之调整，而不是固守既有推理。

所以，我们可以“演绎”出几个演绎法常常会落入的陷阱。

1.昙花一现，把阶段性的窗口当成长期机会。第三方安卓应用市场、导航网站曾经增长迅速，数据亮眼，但只是系统生态完善前的短命窗口。一旦手机厂商自带应用市场成熟，这些商业模式很快失去存在价值。

2.周期误判，误把短期需求当做长期结构变化。疫情期间Peloton的爆发便是典型例子。市场一度相信家庭健身行为被永久改变，给公司推到600亿美元市值，但疫情结束后，用户活跃和使用时长迅速回落，证明这是典型的阶段性红利。

3.螳螂捕蝉，黄雀在后；你的利润来源，其他人的流量入口。共享单车、共享充电宝早期都被视为高频、刚需、能构建巨大流量入口的赛道，但当巨头愿意牺牲利润，把这些工具作为生态入口时，创业公司往往瞬间丧失优势。

4.一厢情愿。面对宏大叙事，人们很容易被“星辰大海”的愿景点燃，推理过程被情绪主导，把“希望它发生”当成“它会发生”，最终偏离现实。

5.生不逢时，低估时间的力量。方向没错，但时机太早。例如2010年左右上海的 Sherpa外卖公司，商业模式几乎与后来兴起的O2O全一致，但在移动互联网和支付基础设施远未成熟的年代，它只能服务小众用户。当真正的窗口打开时，它已无法再追赶行业节奏。

六、AI时代下的投资

前面讨论了归纳法与演绎法，但现在老革命遇到了新问题：AI时代，传统的研究方法开始失效。

一方面，过去的历史样本几乎都不再具有参考意义，归纳法难以发挥作用；另一方面，AI技术的演进路径高度非线性，演绎法推论的可能性难以收敛。然而，我们又可以确定：AI是一个长期的、不可逆的趋势。那么，在这样的时代，投资人该如何做判断？

回到第一性原理是朴素也是正确的答案。既然没有历史可依，也没有先例可照，我们就必须从最底层的规律出发：从“哪些事情一定会发生”开始，再反向推演，它最可能出现的路径（How），大致的时间窗口（When），可能的产品形态（Product），最可能把这条路走通的人（Founder）。

回看OpenAI的发展路径，或许也可以给我们一些启示：它是AGI时代最重要的样本型公司。从成立、技术演进到战略路径，本身就是AI产业的路线图。

2020 年，OpenAI 与约翰霍普金斯大学共同发表了著名的《Scaling Laws for Neural Language Models》。论文清晰提出：语言模型的损失，与参数规模、数据量与计算量之间，存在稳定的幂律关系。这条 Scaling Law 成为整个大模型时代的“底层物理定律”。基于它，我们可以确定：智能的跃迁必然会发生。接下来要做的，就是识别“限制这一跃迁的约束是什么”，因为真正的投资机会，就藏在这些约束被逐个突破的过程中。

围绕大模型，我们可以清晰看到四大约束：

1.算力瓶颈：大模型训练高度依赖顶级算力芯片，而它们的设计、制造和供给极度集中、成本昂贵，并受到地缘政治影响。算力是AI最紧缺的资源之一。

2.能源瓶颈：模型训练本身就是高耗能工程，而未来推理阶段的能耗将再上一个数量级。低成本、可持续的能源生产、存储、传输，将成为AI扩张的关键前提。

3.数据瓶颈：模型训练依赖数据，高质量数据意味着规模、质量与维度（三性）。解决数据约束是模型进步的必经步骤。

4.人才瓶颈：顶级AI科学家极为稀缺且成本高昂，了解核心路径、有成功落地经验的AI工程化人才也很集中。模型复杂度呈指数级上升，对顶尖人才的依赖反而更强。

过去5年，OpenAI的发展也不断反向验证Scaling Law的有效性：GPT-3、GPT-4、GPT-4o都沿着规模–算力–数据的“最优曲线”前进；每一代新模型能力上的跃迁，也发生在Scaling Law预测的“临界规模”之后。 

七、用理性边界对抗模糊性

复盘OpenAI的发展，我试图总结出三条原则来设定理性边界，对抗AI时代的巨大模糊性。

第一，从不可逆变量开始思考：演绎的起点不是“预测变化”，而是确认“什么不会变”。不可逆变量，是方向性判断的基础。

第二，用约束条件，而不是结果做推理：结果推导包含太多自由度，很容易滑向脑补；而围绕“约束”做演绎，更接近事实，也更能找到推动变革的杠杆。

第三，用路径演绎替代结果演绎：AI的进化不是突变，而是一连串tipping point 的叠加。每一次技术与产品突破，都是对路径的一次修正。 

八、总结

最后，我想对今天的分享做一下总结：

第一，用归纳法了解过去，明白“为什么会这样”；用演绎法思考未来，看见“可以变成什么样”。

第二，无论是归纳法还是演绎法，都有自己的前置条件和适用范围，要避免掉入单一思维框架的陷阱。

第三，在快速变化的时代，设定理性边界可以帮助我们对抗巨大的模糊性。