物联网资本推出AIoT领域机构布局盘点专访系列文章

计算机、微电子科技的发展推动了互联网发展，信息技术革命掀起了移动互联网的热潮，每一次的技术革新都带了产业形态的大变革。随着移动互联网进入下半场，物联网、AI等多技术融合也将开启一个万物智联时代。

作为国内专注于AIoT领域的精品投行，在过去的一年间我们与上百家企业、投资人交流探讨行业的发展方向，同时我们看到阿里将IoT(物联网)上升至第五大战略，联想全面发力物联网，越来越多的企业将AIOT作为新的方向，越来越多的VC机构开始在布局，AIoT逐步开始由技术革新走向行业场景落地。

近期格物资本旗下的自媒体物联网资本也将推出AIoT领域机构布局盘点专访系列文章，解读业内知名机构的投资逻辑和特点，为创业企业提供机构选择指南，同时也为计划投资泛智能领域的机构提供参考。

前沿

线性资本LinearVenture成立于2014年，由Facebook早期员工王淮Harry和京东天猫原高管张川Michael共同创立，关注泛智能、大数据领域的技术驱动型早期项目。四年间，线性资本投资了地平线机器人、Rokid、中科视拓、艾拉物联、酷家乐等超过50个创业团队，其中不少企业已迈入独角兽行列。

线性资本的早期定位是关注大数据、人工智能，创始人王淮认为，“大数据应用一定要解决实际的商业问题”，因此，他们只投资那些以技术为核心，并将技术应用到他们所认同的问题上的项目。线性资本正在努力成为最好的应用性数据智能基金（Applied-Data-Intelligence）并逐步打造有影响力的前沿科技基金（Frontier TechnologyFund）。

线性资本拥有3支美元基金和2支人民币基金，基金总规模达到2.3亿美金，三期基金最近也刚刚完成募集，关注数据应用（DataApplication）、数据基础设施（Data Infrastructure）和前沿科技，主要覆盖天使/Pre-A/A轮阶段，单笔投资规模普遍在100-500万美金左右。截止到目前线性资本在该领域已经完了53个项目的投资。

格物资本根据多个公开渠道以及行业访谈搜集到的数据，对线性资本过往的在AIoT领域的投资情况进行了盘点，也为创业者提供相应的融资参考。

1、运作模式——做中国最好的应用性数据智能基金

整个泛智能行业涉及的领域很多，从底层芯片、传感设备、网络技术到技术应用，可以说，未来将是一个泛智能化的时代，万物智能互联。

不同投资机构在这个领域也有着不同的运作模式：

坚持投资“硬科技”的中科创星；

全懂科研人员的创投基金国科嘉和；

专注“天使投资+深度孵化”的联想之星；

活跃于中美以三国跨国投资的耀途资本；

致力于成为“人工智能时代的世界一流VC”的百度风投；

看好工业4.0和底层技术、看重中美两大市场的纪源资本

……

（此前我们也对上述机构在AIOT领域的布局情况进行了深度盘点，有兴趣的朋友可以点击查看）

而在这些机构之中，线性资本则更看重数据的价值，聚焦在应用性数据智能这个细分领域，关注一些能在场景化落地的项目。在4年的运营期内，线性资本获得后续轮投资的项目比例超过50%；7个项目估值成长至超过10亿人民币，其中4个达到5亿美元估值。

下面我们将为大家盘点线性资本在AIOT的布局之道。（需要说明的是由于AIOT技术应用广泛，在项目涵盖上目前还没有特别的统一的标准，我们将按照从底层芯片传感到应用层划分，部分国际企业并不包含其中。更多是希望通过统计了解机构的投资偏好及逻辑。）

2、AIOT投资布局——4年53个项目

从数量上看：根据我们的统计，线性资本4年间共投53个AIOT领域项目（部分海外项目未涵盖），覆盖大数据、云计算、VR、金融科技、区块链等诸多领域。

从时间上看：线性资本在2015年前投资项目在AIOT领域共投资16家企业，2016年开始，线性资本的投资数量逐年递增，2017年出手11次，投资了地平线机器人、Rokid、艾拉物联、Insight Robotics、酷家乐等一批业内优秀企业。

从阶段上看：线性资本在AIoT领域的投资范围相对宽泛，从种子轮到C轮都有涉及，但主要投资天使轮、Pre-A、A轮左右阶段的项目，其中天使轮项目占到总投资数量的43%，Pre-A轮占比22%、A轮项目占到19%。从数据统计看，较少对中后期项目进行投资。

在投资方向上：线性资本聚焦在关注泛智能、大数据领域的技术驱动型早期项目上，尤其是一些数据应用类项目，线性关注的企业普遍特点是：数据驱动，智能为核，最终落地于某商业场景方面，从结果上可以看到线性投资了以数据及智能驱动，在教育、金融科技、物联网、医疗、家居等诸多行业垂直应用的企业。

3、线性资本AIOT的机构策略

线性资本认为，人工智能覆盖的范围非常之广，但目前会先在一些具体领域率先爆发。

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。

另外，ADAS辅助驾驶也是一个典型的场景。线性资本发现，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。

线性资本所谓的泛智能，就是与大数据、云计算、云存储、人工智能、机器人、IoT等相关的项目。之所以这样划分，是因为线性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）。

智能生活这块，线性资本认为同样有很大的机会。如果把出行加进去，就是一整套的智能生活。如果撇开出行看，单纯的智能家庭生活同样很有机会。

在泛智能的硬件领域里，线性资本认为，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。而线性资本目前关注的中心在前者。

线性资本非常看重IoT，但并不太关心联网的问题。线性资本关心的是Ineternet of Intelligence，真正让不同的智能设备为一个场景服务。不同的智能服务互相独立各不关联是目前IoT的最大问题，每家生产商都要自己搞一套，用户必须同时控制多款体验就很差。但这样的状态持续不了太久，各家一定会寻求联盟，形成交叉协议，这是必然趋势。在国外，已经出现了一些联盟，国内虽然现在还看不出来，但线性资本相信，这样的联盟在肯定将来是一定会出现的。

还有一些线性资本零星的思考。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。单纯的监测，检测比如用户一天跑了多少步，意义不大；但如果能对用户的健康预警，告诉用户什么时候过劳了，要赶快休息，这种情况下猝死的概率是多少，这样的服务才是有价值的。当然，现在的技术如果想要达到这个目标，还需要很长的一段发展时间。

线性资本投资过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。棒米科技的这个项目市场很大，但目前有一半用户在海外，因为在国内，推广要通过医院渠道，而这个领域线性不太了解，所以选择跟投：对于不太懂的领域，线性资本会先跟投一两个项目熟悉一下。这也体现了线性对于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，否则线性资本大多持怀疑态度。

什么样的项目是线性会投的？

线性资本聚焦的创业公司，概括起来其实是Applied Data Intelligence——应用性的数据智能，立足于大数据的应用，去解决实际商业的问题。因此线性资本投资的项目，必须同时具备三个要点：大数据、应用性、智能性。换言之，线性只投数据智能领域的商业应用，并且里面一定要有强数据、大数据的东西，同时它一定要解决一个相对实质的问题。初次之外，这家创业公司必须对这个数据有高门槛的处理方法或者系统。线性资本有一套导图论来分解当中很多的问题，比如说分析市场是不是够大、要解决什么样的问题，加起来大概有3、40个问题，最后围绕整个框架写篇论文。

关于人工智能的流程，线性资本也有自己的思考。合伙人王淮把人工智能整个流程中的必要步骤，简单地分成三大块，第一块是数据源，第二块是当中算法的处理（所谓的人工智能处理的方法），第三块就是它的应用。

数据这块，一家好的创业公司必须拥有典型的三个大的特征：

首先，规模要大。对于一个小孩子，只需要给他一张苹果的照片，再让他看苹果并判断其为苹果，问题就不大，但是机器不行。因此，对于机器而言，需要非常多的数据来进行辅助训练。其次是数据必须结构化，尤其在深度学习出现之前的可能更多的是像做反欺诈的时候，很多都是1是1，2是2，都是结构化的数据。第三是特征必须是标注好了的。举例而言，什么是好人什么是坏人，他是什么特征，这个都要标注好。

第二块是算法处理的方法论。典型的机器学习的方法有两类，过去我们大多使用回归算法，决策树，SVM这些原来统计的学习方法，现在比较流行的深度学习，这是过去两三年才真正成熟进入到主流的视野当中。比如，现在做人脸识别的公司都是在过去两三年起来的，以前他们大部分都是在学校科研角度，没有生意可做，但现在，越来越多的方法论被普及，很多从业者也开始尝试着将商业与技术相结合，这也为变革带来了希望。实际上，线性资本其实并不关心公司在算法层面能够达到怎么样的深度，只关心算法本身是否是有用的，是否能提高决策质量，提高决策速度。

第三个很重要的因素是投资人们所关注的问题：应用场景。有的创业公司搞了一堆数据，搞了一堆处理，完成之后不能解决商业实质解决的问题，这就不是一个很好的投资标的。大家对于人工智能的期许其实是比较简单的，但是要么比别人的商业决策更快，要么让决策质量更高，如果连这两个都做不到，那么这个东西就没人会愿意买单，创业公司也没有办法依赖自己在数据处理技术上面建立的优势去实现产品到商品的转变过程。致命的是，如果这个因素没能实现的话，这样的创业公司即使技术再牛，也是不可投的。

从线性资本投资过的公司就能看出这个逻辑：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是基于数据的智能实体化，但它的核心仍然是AI的软件；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。这些公司能提供应用，解决一些有用的问题，而不是只有技术但“然并卵”的东西。

大数据领域的创业公司在创业时主要都得面临上述问题的处理。技术和应用场景往往对于大部分优质的创业公司而言都不是很大的问题，但是数据要如何去获取呢？

王淮指出，创业公司必须有一个原始数据积累的强策略。大部分做人工智能的公司都存在两大问题：数据不是自己的，应用场景不是自己的，虽然自身处理问题的能力很强，但没办法获得数据，这就意味着公司本身是无源之水，干不了很多事情；没办法掌握业务，付钱的时间决策点就取决于别人，必须要求着人家。

对于创业者而言，如果没有特殊的方法，有两种解决这个问题的典型方法：一种是公司本身有历史的数据积累，像线性资本投资的中科院计算所专注在人脸识别19年了，掌握了大量的历史数据积累；另外一种是创业公司的技术很强，其他人愿意用公司的服务，比如同盾科技。

能够满足这几点的创业者，就是一个比较理想的投资标的。

对于创业者，线性资本也有自己的考量尺度：很多创业者比较冷静，跟他探讨问题时很难有热烈的感觉，但他会有很多思考，他明白里面的各种问题，这样的创业者是线性资本所喜欢的。线性资本最怕有激情的人，这类人会把很多东西推到未来，认为船到桥头自然直，很多事情最终是这样子，但是还要认识到：对于问题，一定要有深入冷静的思考，这个思考是需要有深度和有分量的。线性资本很喜欢深度的思考者，跟他交流的过程中，可以感受到残酷的冷静，这是一种极客的素质。包括线性资本自己也努力做到类似的标准，有时候看项目，一两个小时聊下来很兴奋，感觉很不错，但也得遵循一套流程将自己冷静下来，1小时内不做决定(有一个反悔期)。

同时我们格物也发现线性更倾向于有良好学习背景的创业者，对于技术领域的创业并非像有些模式创业，有一个很好的Idea加上一个强有力接地气的执行团队就可以快速推进，在泛智能化领域的创业更多是是依靠创始人多年的教育背景和技术积累。所以我们也可以看到线性资本在做泛智能化投资方面也明显倾向于有良好教育背景和深厚技术底蕴的创业公司。

目前线性资本已总结出一套方法论做支撑，不管是对人、对事都会有更多深入的探讨。正如合伙人王淮所说，“结构化的东西，可预测性会更强一点，假以时日它所体现出来的系统性的回报率可能会更高，成功率也可能会更高。”每投一个项目，线性资本的团队都会写一篇论文，里面方方面面的东西都会有一个系统性的覆盖，这里面对于项目结构、逻辑体系推演，做得都比较严谨。这也是线性资本很突出的一个略显极客色彩的风格。

4、线性资本看AIOT未来

在线性资本看来，人工智能领域目前正处在一个前所未有的蓬勃发展的阶段，因为五大因素的共同作用，人工智能领域出现了很大机会：

第一，设备的普及。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，人们大部分时间是用来工作，而现在，手机成为用户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，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。

第二，数据的积累。这些年，很多互联网公司已经各自积累了几百万、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——这也是当前数据智能在不断发展的一个重要方向。

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；但是当算法从图像、声音当中去学习特征时，这个过程就很困难。深度学习在这些领域带来了很多新的应用，比如近几年声音识别、图像识别、人脸识别等新的应用出现，这些都和技术突破息息相关。

与算法突破相应的，是计算能力的提高。AI说起来容易，做起来却很难，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，当基础架构和计算能力没有发展到今日这种程度时，人工智能的发展也相应地受到了很大的限制，但如今随着基础构架和计算能力的发展，越来越多曾经无法实现的算法成为了显示，人工智能也迎来了爆发的最好时代。

第四，人才的因素。很多人会想当然地觉得美国人才比中国多，但从美国硅谷创业热潮中归来的线性资本合伙人王淮则提出了不同的观点：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，市场已经准备好了迎接人工智能的时代。人工智能公司的目标客户，原先比较传统，对人工智能的接受程度十分有限，但现在，越来越多的传统公司的思维有了变化。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，觉得它会抢走所有的工作，如果自己不赶紧改变，就只能等着被干掉。这让人工智能公司发展客户变容易了（当然，这种想法存在着很大的误区，现在的我们距离人工智能完全颠覆传统商业模式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个因素的相互结合，给人工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。

实际上，大数据、人工智能这些领域逐渐风口化。即使“风口”这个词线性资本其实不大喜欢去用，但也承认，这个时代，在各种因素下，给了人工智能的爆发这样一个可遇而不可求的机会。

但是，线性资本的合伙人王淮同时认为，2017年AI行业的泡沫将到达顶点。随着投资人们的热捧，AI领域内的资本总量会越堆越大，这也就意味着未来5年内人工智能领域会有一个挤泡沫的过程。当然，对于线性资本而言，虽然现在普遍认为AI领域里面泡沫很大，但是真正与智能相关的投资才刚刚开始，这个领域至少还有5年的时间可以有很热闹的投资跟创业的机会存在。而线性资本的目标，就是努力地找到这些带有点牛逼技术却不善言辞，还总有些偏执和小骄傲的创业极客们和他们优秀的创业公司，并且满足他们的需求。

另附：线性资本-AIOT领域投资统计