線性資本 · 王淮：AI都在閉眼投，但泡沫將在今年達到頂峰

分享趣味的思維啟迪，接地氣的創投方法論

點擊題目下方藍字關注 投資人說

題圖：線性資本創始合伙人 王淮先生

線性資本成立於2014年9月，主要關注泛智能、大數據領域的技術驅動型早期項目。近日，Harry王淮和我們聊了聊人工智慧的行業機會和泡沫，以及他特有的投資方法論，以下為自述。

如需轉載請聯繫原作者，違者必究！

1

陣風，還是季風？

線性資本在人工智慧領域投了很多項目，但從商業角度看，這兩年人工智慧還沒有出現成功商業化的案例，它到底是陣風還是季風我們也是不確定的。

說人工智慧有可能是陣風的原因是，很多問題創業公司是解決不了的。

以自動駕駛為例，去年我們組織了一次內部討論，找來了全球領先的汽車零部件供應商法奧雷集團，又找來了四家傳統車產研究院的院長，還有百度、騰訊自動駕駛相關的負責人，智能汽車相關的創業公司。

最後我們討論出的結果是：自動駕駛的水太深，項目初始投資動輒都是從千萬美金起。但是如果真正想搞自動駕駛汽車的話，整個事情做下來沒有上百億人民幣砸下去是出不了好東西的。

所以自動駕駛這塊技術人員創業的問題在於：一方面考驗的是你後續的融資能力，另一方面是，在創業初期的很長一段時間裡是出不了東西的。

但是，如果有特別核心的技術、精悍的團隊，從天使輪最多到A輪我們是可以參與的，這裡參與的角度在自動駕駛的局部技術，比如用車環境下的識別技術，人車的交互等。

從長遠來看，自動駕駛在未來是沒有懸念的，但早期投資很難發現特別適合的團隊。以傳統車廠中出來的技術大牛為主，再配合深度學習的人才，這樣的團隊會比較好，但是目前我們找到的團隊都是相反的。

總的來說，人工智慧的賽道夠長，從投資的角度來看就像陣風，但是從趨勢來看很明顯是季風。

2

更加激進投資AI+醫療

過去幾年，我們投了神策數據、桃樹、觀數這種AI+商業的項目，它在某種方式上能夠幫助用戶更好更快地做出決策。像神策能夠幫助用戶做數據整理、漏斗分析，而桃樹主要是給銀行做貸后風控，給電商做選品分析。

AI創業的另一個機會是AI+金融領域。它其實技術整合難度不高，難點在於進入金融場景和獲得資產和客戶的能力。因為這個領域重監管，很敏感。

AI+Fintech我們也很關注，並且投出了同盾這樣的項目。另外，區塊鏈的項目我們雖然沒有投過但是一直在關注，它的優勢在於分散式、去中心，還能保障賬本的可靠性。但它究竟能帶來什麼樣的具體應用是個大問題，比特幣只是一種應用，創業公司可以去關注這裡面的加密技術、性能的提高等。

在AI+醫療方面，比如AI看圖，過去我們偏保守了，但是今年我們會更加激進。在決定要不要投時，一方面我會看重團隊的技術能力和互補性，另一方面團隊的商務拓展能力在醫療領域特別重要。

現在AI看圖的效率和準確率已經比人工看圖高得多，但它的發展速度從技術研究到商業化不會超過六個月，錯過這個檔口就晚了。如果通過技術手段讓醫生診斷看片子的水平提高到世界一流水平，這將會對醫院有很大的促進作用。

AI+工業自動化這塊也是一個點，比如倉儲機器人自動化，雖然有好多家在做，但每家切入的點不一樣，各有優劣勢。

另外，我們會把20%的時間和金錢投在AI、AR/VR里的核心技術，但是不會投平台。比如AI是一個計算密集型而不是存儲密集型的領域，針對它的特殊化雲計算項目我們就比較感興趣。正在考慮投的一個項目就是利用AI技術來給數據中心做工作編排的優化，一年已經幫谷歌省掉至少十億美金，像這種把AI加到一個比較窄的點上就很好，它們普遍的特點是能夠迅速產生效果，戰鬥力極強。

3

AI泡沫將在今年達到頂峰

現在的AI創業，大家都在閉著眼睛投。

大概去年四五月份的時候一批AI創業公司開始拿到閉著眼睛投的錢了，這時被資本堆起來的泡沫就起來了，且會在今年達到頂峰。但是一般公司融到的錢能花12—18個月，忍一忍可能24個月，如果能融到下一輪就是還不錯的公司。

這時，拿到很高估值的公司總要證明一下自己拿完錢后做出什麼東西來了，如果做不出東西來很多資本是要撤出的，只有真正對項目理解很深又比較謹慎的投資機構才有可能堅持下來，所以今年會是一個清洗泡沫的過程。

這時考驗創業者的主要有兩個方面。

第一個是商務拓展。從初始的幾十個客戶到幾百幾千個客戶是一個大坎，能跳過這個大坎的，通常說明這個市場是有機會做起來的，而很多創業者自己想出來的應用場景是很難邁過這個坎的。

另一個問題是，AI最後是要跟業務場景結合的，所以有沒有能力把項目應用到大的場景中是很重要的。就像中科視拓的人臉識別技術最終還是要應用到安防、機場、銀行、小區里。

這輪泡沫清洗完之後，AI創業才會是一個健康的發展方式，但不排除第二波非理性投資人的入場。

其實我們是希望這個領域不要那麼火爆，因為真的沒有那麼多可投的好項目：能幹的人蠻多，但大部分不適合創業。

在AI領域，智能投顧一看就很扯，尤其是2C的投顧。但是如果利用處理數據的能力，幫助用戶提高決策質量，把產品賣給券商、分析師這樣的B端其實還是有機會的。

另外智能家居設計也是比較扯的，說的好像很懸乎，但實際上都是一些規則系統，就像沙發旁邊應該放一個茶几一樣，談不上有什麼智能設計。

4

直接找過來的項目一般不碰

我們一般是通過熟悉的人去推薦人才，直接找過來的項目一般不碰，因為相信信任的傳遞。比如我們投的Seeta中科視拓，我跟創始人山世光老師認識了快兩年，他有近20年的人臉識別研究經驗，後來他決定創業時，我們還去研究所跟領導談了一次，最終決定投資后就把他所在的實驗室商業化了。

總的來說看項目的時候，我會特別注重「三高」人群：高學歷、高平台、高學習能力。這樣的人群主要分成四類：

第一類主要是在BAT有過大數據經驗；第二類是海歸，像Facebook、谷歌、微軟、IBM出來的人；第三類是學術大牛，比如國內高校的教授，國外頂尖實驗室的華人；第四類是校友，浙大還有斯坦福，這兩個學校加起來可能投了有十家。

在看項目的時候對技術水平和人的考量會各佔一半。

因為假設一個項目的行業機會和市場機會都很大，但是團隊里沒有特別有影響力的人，首先組建團隊的時候就會很困難。如果不是和AI領域的牛人創業，人家為什麼要加入你呢？如果只是高薪挖來人，那麼人來得快去得也快，創業公司最怕的就是這種。

第二個問題是拓展市場，創始人初期會自己去跑項目，如果沒有行業積累和影響力，初期的單子很難搞定下來。長期來看，還是需要借鑒IBM、甲骨文、微軟的銷售方式，把大的單子做起來。項目發展到後期，就是看商業模式的可複製性了。

第三個問題是募資能力。創始人要讓投資人明白項目能解決什麼問題，怎麼解決問題。我們看項目的時候會對技術研究的比較仔細，最誇張的會仔細到代碼這個層面。當初投桃樹的時候我就跟創始人楊滔討論了一下午的代碼，這種從粗到細都很強的人對投資人來說很難得。

決定投項目之前，我們會和團隊進行至少三次會議討論，弄清它的上下游，合作夥伴、產業環境等，並對團隊、技術、產品、市場、運營、資本使用這六個方面做探討。之後再考量項目解決的問題，這個問題帶來的市場機會，還有這群人的歷史背景適不適合解決這些問題。

但是我們從來不相信聊十五分鐘半個小時就拿到錢的項目。別人看了半個小時就給了你錢，你拿了人家的錢，說明你很缺錢，而你完全不知道要反過來思考一下，對方到底有沒有弄懂你的項目？反正不管怎麼樣我們對閃婚這個事情一點興趣都沒有。

*本文系小飯桌首發。內容僅代表個人觀點，不代表投資人說立場。如需轉載，請聯繫原作者獲取授權。