线性观点｜人工智能走进产业，当前是风口还是泡沫，线性看好哪些投资领域？

6 月底，线性资本创始人兼 CEO 王淮 Harry 受邀参加亚马逊云科技创新大会，与亚马逊云科技首席云计算企业战略顾问张侠博士，就近期人工智能投资心得进行了一场对话，分享了线性资本对人工智能走进产业的分析，线性关注的投资方向，下一个阶段要克服的技术瓶颈以及相关建议，以下为对话视频与文字摘要整理。

张侠博士：在资本市场波动，全球经济处于不确定性行进的当下，回看过去十年，你有什么感受？当下处于什么阶段？

Harry：我先分享结论。我觉得现在是一个高峰下来、在为下一个高峰做准备的调整阶段。跟两三年前的高峰相比，肯定是已经下来了，但是跟两三年后的蓄势待发相比，今天就是一个准备的阶段。

我简单对过去十年做个梳理。我是2012年回国，是像张侠博士提到的过去10年的开端。我以前是工程师，在Facebook的时候负责支付安全团队，最早是Facebook Newsfeed和广告系统第一个版本后台的几个核心工程师之一。这一套经历最主要还是从科技实践的角度。刚回国那两三年在我看来的是整个移动互联网发展起来的最关键的时期。

到了2015、2016年，移动互联网的投资达到一个高峰状态，那几年我认为（主题）是商业模式移动化。智能手机走进千家万户，在这个背景下带来科技产品投资高峰，有很多依赖于新的产品带来的模式创新，像点评——我做过点评一年的CEO顾问——像美团、微信这类的大家耳熟能详的产品都是那个时代起来的。放到更高的层面，在我们看来，就是普通人的生活数字化的过程。

接下来，从2015、2016年开始到2018、2019年左右，我认为发生了两个大的变化。

第一个是数字化产品逐渐变成大众耳熟能详的商品，新的基于移动互联网的商业化的机会大幅度下降，像拼多多这类当时的新公司发展、上市，在我看来是移动互联网时代的落幕。如果要捡宝，可能偶尔能碰上一两个，但是从机会的浓度密度角度看，高峰是在2015、2016年。

第二个是企业的数字化，原来是ToC的个人的数字化，2016-2018年那三年左右的时间，是企业数字化、企业智能化的在中国发展起来的阶段。

从2018、2019到2021年，我觉得是从原来的企业的数字化到企业真正的智能化。AI 与企业里真正的问题深度结合，这个里面有很多技术要走进产业，跟产业合作，把原来谈AI，谈数字化，谈数据，谈算法时飘在空中的理念跟企业中实实在在遇到的产业问题结合。同时，数字化智能化过程也把企业里面很多其他科技问题也带出来了，所以过去三、四年里，还有一个企业智能化的趋势就是硬科技，所以这几年硬科技这个词是已经又变成耳熟能详的词了。

我大体把过去十年国内科技产品创新进程的分成这三个阶段。未来3-10年就是深科技、硬科技跟人工智能与产业深度结合的机会，也是我们所认为的科技投资的黄金十年。

张侠博士：在过去的几年，在人工智能投资的这个领域里，你看到的什么样的发展和变化？市面上有泡沫论、风口论，你怎么看？

Harry：我先提出结论。我觉得泡沫是一定有的，但泡沫分两种，一种是吹出来的泡泡，破灭了就什么都没了。还有一种是啤酒泡沫，啤酒上面的泡沫喝完之后，在下面能够喝得到真实的啤酒，后者这种泡沫我觉得是有味道的，有价值的泡沫。

我认为人工智能的泡沫是有的，但是属于后者，啤酒的泡沫。

确实在这个过程中，有很多趁着热潮来的投资人、创业者会退场。因为做的过程中他会发现技术要落地，跟产业结合、给产业带来价值的过程是很难很辛苦的，并不是一个赚快钱的事儿。大浪淘沙，会淘掉很多投机的创业者跟投资人，能够沉得下心来的投资人和创业者，会留下，也会凸显价值。

创业者和投资人，我觉得需要两种心态，一个是耐心，一个是能够抓第一性原理，真心的去理解、用心搞明白产业的问题究竟在哪里，问题和人工智能有没有结合点，大数据在哪里。所谓的人工智能就是数据对数据的处理，然后处理得出来的我们称它为 actionable insights，也就是能否帮企业预测，或加速企业中的决策，提升决策的速度跟质量。这需要有必须深入到产业的心态，又不会被产业当中原来的思路制约，要有科技的思路，有数据的思路、AI的思路。所以这里我觉得，新的机会对投资人、对创业者都提出了更高的要求。这也是为什么我反而认为这个是最好的、能够试出真金的一个好的机会点。

张侠博士：Harry，我记得你有一个说法，你最关切的是叫所谓“灰科技”，它的定义是能够落地（到产业）的黑科技。那么从技术层面，应用层面，具体的几个投资项目层面，分享在人工智能，机器学习这些领域里面，包括一些行业的应用，泛智能的这些领域里面，你最近看好什么样的投资机会？

Harry：在我们投资所关注的大方向上面，我举两类我们现在非常重视的领域。

一类是最近3-4年我们才重视起来的新的场景。一类是我们在开始做线性的时候就开始关注的离大家的生活非常近的领域。

第一类，更新的领域指的是什么？比如人工智能大数据跟生物医药的结合。生物医药存在大量要抓很多基因数据去分析的情况，这里面存在大量的数据。数据怎么来，这不是自然而然产生，要跟大量的实验、高通量的实验相结合获取，你会有大量的数据以及做数据处理的机会，这些数据又必须要跟产业本身的特点结合。过程中，不管是数据存储，还是数据计算都有机会。这些专业的领域，数据量极大，也是专业数据，所以需要走进产业，用专业的手段去获得。

第二类，本身跟大家的生活比较接近的领域。比如市场营销相关，市场营销中很多分析的工作，像我们早年投的神策数据，观远数据，数数科技，还有最近两年投的径硕科技，JINGdigital，一家专注在ToB营销领域的公司。过去营销分析是把产品定义好，潜在客户定义好，这是在过去没有那么多数据，数据的颗粒度也不够丰富的情况下。但在大数据时代，可以获得高颗粒度的数据理解人的偏好、人的行为。这种大量+高颗粒度的数据，能帮助企业找到人的需求和产品定位的结合点，所以在这里面我们投了大量的科技型企业，让不同的客户能够更好的理解用户，理解产品，然后理解以什么样的方式能够让产品更好更快更准的找到对的客户，以什么样的营销方式触达，把整个链条串起来。营销本身在商业中每年有几万亿的花费。这在我看来，在过去十年是一个黄金金矿，在未来十年依然是一个黄金的金矿。

这两类，刚才我通过一些解释来说明它们都有大量的数据，只有弄清楚这是什么数据才能够真正地应用算法，把通过算法得到的结论跟产业中真实的问题结合。这个过程就是让所谓黑科技变成“灰科技”，真正落地，解决实实在在的产业问题，否则抛开了产业问题，抛开数据，抛开商业决策，空谈我的算法非常厉害每秒钟能够处理多少等等，是没有意义的。

张侠博士：下一阶段，除了刚才已经介绍的医疗行业、市场营销，还有没有更多的有意思的题目？

Harry：针对以大数据AI机器人为代表的前沿科技如何与产业问题结合，我们有一套结构性的思路来应对，我们把它称为“1+1+1”。

第一个1是一个底座，大数据AI的这套方法论需要有一套新的数据基建，这个数据基建包括数据如何获取，数据怎么传输，因为这些数据的颗粒度，采集的频度，跟十年前是完全不一样的，所以**要接触大数据，利用好数据，必须对数据从获取、传输、存储到做计算，在底层都有革新。**让人在用数据的时候，就像水龙头一样，打开就能用，其他人只要去做好上面的算法和思考如何与商业流程结合。

在底座上面，我们分成两类的大的领域，一类我们称它为商业应用，有数据，直接在数据中找洞察，直接为商业所用。我们有个说法叫做DaaS，Decision as a Service，是我们在SaaS的基础上提出的概念，即下一代企业软件应该以大量、高质量、高颗粒度的数据为基础、为核心，而不只是做一个新的基于云的软件让大家把很多使用习惯带到线上就ok了，这在我看来是完全不够的。接着，在做这个新的软件的时候，必须要以商业决策为出发点，把需要的数据全部考量一遍，获取数据的目的最终是为了商业决策所服务的。

举个例子，我们投了一家做招聘的公司，比如说把简历做处理做优化，照需求做匹配，这样对有大量招聘需求的人来说，匹配工作变成机器驱动的，而不是说人来驱动，传统的APS叫application checking system，只把你这个过程管理起来，但效率依然是原来的效率，只不过原来管理用Excel，现在变成用一个云端软件，我们认为这是不够的。一定是要以基于数据预测、有决策的能力作为核心。

另一类，也就是第三个1，我们叫做Industry application，就工业性质的应用，我们用这个词来描述除了大数据AI，还要加上机理模型的应用。这涉及到一个更深的概念，大数据AI、深度学习这东西讲究的是相关性，correlation。它不回答因果关系，causality，（理解）因果关系需要理解事物本身的原理，也就是 Elon Musk 特别强调的“第一性原理”。举个例子，我们投过一家公司叫爱科农，用AI辅助农业种植决策，除了大量的关于作物的数据，还有一个很重要的是作物生长的自然机理模型，没有这个机理模型，大数据其实效率极低，因为它要先在大量的数据中去寻找规律，但是如果有机理模型，只要在机理模型所允许的数据空间中通过大数据去找结论就ok了。所以在Industry applicaiton这一块我们强调把大数据模型跟机理模型结合，能够事半功倍的找到让产业提升效率的方式。

张侠博士：人工智能下一阶段的发展，在技术的层面上可能还要克服哪些瓶颈？

Harry：对。有一个我们看到的问题是，人工智能要有效用起来，需要大量的数据，但在很多实际应用中，找不到那么多数据，这成了很多时候人工智能要落地的一个巨大的限制。

这里面我有三个建议，**一个是关注学术里面的比如说小样本学习，**包括小样本学习、迁移学习、增强学习等等。它们的核心是尽可能降低学习成本、训练成本，尽可能缩短收敛的时间。

第二是刚才提到的搞人工智能如果要把黑科技变成灰科技，一定要走到产业中去，想办法把机理模型和数据找到有效结合， 线性投的很多的企业都是这样，进产业中找到了机理模型跟数据模型结合的点，这个是搞AI的人需要真正花大功夫的。

除了找这个在技术上面的结合点，还有是人才上面的匹配。 比如你懂大数据懂AI ，你有没有COO或合伙人是懂产业的？这一点，在以往，比如在互联网时代是不需要的，有更好，没有也没关系，投资人也完全可以投。但是在如今的人工智能走进产业的时代，如果这样子的人不存在，这家公司、这个团队就可能变成不可投的了。这个是我想强调的，回应我刚才的提到的一定要想办法进产业，把跟产业的机理模型给搞明白，寻找结合点。

第三个，早点把产业方、把客户拎进来。 我们有个概念是说所有的技术本身是没有门槛的，有用的技术一定是问题导向的，如果连产业有什么问题、或者你的技术在解决什么问题都搞不明白，就算把自己的技术搞到顶端，除了做通用的数据库这些类型的可能是可以的——其实数据库这个问题，现在技术都碰上很多瓶颈了，因为在新的产品下，原来关系数据库在很多领域是失效的，所以你看到的是很多的通用型的技术，它是有背后的应用场景的假设，而这种假设现在正在进入一个崩塌的状态——**所以关注技术，前提真的是关注技术所面对的问题，这个问题从哪里来的？**早点把客户拎进来，它的意义在于，**有时候客户可能无法给你答案，但是他能够解释碰上的问题是什么，他的痛苦是什么，早点把他们拎到你的创业的过程当中，就有机会让你对问题的认知更好。**对问题的认知越好，就能够让你对技术做取舍，在哪些方面深究、建立厚度，在哪些方面用其他人做好的就可以了，做更好的取舍。这会让很多搞技术的人事半功倍，否则抛开这些，要做一些绝对的放之四海而皆准的技术，就失去意义了，这三个建议是我想提出来的技术层面的思路。

张侠博士：作为投资人，你是怎么选你的投资对象，还有选了他们以后是怎么来帮助他们成功的？

Harry：这里面我们有很多细节的标准，时间关系我就不谈了。我分享我们的两个大的、“道”上面的追求。一个是Right problem，第二个是Right people。

Right problem是我们所认同的那些、如果解决会给产业带来巨大效率提升/突破的问题，也是技术能够带来巨大杠杆效应的机会和问题，不是所有的问题都值得用大数据、AI的方式去解决。

第二个是Right people，正确的人，这里面我们觉得有三个东西是最重要的。

一个是真正理解产业，在理解的前提下够专业，这个是专业层面。

第二个要求真的是committed，够投入，要有那种舍我其谁、尽情投入的精神。 创业这个过程非常困难，不是说你技术好就一定能够赢，有没有做好准备，在赢之前要倒下七八次，有没有不管遇到什么困难都依然保留“创业虐我千百遍、我待创业如初恋”的心态，这种commitment是我们非常看重的。

第三个我们对人品有一个核心要求，我们叫consistent，言行一致，想的、说的、做的保持一致。 投资这个事也是交朋友，希望交一些坦诚的、真实的朋友，而不是只会跟你说好话、报喜不报忧的人。如果别人可以真正把你当做一个真诚的、彼此依靠的朋友，生命中会少掉很多麻烦的要伪装之类的东西，我们在选团队上核心的就是这个三个大的点，是我们的标准所在。

张侠博士：对想做人工智能等科技创新这类工作的人，你有什么建议？

Harry：我觉得一个很重要的是想办法跟那些在这方面做了很多实践、有真材实料的人好好学习。如果是从业者、工程师，可以想办法加入一个真心在做这种把数据AI黑科技变成灰科技的公司，理解整个反馈闭环是怎么有效形成的，技术是怎么落地的。如果是投资人，不要只想着投完两三年后能赚多少钱，而是要真心的关心产业问题，把这些技术落地的企业投上两三家。

简单来说，核心的只有一个，就是实践，真心的找到我刚才说的符合这三个标准的人，要么创业、工作加入他们，要么以投资的方式加入他们。 想把这个闭环做成，每一个问题上面都要花巨大的精力和心血，而且整个周期非常长的，必须要有耐心，所以我期待更多的人加入到这个实践当中来。

关于线性资本

我们正在招聘人才加入投资团队，目前开放多个职位，详细信息请点击这里。

线性资本 Linear Capital 是一家聚焦于「数据智能 Data Intelligence」以及「前沿科技 Frontier Technology」领域的专业投资机构。

线性资本目前总共管理十支基金，管理总规模约20亿美元。

我们重点关注「数据应用 Data Application」、「数据基础设施 Data Infrastructure」和「前沿科技 Frontier Technology」应用领域的早期项目。投资阶段以天使至A轮领投为主，每个项目投资典型金额为300到800万美元或等值人民币。

目前已在早期投资了地平线(US$3B)、同盾(>US$1B)、酷家乐(>US$1B)、神策、特赞、Rokid、观远数据、思灵机器人等超过80个创业团队。线性已投资项目估值合计约150亿美元。

短期内，线性资本正在努力成为最好的「数据智能科技基金 Data Intelligence Technology Fund」，并在长期内逐步打造成最有影响力的「应用性前沿科技基金 Frontier Technology Application Fund」。