类比是人类最常用的思考方式之一。
看到一个新问题，我们会自然去找一个旧问题来理解它。
这家公司像不像苹果？
这个行业像不像互联网早期？
这个人像不像过去那个让我受伤的人？
AI 会不会像电力一样改变所有行业？
这个项目是不是像当年的亚马逊？
类比有用。
它能帮助人快速理解陌生事物，把未知放进已有经验里。
但类比也非常危险。
因为表面相似，不等于底层机制相同。
错误类比，就是把两个看起来相似、但关键机制不同的事物，当成同一类来判断。
一旦类比错了，后面的结论就会跟着错。
一、类比不是看像不像，而是看机制是否相同
很多人做类比时，只看表面特征。
比如：
这家公司用户很多，所以像腾讯；
这个平台增长很快，所以像亚马逊；
这个品牌很受年轻人喜欢，所以像苹果；
这个 AI 产品很火，所以像早期互联网；
这个人说话方式像某个旧人，所以他也会一样伤害我。
这些类比都可能有启发，但不能直接当结论。
真正重要的不是像不像，而是：关键机制是否相同。
腾讯的核心不只是用户多，而是社交关系链、网络效应、入口位置、支付与内容生态、用户迁移成本。
亚马逊的核心不只是增长快，而是低价、更好体验、更大规模、更强供应链、更高效率之间形成飞轮。
苹果的核心不只是品牌强，而是产品体验、软硬件生态、开发者系统、用户忠诚、定价权和供应链能力。
早期互联网的核心不只是新技术出现，而是分发成本下降、边际成本接近零、用户规模效应和商业模式重构。
如果只看到“用户多”“增长快”“年轻人喜欢”“新技术出现”，就把它类比成这些公司或时代，风险很大。
因为你抓到的是外形，不是机制。
类比最重要的检查是：
它们真正起作用的变量一样吗？
如果变量不同，类比就不能推出同样结论。
二、错误类比为什么特别有说服力
错误类比很有说服力，因为它借用了旧故事的力量。
人一听“它像亚马逊”，脑子里马上浮现出长期复利、巨大市场、伟大公司、长期持有。
一听“它像苹果”，马上想到品牌、定价权、生态、忠诚用户。
一听“它像早期互联网”，马上想到巨大机会、赢家通吃、错过可惜。
类比会把旧对象的光环，转移到新对象上。
这就是危险所在。
因为新对象还没有证明自己具备旧对象的机制，却先享受了旧对象的叙事红利。
投资市场里，这种事很多。
一家公司只要被类比成“某某行业的茅台”“中国的亚马逊”“AI 时代的苹果”“下一个腾讯”，估值和情绪就可能被推高。
但真正的问题是：
它有没有茅台那样的品牌、稀缺性、定价权和渠道结构？
它有没有亚马逊那样的飞轮、规模经济和长期资本配置纪律？
它有没有苹果那样的产品体验、生态锁定和硬件软件协同？
它有没有腾讯那样的社交网络效应和入口控制力？
如果没有，这个类比就是叙事，不是逻辑。
三、类比要检查六个变量
一个类比是否成立，至少要检查六个变量。
第一，条件是否相似。
两个对象所处的时间、市场、监管、竞争、技术成熟度是否相似？
同样的策略，在不同条件下可能完全不同。
第二，机制是否相似。
它们赚钱、增长、形成优势、抵御竞争的机制是否相同？
这是最关键的。
第三，资源是否相似。
旧对象成功时拥有的资本、人才、渠道、品牌、技术、组织能力，新对象是否也具备？
第四，激励是否相似。
管理层、用户、客户、竞争对手、监管者的激励结构是否相似？
激励不同，行为就不同。
第五，阶段是否相似。
一个处在早期，一个处在成熟期；一个是行业开拓期，一个是红海竞争期，不能简单类比。
第六，反例是否存在。
有没有很多看起来也像旧对象、但最后失败的样本？
如果只看成功类比，不看失败类比，就会高估规律。
类比不是一句“它像谁”。
类比是一个机制对照表。
四、投资里的错误类比
投资里，错误类比最容易发生在新赛道和热门公司上。
比如，把所有平台公司都类比成腾讯。
但平台不等于网络效应。
有些平台只是交易中介，用户可以轻易切换；
有些平台没有强关系链，只有流量；
有些平台需要持续补贴才能维持交易；
有些平台规模越大，成本也越大，并没有形成更强利润结构。
如果没有转换成本、网络效应、数据优势、生态锁定和利润留存机制，就不能因为“平台”两个字类比腾讯。
再比如，把所有高端消费品牌都类比成茅台。
茅台的特殊性不只是高端品牌。
它还有文化地位、社交货币属性、稀缺供给、强渠道结构、长期价格信仰和极强现金流。
很多消费品牌也高端，也受欢迎，但可能会被潮流替代、渠道库存影响、消费者偏好变化、竞争者模仿。
如果没有稀缺性和定价权，就不能轻易类比茅台。
再比如，把所有 AI 公司类比成早期互联网赢家。
AI 确实可能是大技术变革。
但具体公司能不能成为好生意，要看利润留在哪里。
模型能力、算力成本、数据壁垒、分发渠道、用户场景、验证成本、竞争强度、开源压力，这些都要拆。
如果底层是高资本消耗、强竞争、快速降价、客户议价能力强，那即使技术重要，也未必是好投资。
技术重要，不等于公司赚钱。
行业伟大，不等于股东赚钱。
这就是投资类比最容易忽略的地方。
五、关系里的错误类比
关系里，人也会大量使用类比。
一个人某个行为像过去伤害过你的人，你可能马上得出结论：他也会那样。
这有时是保护机制。
但也可能是错误类比。
比如，过去有人冷处理你，后来关系伤害很深。
现在另一个人回复慢，你就把他类比成过去那个人。
这时要问：机制一样吗？
他是长期回避责任，还是只是当下忙？
他是否在关键时刻也缺席？
他是否有修复能力？
他是否愿意承担沟通成本？
他对其他重要关系是否也是这样？
如果只是表面行为相似，但底层机制不同，就不能直接类比。
反过来，有些关系看起来不像过去的问题，但底层机制一样。
比如表现方式不同，但都体现为长期不承担、关键时刻缺席、冲突后不修复、只让你承担情绪成本。
这时，即使表面不同，也要识别机制相同。
所以，关系类比也不能只看表象。
要看行为背后的稳定模式。
六、AI 使用中的错误类比
AI 时代，错误类比会非常多。
有人把 AI 类比成搜索引擎。
这个类比有一部分对。
AI 确实能帮助获取信息。
但 AI 不只是搜索。
它还能生成、改写、推理、规划、调用工具、模拟角色、生成代码。
如果只把 AI 当搜索，就会低估它。
也有人把 AI 类比成人。
这个类比也有一部分对。
AI 能对话、解释、写作，看起来像人在思考。
但 AI 不是人。
它没有亲身承担，没有价值主体，没有生命经验，没有责任边界。
如果把 AI 当人，就会高估它。
还有人把 AI 类比成计算器。
这也不完整。
计算器输出确定结果，AI 输出概率性语言。
计算器错误通常来自输入或操作，AI 错误可能来自训练数据、上下文、推理、幻觉、目标理解和工具调用。
所以，对 AI 的类比要特别谨慎。
AI 既像工具，又像助手，又像语言接口，又像认知放大器，但它不是其中任何一个旧物的简单复制。
如果类比错了，使用边界就会错。
把 AI 当搜索，会低估；
把 AI 当人，会高估；
把 AI 当权威，会危险；
把 AI 当废物，会错过能力放大。
正确做法是拆机制：
它擅长什么任务？
它在哪些地方容易错？
错误成本由谁承担？
验证成本多高？
它是在替代人，还是放大人？
它改变的是信息获取、结构化、生成、判断辅助，还是最终责任？
这才是有用判断。
七、如何判断一个类比是否成立
判断类比，可以用一个简单方法：
不要问“像不像”。
要问“哪里像，哪里不像，哪些不像最关键”。
很多类比不是完全错，而是部分成立。
问题在于，人常常只抓成立部分，忽略不成立部分。
比如说某公司像亚马逊。
可能它也重视长期，也愿意牺牲短期利润，也有规模扩张。
这些地方像。
但它有没有亚马逊那样的成本优势、客户体验飞轮、物流基础设施、云计算利润池、资本配置能力？
如果这些关键机制不像，那类比就不能推出同样结论。
所以，类比要分三层：
第一层，表面相似。
第二层，机制相似。
第三层，结果条件相似。
只有表面相似，不能推出什么。
机制相似，才有启发。
机制和条件都相似，类比才有较强参考价值。
八、错误类比的检查清单
遇到一个类比，可以问九个问题：
第一，这个类比相似的是表象，还是机制？
第二，两个对象的条件是否相似？
第三，赚钱、增长、形成优势的机制是否相同？
第四，资源、阶段、竞争环境是否相似？
第五，激励结构是否相似？
第六，有没有看起来也像、但失败的样本？
第七，这个类比忽略了哪些关键差异？
第八，如果类比不成立，我的结论会不会立刻崩掉？
第九，我是不是借用旧对象的光环，替新对象省略了证明？
这些问题可以防止类比变成偷懒。
九、好的类比是启发，不是证明
类比的价值，是启发思考。
它可以帮人提出问题：
这里会不会也有网络效应？
这里会不会也有飞轮？
这里会不会也有定价权？
这里会不会也有身份锁定？
这里会不会也有验证成本？
但类比不能直接替代证明。
说“它像谁”，只是起点。
真正的逻辑要继续问：
为什么像？
哪里不像？
关键机制是否相同？
如果不同，结论还能不能成立？
错误类比提醒我们：
不要被相似感骗了。
世界上很多东西看起来像，真正起作用的机制却完全不同。
好判断不是看到相似就下结论。
而是能穿过相似，看到结构。