专访AI List Capital:资本荒之下,如何做AI投资?

专访AI List Capital:资本荒之下,如何做AI投资?

2018年的AI创业和投资正面临哪些挑战和机遇?在其中的创业者和投资者们还有哪些机会?中美AI行业的发展有哪些异同?

写在前面

随着国内金融市场监管趋严,“资本荒”和“融资难”正成为2018年中国创投圈的关键词。

在这样的大背景下,2018年AI创投圈正发生着一幅“冰与火”交织的奇异图景:一面是钱荒,募资难、机构缺钱,随之而来的是小AI创业公司的融资难;另一面却是项目荒,好标的太少,钱快速涌向头部AI公司。可以说是饱的撑死,饿的饿死。这两种趋势齐头并进,我们无法忽略任何一方去理解眼下的AI创投市场。在这场AI行业的集体焦虑中,独角兽们担忧技术红利期即将结束,小的创业公司们则害怕自己熬不过钱荒的“寒冬”。

2018年的AI创业和投资正面临哪些挑战和机遇?在其中的创业者和投资者们还有哪些机会?中美AI行业的发展有哪些异同?为了回答这些问题,我们专访了美国早期投资机构AI List Capital管理合伙人Henry Shi博士。

AI List Capital专注于投资美国早期AI公司,其关注的领域包括AI及相关科技(物联网和区块链)等。这个博士占比已经超过一半的投资团队,目前投资的企业已经超过20家,涉及种子轮到A轮等多个轮次。其LP包括Google、Facebook、雅虎等全球知名上市公司高管、企业家和VC投资人。

聊聊AI行业发展现状

1、人工智能产业的核心驱动因素——基础数据、算力算法、应用场景等目前已经发展到什么程度?

Henry:从基础数据来看,互联网、移动互联网、物联网的发展,促进了基础数据的收集。但目前有效标记的数据还不够多,不少行业的数据需要人工标记才能用于AI算法训练。

在算力和算法方面,云计算的发展提供了很强的算力,目前已能满足大部分narrow AI的应用需求,能支持深度学习技术的大规模应用。目前深度学习在很多narrow AI的应用上表现突出,但需要大量的训练数据和算力,成本较高,借助专门的AI芯片或能降低成本。对于general AI或super AI的算法,目前AI界还处于探索期。

如今,AI的应用场景几乎渗透到各行各业。不过,绝大部分可行的应用场景还是narrow AI。需要general AI的场景(如交互性强的服务机器人)还有诸多挑战,这一领域会是未来的投资热点。同时,部分应用场景(如无人驾驶)对AI的准确性要求很高,算法离落地还有距离,创业公司应该切入可落地的“过渡型”应用场景。比如,当无人驾驶还无法实现时,创业公司或可以先从智能辅助驾驶系统着手。

2、AI+产业,百亿级公司的赛道在哪儿?

Henry:能被数字化的行业,一般都存在着百亿级公司的赛道。这些行业会积累大量数据,而AI能通过分析数据显著提升效率,甚至完全代替人力,这是必然趋势。

不过,考虑到不同行业的落地周期有所差异,我们更关注未来3年内百亿公司的赛道。短期内能落地的百亿级赛道需要满足几个条件:1)AI解决的问题是刚需且可以清晰定义;2)AI解决的问题具有规模效应;AI可提供显著价值(提高效率或降低成本);3)有大量的数据积累或数据采集容易,且数据容易被标注;4)技术的可行性高(general AI的技术难度比narrow AI高不少);5)对AI有一定容错率(对准确率的要求相对较低);6)AI能提供辅助而非直接替代作用(减少应用过程中的阻力)。

根据这些条件,我认为安防、金融、新零售、教育、医疗、娱乐等行业都有潜力成为百亿级赛道,在中国会有较大的落地机会。因为数据更易获得、有政府推动等,中国AI在安防和新零售领域可能走得比美国更快。而美国AI则会在医疗、教育和金融等领域发展得更靠前。

3、在AI的落地中,您比较看好哪类商业模式?

Henry:目前,大部分AI公司采用的是2B模式(2G模式也类似),因为解决的痛点相对明确,B端付费能力较强,这种模式相对容易落地。但其缺点在于:B端客户签约周期较长、需求较为分散,这导致2B公司的发展速度不如2C公司快,同时2B的解决方案比较难标准化、规模化。目前适合2B的细分赛道有安防、AI医学读片、大数据风控、能源AI调度、智能农业、智能营销、智能制造等。

相较而言,2C的AI企业往往市场更大,数据积累速度更快,同时产品容易标准化。目前适合2C的细分赛道有:教育、智能消费、虚拟社交、智能音箱、大数据健康管理、无人零售、无人驾驶、服务机器人等。

一些我们投资的2C的AI公司:ObEN(通过声音和照片,为人们快速打造AI虚拟形象,打造全新的社交体验。合投方:腾讯、软银)、Honey(通过分析你的购物行为,为你打造最懂你的智能购物助理。合投方:花旗银行)、StatMuse(基于自然语言处理的体育类互动问答平台。投资方:Disney、Google)。

4、怎么看AI行业的资本泡沫?

Henry:我认为AI行业确实存在泡沫,泡沫主要来自两方面:市场上存在大量伪AI公司,他们借用AI概念,但并没有真正通过AI显著提高效率或降低成本;另外,很多企业赶上了2016年和2017年的AI风口,获得了过高的估值,但其在商业化方面并没有真正落地,持续烧钱却难以“造血”。

目前,资本市场已经出现了“资本寒冬”迹象,机构的“子弹”变少,在投资时会更看重AI公司的现金流,无法商业化落地、估值过高的AI公司在后续融资上可能会很困难。我认为,2018年年底会是个分水岭。

从细分赛道来看,目前新零售、医疗、无人驾驶等AI领域存在较大泡沫。泡沫大的赛道往往有如下特点:吸引的投资金额大;行业门槛不高,贴近大众;商业落地周期长。

5、面对恶劣的资本市场,对AI创业团队有什么建议?

Henry:创业公司不要盲目烧钱,应先集中火力把当下的技术/产品做好,尽早获得付费客户,达到或接近盈亏平衡。尽可能在发展势头好的时候进行融资,在估值和融资速度间找到平衡。此外,创始人还需要做好三件事:1)不断吸纳好的AI人才;2)保持对AI技术发展的敏感性,关注新技术颠覆现有技术的可能性;3)与客户密切沟通,深刻理解需求和痛点,提高场景验证和迭代能力。

中美AI创投对比

1、走到2018年,中美AI创业公司融资和机构募资有更难吗?两国AI企业的退出正呈现哪些趋势?

Henry:2018年,中国金融市场整体监管趋严,资金面趋紧。未来一段时间,中国VC/PE、股市、房地产等各类资金都会比较紧张,AI行业的投融资会面临较大影响。不过,从一级市场来看,全球AI行业的总体投资仍在不断增长,2017年全年约为150亿美元,2018年Q1的投资总额超过2017年Q1(26亿美元);从二级市场来看,目前中国股市比较低迷,美国相对好但很可能会面临周期性的调整。

专访AI List Capital:资本荒之下,如何做AI投资?

2011年到2018年全球AI公司的募资情况,图表来源:VentureScanner

专访AI List Capital:资本荒之下,如何做AI投资?

2011年到2018年全球AI公司的IPO情况,图表来源:VentureScanner

从退出通道来说,美国IPO和并购市场相对更市场化,早期AI企业被并购的案例正在增多。在中国,AI独角兽企业通过IPO退出相对困难,市场对没有盈利的高科技公司通常持有保守态度。近期中国虽然正在修改发行和上市规则,希望一些掌握核心技术的高科技公司快速上市。但多数中国AI企业收入不多,想登陆A股还是比较艰难。为此,部分AI企业或可以寻求登陆港交所或海外资本市场,或通过并购退出。

李开复此前曾预言,中国AI投资从2016年开始火热,到2017年年中达到高潮。资金疯狂涌入之下,行业的估值被迅速推高。如今,随着中国资金面趋紧,部分尚没有落地场景和变现能力的AI企业,在下轮融资中将面临巨大压力。此外,二级市场的变现低迷影响基金的退出周期,以及去杠杆后机构投资者减少等,也会影响中国AI企业的融资。

相较而言,美国AI行业的投融资比中国更理性——估值更合理,二级市场的退出也比较良性,最重要的是,很多AI企业目前已具备不错的现金流。走到2018年,美国AI企业的融资形势相对乐观。多家美国VC成立了新的AI基金,比如吴恩达成立了1.75亿美元的AI Fund。

总的来说,我们对中美AI公司的未来融资都比较乐观,因为好企业不会缺钱。即使是市场形势暂时有挑战,只要公司有足够强大的竞争力,一定会得到市场认可。

2、中国AI行业的投资目前格局如何?和美国有何差异?

Henry:中国AI行业有几大特点:1)政府对AI产业的扶持强于欧美;2)AI公司不那么注重数据隐私,获取数据更为容易;3)近2/3的资本集中于头部公司,而美国相对分散;4)投资总额和融资节奏较快、企业整体估值偏高,同时退出数量较少。

CB Insights数据显示,2016年中国AI公司的融资额在全球的占比为11.6%,2017年上升到48%,首次超过美国(38%);美国AI公司从成立到种子/天使轮平均需要15个月,中国只需要10个月;中国AI公司的整体估值是美国的1.5-3倍;据不完全统计,2017年全球AI行业有117项收购或上市退出,其中美国有68项,中国只有4项。这既是因为中国AI行业刚进入发展阶段(融资多在B、C轮),同时也因为中国大公司相对缺乏收购习惯,且大部分AI公司没有利润,缺乏被收购的吸引力。

5) 中国高端AI人才的数量明显少于美国(差距10倍以上);6)从细分赛道上看,中国AI企业主要集中于应用层和通用技术层,在基础层(如AI芯片)上和美国差距明显:中国芯片企业的融资额不到美国的1/10,且技术上差距较大(美国在GPU 和 FPGA两个领域保持垄断地位);在应用层,美国企业的应用范围更广,比如在能源、太空、农业等行业应用上发展深入。

中国AI投资多以应用层为主,而美国则是面向全产业投资,除了因为美国AI人才储备更多,还因为中国资本市场整体更“急功近利”,更倾向于较容易变现、研发周期更短的应用层AI公司。

基于此,我们判断,目前中国AI行业不缺资金,缺的主要是高端人才,这造成资本集中于头部企业和整体估值偏高。AI List Capital希望立足美国的人才优势,投资美国有技术/数据壁垒的早期项目,并帮助其拓展中国市场。

3、中美数据发展环境的差异如何影响AI的创业和投资?

Henry:美国对数据隐私的敏感度对AI的发展有一定制约,这也是为什么中国正吸引越来越多的AI公司落地。但美国对数据隐私的保护,让美国企业更加重视数据的安全性,在数据存储和共享方面做得更完善,这对AI整体生态的中后期发展有益。

4、AI是中国独角兽的集中赛道,其中融资占比前三的领域是计算机视觉与图像,自然语言处理以及自动驾驶。光是视觉识别领域,中国目前就有4家独角兽。为什么中国AI领域的独角兽如此集中?中美情况有何不同?

Henry:中国独角兽集中在AI领域,首先是因为政府的推动,比如其在安防、智慧城市等领域的巨大投入,极大促进了计算机视觉的应用。比如,旷视拥有中国十几亿人的生物识别数据,云从科技获得了广州政府几十亿人民币的扶持资金。在这种推动下,商汤、旷视、依图、云从等独角兽企业获得了人才和数据积累上的先发优势。在AI数据的网络效应(Data network effect)下,这些数据壁垒会形成技术壁垒,进而吸引更多客户。这成为这些公司估值高的原因。

目前,中国头部AI公司大部分属于“通用技术”(如视觉、自然语言处理)。这些企业往往具有三个特点:由该类技术的科研领军人物创立;聚集了该技术领域的一批高端人才;深耕该类技术,并应用到不同行业,市场空间巨大。因为这些特点,“通用技术”型企业更容易成为独角兽公司,不过这样的机会正逐渐变少。

相较而言,美国多是大企业研发AI通用技术,创业公司往往偏向行业应用。因为大公司在通用技术领域布局较早,且进行了巨大的科研投入(各大公司都设有研究院)。同时,美国众多独角兽企业原本都是互联网/移动互联网公司,它们是在积累大量数据后自然“转型”成AI公司的,比如Robinhood(AI+金融)、UiPath(AI+医疗)、Tempus Labs(AI+医疗)、Uber(AI+物流)、Instacart(AI+物流)等。

5、中美视觉识别领域的发展和落地情况有何不同?

Henry:中国计算机视觉领域的公司数量超过百家,头部效应明显:头部公司拥有深厚的资本和人才优势,不断地切入细分行业,形成“大者恒大”的“平台型”公司。通过资本来整合其他AI公司往往成为这些头部公司的扩张战略,比如商汤科技和鼎晖投资联合成立AI基金来对AI初创企业进行投资布局。

美国计算机视觉领域缺乏商汤这样的“平台型”计算机视觉公司。美国的AI公司更偏重细分行业应用,除了热门的医疗、教育、零售、娱乐等行业外,在能源、农业、矿业、太空等行业也有较前沿的探索。但因为政府的推动力不如中国,美国在安防领域的应用相对少。

从落地角度来说,中国视觉识别技术在安防领域的落地较好,规模化效应强。但落地较强的仅限于人脸识别,对于智能行为识别(如判断是否打架)方面,现有的技术还面临着很大挑战。在金融领域,中国视觉识别技术在大数据风控、智能投顾等方面都进行了一定落地,但尚未规模化。比如,部分中国P2P公司建立了自己的大数据风控系统,但规模化还较难。在智能投顾方面,美国发展得相对更靠前,比如金融交易所和数据公司S&P Global最近以5.5亿美元收购了Kensho。

在新零售领域,中国智能商品推荐、用户行为分析等都达到了较好的落地程度,但目前绝大多数无人商店只进行了部分环节的自动化,更多处于概念阶段。这个领域还需要更多技术突破,真正落地估计还需要两到三年。

6、“中美贸 易战”可能如何影响中美两国的AI创业和投资?

Henry:关于“中美贸 易战”,我们有如下几个判断:1)中美博弈会长期存在,现在仅是开始,要有打持久战的准备。2)在中美博弈中,中国处于相对的劣势,因为中国对美国的依赖大于美国对中国的依赖:没有中国,美国还可以从其他国家进口产品。但中国出口美国的产品数量庞大(5000亿美元),短时间内很难找到其他替代市场。中国在高技术领域(比如芯片、飞机等)和美国有较大差距。3)美国从贸易入手,根本目的是保护其知识产权和在高技术领域的核心竞争力,因为这涉及到美国的安全和整体利益。

我们觉得中美贸 易战会对随后的AI创业投资有几点影响:在核心高技术(比如芯片)或AI领域的底层技术上,中国资本基本很难进行投资或收购;中国AI核心技术方面的创业会受到更多资本、大企业和政府的扶持,但挑战在于中国AI高端人才缺乏;为了在AI核心技术方面有所突破,中国或将吸引更多海外高端人才回国创业。

聊聊AI投资方法论

1、专投AI的VC难在哪里?您在投资中,最看重的点是什么?

Henry:AI的研发周期较长,早期判断其商业化路径有一定挑战。其中的难度在于,判断AI项目的技术风险及该项目能否解决真正的行业痛点,而非伪需求或浅需求。要想对此有较好判断,投资人需要对AI技术有深入理解。

作为早期投资者,我们主要关注三方面:首先,该AI项目是否提供了清晰的价值(比如具体提升了哪部分效率,提高了多少效率等);其次,AI是否真正解决了用户痛点(是否有付费或试用/合作用户);最后,AI离真正商业落地的距离。

对此,投资人可能需要进一步考虑如下问题:要解决行业痛点,现在的技术是否可行?技术需要多久才能真正落地?技术是否可能无法实现?如果技术成熟还需要几年,是否可以通过过渡型产品来降低风险(如辅助驾驶)?

除了对技术和赛道进行判断,早期投资的核心还在于投人。总结来说,我们看重创始人的经验、野心和决心。值得注意的是,部分AI创业者虽然有很强的技术背景,但商业经验未必丰富,做出的产品不一定能真正落地。

比如说我投资了20多家AI公司(注:部分公司是Henry在正式成立AI List Capital之前个人投资的),包括智能购物助理Honey(花旗投资)、个性化AI技术公司ObEN(软银、腾讯投资)、网络安全公司Shape Security(KPCB、Google投资)、Uber模式的卡车货运平台Next Trucking(红杉投资)、基因测序公司Veritas Genetics(Lilly Ventures投资)等。其中,对ObEN和Honey的投资较有代表性。

2、如何打磨出一支优秀的AI投资团队,让他们跟上科技的发展速度?

Henry:首先需要团队在AI领域上有专业度。比如我们的投资团队成员中超过一半是AI领域的博士,能深入理解技术,和AI公司在一个频率上交流。同时,能帮助所投的AI公司引入世界级的AI顾问。

其次要不断自我升级,很重要的是保持谦卑包容的学习态度,不对新事物主观臆断。在训练团队成员看项目时,我非常强调深度思考,看透本质。我经常会问团队成员:“假如你只能问创业者3个问题,你会问什么?”当你只能问最少的问题时,就会深入思考什么是最关键的元素。

在投资团队的打磨上,我们有如下几条策略:

一、要求每位成员都学习AI,对技术有一定认知。

二、组织团队进行系统化的行业研究。2017年7月到10月,以及2018年的6月到8月,我们分别做了两次行业研究,深入研究了AI和区块链在七大行业(金融、医疗、教育、娱乐、能源、农业、太空)的应用,梳理了超过5000家公司。在研究中,试图回答以下问题:a) 爆发式增长的创业/投资机会在哪里?b) 如何理解技术的本质、局限和趋势?c) 美国有哪些领先中国的技术和模式?哪些具备落地中国的潜力?d) 传统行业的升级转型机会在哪里? e) 发现了爆发式的机会,如何快速把握?

三、与业内顶级的投资机构保持互动,联合讨论项目。

3、可否总结一下您2018年上半年的AI投资?您觉得未来两年AI会有哪些新趋势?

Henry:2018年上半年,我们重点投资了若干AI+行业(教育、医疗、安防、营销)的项目。其中大部分项目在我们投资时,都接近盈亏平衡,并同时具备爆发式增长潜力。目前,约一半公司获得了下一轮投资,回报率跻身美国第一梯队。

未来两年的新趋势:1)结合物联网:更多软硬件相结合的AI项目。比如我们在美国投资的安防、采矿或建筑机器人项目。结合硬件,可以提升这类项目的壁垒。2)结合区块链:区块链解决了信任问题,能促进AI协作和数据共享。3)在能源、农业、制造、太空等门槛较高的行业产生更多应用。4)更多2C AI应用的涌现。

嘉宾简介

Henry Shi 博士,AI List Capital管理合伙人。在人工智能领域拥有10 年以上的科研和投资经验,专注于投资早期 AI 公司。已投资近 20 家美国人工智能初创公司,研究了全球超过 5000 家人工智能公司。

作为连续创业者,Henry 联合创立了南加州地区最大规模的华人创业服务平台 PlusYoou 普创。Henry 为美国南加州大学人工智能的博士,卡内基梅隆大学机器人系访问科学家,曾受邀在Google、Amazon、长江商学院、中科院等机构坐过人工智能的专题讲座。

Henry 在 AI 领域的代表性投资包括 Veritas Genetics(AI+ 医疗)、Shape Security(AI+ 安全)、Honey(AI+ 消费)、ObEN(AI+ 娱乐)、Next Trucking(AI+ 物流)等,这些公司均获得了顶级投资机构(红杉、KPCB、Google Ventures、软银、腾讯等)的后续投资。联系方式:henry@ailist.io。

分享扩散:

改版

反馈