朱啸虎讲过一个他亲手投过的反例。
一家公司，专门派机器人在海底洗船。商业化做得非常好——客户真金白银付费，订单扎实，水下泛化还容易：洗船、洗海上光伏柱子、港口清淤、帮海关查走私（走私分子把货藏在船底，以前要潜水员下去抽查，机器下去就容易多了）。
但朱啸虎说，这家公司有个致命问题：它没法展示。它在海底洗船，根本没办法展示给别人看，能看到的场景很有限。
而同一时期，人形机器人赛道有近 200 家公司挤在一起，彼此差异极小，真实商业化订单稀薄（大部分是政府订单或科研订单），宇树的估值却冲到 4000 亿。朱啸虎的原话很直接：「因为故事好讲。上春晚这种活动，人形机器人的可展示性非常高。很多投资人更喜欢看到这种高度可展示性的东西。」
一家在海底默默赚钱、估值便宜；一群在台上翻跟头、估值冲天。区别不在谁更能创造价值，而在 谁能被看见。
这就是我今天想讲的东西：可展示性偏差——资本、注意力、资源，正在系统性地流向「能演示给人看」的项目，而不是「能产生结果」的项目。
一、估值衡量的，越来越不是价值
我们默认一个常识：价格和估值反映价值。一个东西贵，是因为它有用。
但在 AI 时代，这个常识正在失灵。朱啸虎观察到的，不是「人形机器人暂时被高估」这种周期性噪音，而是一个更结构性的偏移：当一个项目「能不能做成惊艳 demo」和「能不能持续产生结果」这两件事脱钩时，资源会优先流向 demo，而不是结果。
为什么会这样？因为可展示性同时骗过了三类决策者：
- 投资人：尽调要几个月，但一个 demo 只要三分钟。在信息不对称下，能看见的东西天然比要算账的东西更有说服力。朱啸虎自己都说这个赛道「看不懂」，于是干脆退到工业自动化——「估值差了几百倍，性价比很高，因为它真的有非常具体的商业化」。
- 公司里的预算决策者：CTO 或业务负责人要在十几个 AI 项目里分钱。哪个项目能在汇报会上放一段惊艳的演示视频，哪个就更容易拿到下一轮预算——哪怕它的真实生产价值还没验证。
- 我们自己：选学什么、做什么副业、投入哪个方向时，我们也倾向于选「能拿出去展示」的（做个炫酷的 App、搭个能演示的 Agent），而不是「闷声产生复利」的（建数据闭环、积累行业 know-how）。
可展示性之所以危险，不是因为它假，而是因为它 真——demo 是真的能跑，只是「能跑一次给人看」和「能在生产环境里持续产生结果」是两件差着数量级的事。
二、可展示性 × 结果能力：一张矩阵
把这个偏差画出来，是一张 2×2：
结果能力（能不能持续产生价值）
弱 强
┌────────────────────┬────────────────────┐
高 │ ② 泡沫区 │ ① 真机会 │
可 │ demo 惊艳，结果空 │ 能展示又能交付 │
展 │ 近 200 家内卷 │ （理想，但少见） │
示 │ 钱在这里被烧掉 │ │
性 ├────────────────────┼────────────────────┤
低 │ ④ 该放弃 │ ③ 价值洼地 │
│ 既不能看也不能赚 │ 闷声赚钱，没人看 │
│ │ 海底洗船机器人 ★ │
└────────────────────┴────────────────────┘
四个象限里，资本和注意力的分布是 严重不均 的：
- ② 泡沫区 吸走了最多的钱——因为可展示性最高。人形机器人马拉松，荣耀包揽半程前六名（华为供应链优势），但赛道整体还在「再过两三年这近 200 家能剩几家」的问号里。
- ③ 价值洼地 最被低估——因为它可展示性最低。洗船机器人就卡在这里：真有商业化、真有泛化空间，但「没法展示给别人看」，于是估值便宜、资金被抽走。
- ① 真机会 才是该重注的地方，但它稀少——能同时做到惊艳可展示和持续出结果的，本就是少数。
- ④ 没什么可说的，既不能看也不能赚，该放手。
偏差的本质是：资源按「可展示性」这一列在分配，而价值按「结果能力」这一行在产生。 两轴一错位，钱就配错了。朱啸虎的投资逻辑，恰恰是反着这张矩阵走——主动去③区捡被低估的，躲开②区。
三、给 AI 投资装一个「洗船机器人测试」
矩阵看完，落到行动上是一条判据。我叫它 洗船机器人测试：
如果一个项目没法做成一个惊艳的 demo，你还投不投？
- 投 → 你是按 结果 配置资源，②区的泡沫骗不到你。
- 不投 → 你正在为 可展示性 付溢价，③区的价值洼地与你无缘。
这个测试的锋利之处在于，它把「我到底在为什么付钱」这个模糊的问题，逼成一个具体的反事实：抽掉 demo，只剩结果，你的决策还成立吗？
它和我前面两篇里的判据是一套的：
- 《你烧的 token，是资产还是费用？》 里的 明年测试——这件事明年还做不做，区分 capex 和 opex；
- 《大模型该在工厂里，不在流水线上》 里的 模具厂——大模型该在生产端造模具，不在运行端拧螺丝；
- 这篇的 洗船机器人测试——抽掉可展示性，只看结果能力。
三件套合起来，是一个 AI 时代的资源配置审计器：先问「为结果还是为体验」（#413），再问「资产还是费用」（#410），最后问「抽掉 demo 还投不投」（本篇）。
四、企业里的同一种病：POC 满天飞，生产落地少
把镜头从一级市场拉回企业内部，可展示性偏差换了张脸，但病根一样。
过去一年我在不同公司看到的同一个模式：AI 项目的 POC（概念验证）满天飞，真正进生产的寥寥无几。 为什么？因为 POC 是可展示性的产物——它存在的意义就是「演示给决策者看，证明 AI 能行」。一个漂亮的 POC 能拿到预算、能上汇报 PPT、能让团队有成就感，但它和「在生产环境里 7×24 小时稳定产生结果」之间，隔着一道叫工程化的鸿沟。
这正是 《同一款软件，两本账》 里讲的：为结果而做，和为演示而做，是两本不同的账。 很多企业的 AI 预算，记在了「可展示性」这本账上——买的是汇报会上的惊艳，不是生产线上的复利。
落到具体动作，给每个 AI 项目做一次审计：
from dataclasses import dataclass
@dataclass
class ProjectAudit:
name: str
demo_quality: int # 可展示性：demo 惊艳程度 1-5
in_production: bool # 是否已在生产环境持续运行
has_result_metric: bool # 是否有「结果」指标（不是「演示」指标）
metric_is_outcome: bool # 该指标是业务结果，还是技术指标/演示效果
def quadrant(p: ProjectAudit) -> str:
result = p.in_production and p.has_result_metric and p.metric_is_outcome
if p.demo_quality >= 4 and not result:
return "② 泡沫区：能演示，没结果——停止追加预算"
if p.demo_quality <= 2 and result:
return "③ 价值洼地：闷声出结果——重点加注"
if result:
return "① 真机会：又能看又能赚——保持"
return "④ 该放弃：既不能看也不能赚"
# 关键在 metric_is_outcome：很多项目有指标，但指标是「demo 跑通了」
# 而不是「业务结果改善了」。前者是可展示性，后者才是结果能力。
# generated by hugo AI
注意那个 metric_is_outcome 字段——这是最容易自欺的地方。很多项目不是没有指标，而是指标本身就被可展示性污染了：「demo 成功跑通」「用户说很惊艳」都是可展示性指标，「客诉率下降 X%」「人效提升 Y%」才是结果指标。用错指标，审计就是空的。
五、可展示性不是坏事——除非你拿它做决策
写到这里必须给最强的反方一个正面回应，否则这就是一篇「demo 无用论」的爽文。
可展示性本身完全正当，甚至必要。 一项早期技术，如果没有 demo，它根本融不到钱、招不到人、活不到能赚钱的那一天。爱迪生要点亮珍珠街的 400 盏灯，是为了让投资人「看见」电的未来；AI 公司发惊艳的 demo，是正当的传播和融资手段。否定可展示性，等于否定一切早期技术的冷启动。
所以偏差的危险，从来不在「有 demo」，而在 「用 demo 能力替代结果能力来做决策」。
- demo 用于 传播和冷启动 → 健康，该做。
- demo 用于 替代尽调、替代生产验证、替代结果指标 → 危险，这是把②区误读成①区。
朱啸虎的高明不在于他反对 demo，而在于他 用可展示性的反面去筛选：主动去找那些「没法展示但真有商业化」的项目（洗船机器人、工业自动化），因为他知道，市场的钱正因为可展示性而系统性地涌向反面，那里反而有安全边际。别人为可展示性付溢价的地方，他不付；别人因为不可展示而低估的地方，他捡漏。
这才是可展示性偏差真正的套利空间：它不只是要你看清泡沫，更是要你去③区捡那些被「没法展示」误伤的、真在赚钱的东西。
写在最后
回到开头那个海底洗船的机器人。它不性感，上不了春晚，做不出一段让人转发的演示视频。但它在赚钱，在解决真问题，还能往海关、光伏、清淤泛化。
AI 时代最大的资源错配，不是钱不够，而是钱流向了「能被看见的」，而非「能产生结果的」。当所有人都在为可展示性付溢价时，那个闷声在海底洗船的机器人，才是被低估的价值洼地。
所以，洗船机器人测试，现在就可以问你自己一遍：你正在投入的那个 AI 项目——抽掉惊艳的 demo，只剩结果，你还投吗？
如果答案犹豫了，你可能正在为可展示性付溢价。欢迎留言，说说你见过最「能演示但没用」的 AI 项目。