线性资本王淮:从创投角度解析产业互联网
在 2020 年 11 月 19 日举行的 GTLC 上海站上,线性资本 CEO & 创始人王淮进行了主题分享《产业互联网的思维框架、切入关键与创投实践》。他从投资者的角度出发,结合自己的一些投资案例,全面分享了产业互联网里的一些洞见的机会,帮助技术创业者分析如何在产业互联网中抓住良机,实现突破。本文为演讲内容整理。
嘉宾介绍:王淮,线性资本 CEO & 创始人,首届未来论坛青年理事会主席,美国 Aspen 学会 Fellow。目前聚焦投资数据智能技术驱动的创新项目,投资过地平线,同盾科技,酷家乐,神策数据,Rokid,特赞,观远数据等;曾任大众点评,百姓网的 CEO 顾问;是原 Facebook 第二位中国籍工程师和第一位中国籍研发经理;他还是斯坦福大学硕士、俄亥俄州立大学硕士和浙江大学学士,著有畅销书《打造 Facebook》。
大家好!我将从投资人的角度出发,讲讲技术如何走向产品化、商品化。我虽然身处投资行业,但最早也是工程师出身,所以对技术的方面的创业投资也比较关注。
接下来的分享将分为几个部分,首先会对线性资本做一些介绍,然后会回到对黑科技和灰科技的理解,阐释如何将有效灰科技在产业中落地实施,最后分析前沿技术背后的产业价值、商业价值,以及投资回报。
关注灰科技,做最好的数据智能基金
线性资本成立于 2014 年 9 月份,相比一些耳熟能详的基金,目前管理规模还较小,AUM(资产管理规模)目前在 50 亿人民币左右。拥有 4 支美元和 2 支人民币基金,虽然规模比较小,但我们的 LP 是全世界最好的。
我们当前青睐的是偏向技术型的创新早期团队,希望在这些创新队伍的初始阶段,别人尚未看到业务模式成熟、商业模式可复制点的时候,为其可能的未来买单,这个过程需要很好的判断逻辑,也需要独特的视角去筛选和驱动。
线性资本的愿景是做国内最好的前沿科技基金,所以我们十分关注前沿技术在产业的落地——以数据智能为代表的前沿科技,包括跟 5G、机器人技术、软硬结合的方式,这些最终可落地的技术才能给产业带来变化。
要如何去判断和甄别这些技术,核心要素是研究其中的数据数量、数据的质量,以及如何处理和应用数据。在泛 AI 驱动的技术中,企业对数据进行有效处理,才能基于数据算法,做出更好或者更快的决策,最终让机器从协同走向替代,形成闭环并不断地迭代。
拿自动驾驶来举例子,被重点关注的是 Sense、Plan、Act 和 Feedback。Sense 是为了得到 data,Plan 是为了去实施算法,在商业的角度能够 Act,最后得到 Feedback,形成一个闭环。
线性资本想要做最好的前沿科技基金,对技术的关注和判断也有自己的方式。接下来重点分析“黑科技”和“灰科技”的区别,论点在于黑科技不能太“黑”,必须要“灰”。
技术在演变过程中其实对应了三类黑科技,分别是自动化、智能化和融合化。
第一类是自动化。其实整个工业革命都是在进行自动化,原本需要生物做的事,逐步变成用机器来操作。汽车、机器的产生等等,包括数据智能中相对容易的数据收集,总结做汇报、展示,Excel 的使用等操作都是自动化。
第二类是智能化。自动化到一定程度渐渐不能满足更高的需求,大家都知道人工智能已经发展了 50、60 年,但真正走到千家万户、走到产业中也就是最近 10 年的事。它做的就是基于大量的数据和算法,技术从代替体力劳动走向了代替脑力劳动,最终把脑力活动自动化,也就是智能化的体现。接下来二三十年,机器会从方方面面替代脑力活动。
第三类是融合化。自动化和智能化和各种产业结合之时,出现了一个必然的趋势——融合,把一些数据方法、智能方法、算法,跟需要产业里最实际的“Know-How”相联系,并走向“Domain Knowledge”,甚至更深的“Domain Tech”领域。
举个例子,如何把路径规划跟高通量的微流控技术结合,通过前沿技术和专业领域的结合实现突破就是这个方向,我觉得未来最大的挑战、最大的收益也是在这个层面。
说了黑科技,接着谈谈灰科技。灰科技是黑科技的升级版,把问题带到技术的讨论当中去,最终解决实际问题,且比原有方式好上十倍到一百倍以上的黑科技,我们就称为灰科技。
所以灰科技必须要和实际问题结合,这也是会作为判断的一项标准,一个技术是否值得投资,最关键的一个方面,就是说清楚这项技术最终能够解决什么问题。
用技术解决问题,从人才到战略的选择
解释了灰科技,“有效灰科技”就容易理解了,说的是要把灰科技和有效的、大的、有意义的行业问题相结合。如果产业非常大但比较落后,等使用 data、AI、传感器、5G、机器人等等技术,形成一套解决方案之后,才发现这个产业无法使用这些技术,那就是无效的工作。
此外,技术落到产业当中时,必须要充分了解行业状况,包括它里面数据情况、现有的实际决策方式,判断技术在和这些情况结合的时候,能不能辅助甚至替代它,使用技术之后决策的效率跟原来的相比,会不会高上十倍到一百倍,这也是我们会着重判断的依据。
所以我们在衡量一项技术是否值得投资时,一定是从 Problem-oriented Technology Stack 这个角度出发,千万不能抛开现状和问题纯粹谈技术。
很多人都熟悉“Product Market Fit”这个观念,但技术人尤其在早期进入创业的时候,第一个想到的不应该是“Product Market Fit”,应该是“Technology Problem Fit”,这两个存在很大不同。
依我看,创业过程就是寻找“Technology Problem Fit”问题,然后找到 Problem 到 Market 的方向,最后能够转化为“Product Market Fit”问题。在技术层面有三个要思考的问题:你能提供什么?客户想要什么?你究竟要卖什么,怎么去卖?找准这些就有机会实现突破。
比如我们投资的酷家乐,它最初的黑科技是做群核渲染,专注于如何快速进行渲染,这项技术最后被用在了家装设计的效果图渲染,传统方法需要 4-24 个小时才能出来的效果,酷家乐只需七秒钟。凭借这项技术,它们在软件层面达到了 70-80% 国内市场占有率,一年能达到 6 亿左右的收入。
说了技术层面的因素,接下来说说人才的方面,要让一些前沿科技落地,需要对人才有什么样的要求?通常而言,既能实现技术,还能达成“Technology Problem Fit”到“Product Market Fit”的演变,需要三手抓。
第一个是技术能力,他必须是懂技术懂产品,原来做技术或者有技术现实的场景,将是不错的选择,最好是能给项目带来 10 到 100 倍的效率提升,这也是未来人才的一项标准。
第二个是懂行业,知道问题核心在哪一端,能够具有从问题那端出发的视角。
第三个是商业化能力,具备了好的技术、切中了问题、搞出了好的产品,还要学会把产品用客户接受的语言和方式卖出去,客户收到之后,还要提供后续的服务和支持。
综合来看,人才必须是多元化的,我非常鼓励搞技术的人,多做一些“不务正业”的事,和不同的人打交道,接触一些业务相关的事情,触发对业务的不同思考。
在当前的环境下,我们看重的团队人才组合,是技术和产业的相互补充。我们很希望看到 CTO,CPO,产品技术加上行业里出来的人,或者 Sales/Marketing/COO 都可以,CEO 最好是做过很多产品的、技术背景的人或者产品经理,对某个问题有巨大的热情,想从团长变成司令。这是我们特别愿意下注、和各位一起成长的角度。
讲完了人才的层面,接着说一说从黑科技到灰科技如何去实现。
用一个比喻来说,从黑科技到灰科技,很像是上山下乡的过程。包括投资人也一样,要去做苦活、累活,充分了解产业的详情,熟悉里面的生产流程,包括现有的生产方式、生产流水线,以及你用到的技术水平,行业在国内外的发展水平等等。
比如我们写代码、写算法的员工,在 AI 农业的案例中,就会到庄稼地里跟人讨论玉米、小麦如何种植,了解和分析哪些技术能够实现稳定高产,这个过程的目的就在于搞清背后的核心逻辑。
把握产业大机会,挖掘潜在商业价值
最后讲一下产业大机会里的一些特点,分析这里面存在的一些机会和未来的发展。
第一个特点是数据智能的五大驱动要素日益成熟。社会发展到了一定程度,自然会出现新的机会。比如说大数据的大规模积累,每年至少有 5-10 倍的数据量增长,算力在过去十年每年会增长 10 倍。
在图像、音频等非结构化数据处理上,深度学习带来了十倍到百倍的优化,同时手机、摄像头、音视频的涌现,为这些技术找到了应用的舞台。
但许多产业赚钱也越来越难,必须要通过技术实现增收、提效和降本,最好是通过这个话题跟产业里的人群沟通交流,和他们建立起联结。
第二个特点是数据、智能、软硬结合的产业化逐渐变为主流。我们认为未来十年 90% 的工作要么被协助,要么被替代。自动化是对体力劳动的替代,智能化是对脑力活动进行了替代,现在发展起来的低代码、无代码,以后还会带来更大的革命。
虽然具备了这些特点,但现实还是很骨感。所以还要注意策略问题,创业中在 Day One 要用这些工具,可能会面临一些挑战,比如“AI + 种地、AI + 养猪”最初期都比人工差,需要协助他们进行产业里大企业的预期管理,孜孜不倦告诉企业老板这一定是未来。
因为一旦通过技术、数据、组织架构、决策流程等方向的配合,最终会实现“AI+ 技术”超越人的决策效能,到时候机器是 7 X 24 工作,只需支付电力、硬件的折旧费就可以了,这将会是未来的一个趋势。
说了产业大机会的特点,再分析一下这个行业的一些机会。
对比中美的市场差距,单看 SaaS 领域就会知道我们的空间非常大。美国 100 亿美金以上的上市公司有 50 家,中国是 0,但两个国家中小企业都达到了 3000 万家,预计国内有技术扶持,达到百亿美金以上的公司,在未来十年至少会出现十家以上。
所以在国内不管做 To C 还是 To B,只要你存在创业闭环,就是生而逢时、生而逢地,有着巨大的市场可以去挖掘。
另外还有一个十分关键的趋势,各行各业对于数据的重视度、数据质量、数量,以及颗粒度都不相同,颗粒度很重要,它是在不同的维度描述一个事件,让问题够高纯度地还原,这样才能基于大数据进行有效的建模,实现技术闭环并达到效率的最大提升。
同时要进入到一个产业中,和他们做技术降维合作时,产业中一定要存在叛逆者或者说不满的人,这类人通常不能直接给你赚钱,但这些人都是属于 Bridge man,会带来很好的后续收益。
另一个关键之处在于,选择投一家企业时要留意它在横向或者纵向上是可扩展的,我们的目的是借着这个点改造这个行业,而不是只改造行业当中的一个点。
如果酷家乐只是把效率提升了一百倍、一千倍,仅仅只关注于家装渲染,其价值最多也就一百亿,但在几万亿的家装行业当中,有很多的机会去连接和扩展,所以扩展和复制就很重要,我们最近跟他们合作了一个平面包装类的展览,就能把这种能力复制出去。
在这个方面,我们还有很多被投公司的案例可以说明。
比如时谛智能。在鞋子设计的过程,借助了 SaaS,把整个过程线上化,完成了鞋楦的自动设计,在扫了八万多双实体鞋楦的模型做对比,那就可以自动建模,将鞋子的研发周期从 90 天到 3 天,这带来了十倍到一百倍的效能提升。
又比如全应科技,对管理控制参数实现自动优化,目前在中国也达到了几万亿的市场。
在整个 2020 年,我们最关注的方面包括:AI 工业应用, AI 线下零售, AI 建筑科技,以及 AI 医疗。
很多新基建的产生,并不是因为中美对抗而导致了新企业的机会,而是因为这些应用场景在中国一点不比别人差,导致技术能力也做到最优。
我的内容就到这里,非常高兴能和大家分享线性在前沿科技怎么跟产业结合,希望这些的思考和观点,能够给大家带来一些帮助。最后提一下我们的愿景:希望成为创业者在穿越创业沙漠时最信得过的伙伴!
谢谢大家!