线性资本王淮：一拍脑袋就投谁不会，别把创业者搞浮躁了

文丨石慧

王淮是典型的技术男出身。他是Facebook早期员工——2007年加入，是其中第一位华籍研发经理。但随着Facebook的扩张，“老员工”王淮找不到初创公司的感觉了。他决定换一种生活方式。

如今，他与前京东、天猫高管张川一同创立了线性资本，关注大数据、人工智能，投资Applied Data Intelligence——业务性的数据智能。“以技术为核心，并将技术应用到我们认同的问题上，我们才会投。”王淮说，“大数据应用一定要解决实际的商业问题。”

显然，技术出身的王淮并不仅仅关注技术本身。来自温州的他，身上还带着温州商人的精明。

数据智能要强应用、商业化，是他的投资逻辑，这从线性投资的项目可见一斑。目前，线性资本投资了33个项目，包括中科视拓、神策数据、地平线机器人、Rokid、艾拉物联、ThinkingGame数数科技、杭州同盾科技、Ping++等。

在王淮看来，人工智能的热潮已经来了。不管他并不是很喜欢“风口”这个词，他暂时也只能用这个词形容现在的人工智能领域。

他给自己定了一个小目标：投出两家10亿美金的公司。“然后再说别的。”

王淮希望，大数据、人工智能创业者能第一时间想到线性资本。“所以我们必须聚焦。明白自己擅长什么，不擅长什么。”他说。

以下为王淮口述，经创业家&i黑马编辑：

我是技术出身，2007年年初进入Facebook做工程师，2012年离开。我是Facebook的早期员工，加入的时候公司只有100多人，到我离开时，已经到了4000多人。

在那时，我就有后来创业的想法，我在雅虎待过一年半，对大公司的运作有了一定的认识，我想去尝试一下不同的生活，于是就去了Facebook。当时会加入Facebook，我觉得它是家有趣的小公司。那时没想到它后来会做那么大，但是那些人我觉得非常有意思。后来离开也是，我觉得最好玩的日子已经过去了，接下去的也许就是按部就班的生活，想有一个更大的改变。但我觉得打工我不可能再去第二家公司，公司对我们实在是太好了。

我回国以后，看了一圈，2012年底打算做投资，和张川、薛蛮子三个人开了公司，拿自己的钱做投资。两年后，我们想做得更专业，就创立了线性资本。

我们现在做投资，也是用当初创业的感觉去做。我们做了线性资本之后，逐渐机构化，我们自己有一系列方法论，怎么看一个项目，形成了相对成熟的一套模式。整个过程，更像一个创业公司，从无到有，慢慢成熟。现在圈子里提起投大数据、人工智能，我们的影响力都在那里，我们努力得到了回报。我真的觉得这个过程挺好的，就像一个小公司慢慢做起来的典型的过程。

我们一直是以创业的心态去做这件事，能不能做成不知道，但我们要先定一个小目标：投的公司里出两家10亿美金的公司，1亿人民币投进去，10亿美金的估值出来。

我们很重视投后管理。对我们在董事会上的公司，会有季度性风控，月度性通电话、见面。我们有一套框架来诊断一家公司，主要了解五大问题：团队、市场、产品、技术、资本；五大问题下有三大纬度：过去一个月发生了什么大事；处在哪个状态的问题解决了；没有将来你的重心是什么，我们怎么帮到你。

投后管理主要做三件事。第一，在一些核心问题上，我们自己以及请来的牛人会做他们的顾问。第二，帮助他们进行核心岗位的招聘。第三，帮他们完成接下来的一到两轮融资。

我们把身边的投资机构分成三类，对接融资时就从这三类里找。一类是family VC，是和我们有共同LP的基金。二是old friends，是我们合作很多的基金，比如GGV、IDG、红杉。三是new friends，是跟我们关系很好、想一起合作的基金。

我们投的项目最大的问题可能是商业模式还有待验证，但当初我们觉得它有机会才会投，基本上帮他们融到下一轮问题不大，线性投资的33家公司，现在至少有10家融到了下一轮。

我们做投资，这么些年下来有一个巨大的体会，就是说你如果只去抢“风口”，这些机会你看得到的机会，别人也看得到，但你不但要看到，你还要看得懂，“懂”带来的结果就是“快”。一拍脑袋就投谁不会，但是我觉得现在投资已经过了“抢”这个阶段。抢就是仓促，你也反过来让创业者也仓促了，本来可以扎实做事的创业者，被你这样一搞心里也浮躁，这对任何人没有任何好处。所以只能是聚焦，看懂，在保证决策质量的情况下，比别人时间花得更短，才能够投得更快，而这种快就是有意义的，不是单纯去“赌”。

投资还有一点，就是要“投得进”。如果你足够专业，做到标杆，能让大数据、人工智能领域的创业者第一个想到你，那就很不一样了，我们想要的是这种效果。今天在业内，做大数据、人工智能的人应该都知道我们了。我们要明白自己擅长的和不擅长的，做强聚焦。

从最近6个月开始，大数据、人工智能这些领域逐渐风口化。但是“风口”这个词，我们其实不大喜欢去用，只是说这个时代，在各种因素下，给了这样一个机会。原来我们有60%-70%是看这块，现在，我们是100%投入在做这块。

现在，人工智能因为几大因素，出现了很大机会。

核心因素是移动智能设备的流行，触屏把人们原来花在PC互联网上的时间，大幅度地拉长了。原来在PC上，大家大部分时间是用来工作，而现在，手机成为我们kill time的主要工具。这种设备创造出了一个巨大的市场，这个市场就是每个人的时间。如果把它用人和时间等单位来衡量规模的话，我觉得现在这个市场的规模至少是原来Web时代的5到10倍。时间需要产品去填补，填补过程中大量积累了数据，数据就产生了变现的需求。

因此，第二就是数据的积累。这些年，很多互联网公司各自积累了几百万、上千万的用户数据，都非常有价值。但这些数据间，存在孤岛效应，这些数据是没有办法交叉的。比如，一个互联网金融公司，和一家电商，它们获得的数据体系、性质都不一样。但如果它们能够放在一起，形成数据集，带来的价值会大很多，会产生一加一远大于二的效果。

第三，算法的发展，在过去几年有了很大突破，比如说深度学习。传统的数据挖掘方法对强特征问题很有效，比如反欺诈；但是对于从图像、声音当中去学习特征，就很难了。而深度学习在这些领域带来了很多新的应用。近几年声音识别、图像识别、人脸识别等新的应用出现，和技术突破是息息相关的。

与之相应的，是计算能力的提高。AI说起来容易，做起来很难，比如说深度学习的计算量对云计算也提出了极高的要求。三四年前基础架构和计算能力没有发展到这种程度时，要做人工智能也是做不起来的。

还有人才因素。有人觉得美国人才比中国多，我不这么看。过去几年，BAT以及二线互联网公司积攒了大量数据，数据需要人来处理，因此训练出一大批有实践经验的人才。而美国，主要是Facebook、谷歌、亚马逊、微软等公司，培养的人才偏理论型，在实践上不如中国。

最后一点，市场已经准备好了。人工智能公司的目标客户，原先比较传统，现在它们的思维开始变了。我们要感谢马云对DT时代的传播，但是，AlphaGo带来的影响更为巨大。AlphaGo虽然下的是围棋，但让很多中国人以为深度学习已经来了，它会抢走所有的工作，你要是不赶紧改变，就等着被干掉吧。这让人工智能公司发展客户变容易了。当然，这种想法还有很大误区，被人工智能完全颠覆的那天真正到来，还有很长时间，但是，这却让人工智能推广的难度大大降低了。

这几个因素造就了人工智能的热潮。这是一个数据依赖技术进行变现的时代。这5个因素，给了人工智能，或者我更愿意称它为“数据智能”，带来了极大的商业机会。很多投资人也开始关注并进入这个领域。

但是我认为，不能走偏。现在也有很多项目，并不是很“智能”，而是努力向这个概念上来“靠”。所以，要同时具备三个要点：大数据、应用性、智能性的项目，我们才会投。

我们聚焦的领域，概括起来其实是Applied Data Intelligence——业务性的数据智能。立足于大数据的应用，去解决实际商业的问题。我们投的项目，是以技术为核心，但我们的关注点在应用上。我不会单纯因为这个项目的技术牛而去投资，它要将自己很牛的技术应用到我们认同的问题上。

大数据应用一定要解决实际的商业问题。很多SaaS只是数据和数据应用，把传统的、低效的东西在线化，但没有思考如何处理数据，从中做些文章。比如税收类应用，如果只解决数据问题，那是很普通的SaaS。而我们在意的是，它能不能进一步提供增值服务，比如能够准确反映出企业健康状态来。

从我们投的公司就能看出我们的逻辑。我们的投的神策数据是数据服务公司，可以通过用户画像，从而分析公司的发展趋势；智能机器人Rokid，它是基于数据的智能实体化，但它的核心仍然是AI的软件，并非单纯强调硬件；地平线机器人提供的AI解决方案应用点也非常广，比如它目前在辅助驾驶ADAS这方面的应用，就体现了这一点。它们能提供应用，解决一些有用的问题，而不是只有技术但“然并卵”的东西。

在Applied Data Intelligence这个大的架构下，我们主要投三大类的项目：泛智能、基于数据的Fintech（金融科技）和VR/AR的核心技术。前两类我们投了不少。

我们所谓的泛智能，就是与大数据、云计算、云存储、人工智能、机器人、IoT（注：Internet of Things，物联网）等相关的项目。我们之所以这样划分，是因为我们有自己的一套逻辑链：有云技术才能实现大数据的存储和处理；在数据基础上才能做机器学习和人工智能的开发；而开发出来的模型需要落地，它们要么让数据流通得更快，要么让决策做得更好，也就是说，这些终要变成服务，我们把它称为DAAS（注：Data-as-a-service，数据即服务）。

*线性资本合伙人王淮（受访者供图）

在泛智能的硬件领域里，我们认为，机器人有很大的机会。机器人可以分为两大类：一类是家庭型、娱乐消费型，也就是2C的，另外一类是B端的。而我们目前关注的中心在前者。

我们非常看重IoT。但我们不太关如何心联网的问题，我们关心的是Ineternet of  Intelligence，真正让不同的智能设备为一个场景服务。不然我回到家，空调打开一个App，电视打开一个App，窗帘再打开一个，我就累得半死了，这哪是物联网智能家居，变成我为家居服务了。这是目前IoT的最大问题，每家都要自己搞一套，体验就很差。

但这样的状态持续不了太久，大家一定会寻求联盟，形成交叉协议，这是必然趋势。但是，这并不是会非常顺利的过程，中间肯定会有博弈。在国外，已经出现了一些联盟，国内虽然现在还看不出来，但肯定将来是一定会出现的。

人工智能会先在一些具体领域爆发。

金融是一个强数据的领域，智能化能够加强数据的作用，所以在互联网金融里面应该有很强的应用。另外，数据性很强的消费领域，从消费品、安全等相关角度，例如用户画像、智能推荐，以及智能导购，都是基于数据可以用AI机器人来帮助实现的。

ADAS辅助驾驶也是一个典型的场景。其实，我们发现，很多行业，最大的市场都在“吃喝玩乐行”，对于人工智能而言，“行”现在是最容易被影响的，因为它是强技术性的。“吃喝玩乐”，虽然技术会给它们带来一定帮助，但是内容和渠道方面，它是有很强的反向控制性的，人工智能要切入是一个巨大的问题。而“行”是一个全新的领域，因为原来像地面交通、空中交通这些都是传统公司来做的，滴滴这些新的公司的进入，为它们带来一个巨大的颠覆。

在数据层面，我认为，滴滴肯定是倾向于自己去做的。但是不要忽略了传统渠道的威力。像OPPO、VIVO、小米、华为它们的“战争”形态，我觉得是很有意思的。互联网让世界成为平的，但是人口数量和层次的差异、城市之间和城乡的差异，给中间过程带来了很多的机会，只要你抓住了，能够做不少事情。所以不要小瞧传统厂商，它们中有很多其实非常技术化，只不过它们的传统技术是跟车相关，互联网不一定擅长。百度做无人车，它擅长的还是数据的收集和导航、服务，以车为核心的部分，我估计还是要跟传统厂商合作，所以最后大家会是一个混合体。

智能生活这块，我认为也是有很大的机会的。如果把出行加进去，就是一整套了。如果撇开它看，就是智能家庭生活，我们觉得这一块很有机会。

还有一些我们零星的思考。比如说，健康相关的，不仅限于监测，而是回归健康的本质，比如对人的健康产生预警作用的。只是监测，比如你一天跑了多少步，意义不大；但如果你能对我的健康预警，告诉我现在过劳了，要赶快休息，这种情况下猝死的概率是多少，才是有价值的。但现在技术还达不到。

我们投了一个做女性体温计的项目，通过体温曲线，可以测出受孕、避孕几率。这个项目市场很大，但目前有一半用户在海外，因为国内要通过医院渠道去推。这个领域我们不太了解，所以选择跟投。对于不太懂的领域，我们会先跟投一两个项目熟悉一下。这也体现了我们对于AI商业应用的态度：能实实在在产生作用的，才值得投，太远的东西，除非相信它的未来，否则我们大多持怀疑态度。

像Seeta中科视拓做的是人脸识别。它能切入生活的方方面面。人脸识别的核心是身份问题，什么时候你需要证明“你是你”，都可以用得上人脸识别。但现在技术还不成熟，还没有真正爆发。另外，人口数量太大了，即使人脸识别的出错概率低到千万分之一，那出错的人数也很多。所以它现在只能在一些限定条件下辅助人力。未来，在银行、公共安全监控等领域，人脸识别都会有大量应用。而且，人脸比起其他的识别方式，能够做到自然的、无监督的、安静这种模式下的一种识别，所以还有很大商机去挖掘。

在国内，人工智能领域创业面临着两个最大的问题，一个是数据，另一个是应用。很多创业者，他拥有的是算法、是技术，但是数据不在他这里，应用也不在他这里，这两块还要去说服别人，是典型的两座大山。这些数据源人家为什么要给你？这有一个信任成本的问题，要么是我相信你一定个比我强，要么是我没有办法了，不得不试一试。这是个难点。另外一个就是应用，你得解决一个实在的商业问题，但商业问题并不在人工智能行业的人手中。比如自动驾驶，车厂是控制方，它是有话语权的。你要找到商业场景，并说服它们应用你的技术，这又是一个难点。