腾讯内容开放平台

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！