线性资本王淮：我眼中的过去和未来

Mr L

上周，线性资本创始合伙人王淮做客AA加速器未来公开课，给大家分享了题为《我眼中的过去和未来》的演讲，长达一个半小时的演讲，近两万字的文字速记，讲述了他许多有价值的思考，比如：为什么有的创业者看似得道多助，而你却孤立无援？该如何对待那些“不满”的员工，为什么说他们可能是你最大的财富？能生成万字报告的投资决策方法论包含了哪些重要问题？为什么甄别创始人是倔强固执还是坚持至关重要？王淮最想分享的经验和教训是什么？……

Mr L

王淮，线性资本创始合伙人，原Facebook中国籍的第二位工程师和第一位研发经理。做过News Feed和Social Ads后台，写过虚拟货币的前端，调过支付安全的大数据模型。任大众点评，百姓网和CSDN的CEO顾问。《打造Facebook》畅销书作者。斯坦福大学管理科学和工程专业硕士，浙江大学计算机学士，Aspen Fellow。投资代表案例包括点融网、地平线机器人、Rokid、同盾科技、Ping++、Ayla物联、亿航无人机等。

（以下为王淮演讲实录）

谢谢AA加速器，我今天给大家分享的是我对于过去跟未来的一些想法。

我准备这个PPT的时候，是站在创始人的角度去思考的，但出发点是基于员工的角度。希望对大家有一点用。

Choose your battlefield 

要选对你的战场

第一个是什么呢？Choose your battlefield，选对你的战场。或者我们从创业的角度，就是方向，你要解决的问题。Don’t go with uphill fight，什么意思？很多人很聪明，但在一个小的方向折腾了很多年，赚到一些钱了，但一直做不大，因为它发展的空间太小。

我为什么提到这点呢？我以前是一个工程师，但最后两年的时候，我转做研发经理。当时的一个机会在哪里呢？Facebook对他的支付系统非常重视。只要有钱经过，账户的安全性和重要性就会一下子提高很多。美国人有一句话，Don’t fuck people’s money，就是你不要让他们的钱遭受到哪怕一点的损失，因为别人会因此跟你死磕到底。

所以这个事情大家很重视，老板就问我Herry有没有兴趣负责这一块，我犹豫了两天，最终承担下来。如果是行内的大家都知道，在东南亚和乌克兰的一些镇子是以欺诈为生的，一个镇给美国每年造成的损失大概就是几千亿美金。当时支付系统在推的时候，就遇到了来自东南亚的危机。

有一段时间这个问题变得巨严重，在虚拟货币领域，facebook每收100块，大概损失是10块，至少10%的损失率。老板说怎么办？其实facebook能承担得起这个损失，在中国也许大多数会觉得我如果赚100块钱虚拟货币，因为没付出成本，我损失10块钱无所谓，facebook当时也是这么想。但是信用卡公司不买账，美国的规定是，如果你的欺诈率超过1%，他会取消你收信用卡的权利，收不了信用卡，对facebook是死路一条。所以为了这个事情，我们当时马上建团队，最多的时候到十几个人吧，把整套系统做起来了，最后基本实现了全自动。

所以这个好处在哪儿呢？在facebook，我要去招人的时候，那段时间从上到下都非常支持。当时我们VP就说，这件事情干不好，整个公司一分钱都收不到，要多少个人给你都可以，这是在职场里面。

在创业的时候也是的，最怕的是你选择了这个方向，折腾了半天，发现谁都不支持你。如果你干的事情，对大家没有意义的话，那你一定是一个uphill fight，别人不帮你的。要想明白这个东西，而不是说我这个产品牛得不行，你们不用是对不起你们自己。没有人会这么想，你一定要想想再高一个层面，想想你这个公司所处的生态系统，这个结构。

Anything can be possible，if…

一切皆有可能，只要…

第二个就是，Anything can be possible，一切皆有可能。这一点主要是针对扎克伯格，从一个很小公司的老板变成大神级的看法。我们刚到facebook的时候，头一两年和扎克伯格每周有一次交流，那时候对他印象并不深刻。但能看到他的成长非常厉害，尤其离开facebook之后，10亿美金买Instagram，190亿美金买WhatsApp，有点太疯狂了。

一开始去Facebook我蛮犹豫的，给一个比我小3岁的人打工，这个事会不会靠不靠谱。后来发现老板选对了，他能够handle整个事情的能量，远大于他的同龄人的水平。所以我最后得出的一个结论是——Anything can be possible ，if you can assemble a team that can work hard and smart（译：如果你能够聚合一群能力高又勤奋的人，那什么都能干成），他找了一群很牛的人，在很多方面比他强的，比如Facebook里有很多工程师会觉得自己比扎克伯格写代码厉害，但是他在一些更高层面的思考，对产品的理念、方向，比如说facebook从大学市场切入，从东面到西面的，从名校再到普通大学，从大学到高中。整个的策略制定的话，这不是很多很好工程师能够实现的。

勤奋不等于蛮干。很多人都觉得自己很辛苦，但是不是smart。我非常强调两个概念的区分，努力跟效果，努力不等于有效果，只有一个有效果的努力才可能被称之为有效率。

Find your unsatisfied employees  

如何对待那些“不满”的员工

第三个是Find your unsatisfied employees who want challenge & challenge them relentlessly,找到对工作“不满”的员工，并“无情”地挑战他们。就像我们想投的公司，是“对世界不满的人”。你在公司要找那种对你公司不满的员工。很多人对这些不满的员工，觉得他们是钉子。其实你要分成两面来看，有些人是真的为了不满而不满，这种人呢，尽早开除；但是有些人不满，是你没有给到他足够的挑战和发展空间。你要区分对待，如果你找到了这种人，他是为了发展，他是觉得很多事情没有挑战的，这种不满的人，一定是你的一个财富。

“relentlessly”什么意思？你要无情地挑战他们，给他们超过他们舒适区的挑战，就是他感觉自己干不了的事。作为被挑战的员工，你可能开始有点沮丧，有点压力巨大，但干着干着你发现原来能干的，最后发现你能够干好的。所以你找到这样的员工，好好挑战他们，让他们能够发挥超越你预期的表现。一般公司能不能推到下一步的话，就依赖于你能不能找到足够多这样子的人。但方向要对。

Go big fast！

单点切入，迅速迭代，快速成长

Go big fast！很多人可能知道，这句话来自亚马逊创始人毕索斯。如果你找对了点之后，你就要迅速变大。Facebook就是典型的Go big fast！这个过程当中，可能把你公司成长中的很多问题，某种意义上是带过去了。比如你的员工7月份才来的，觉得工资低，如果公司很慢的话，一两年下来，工资、期权都还是那么一点，但如果公司发展足够快，期权带来的增值，就会让员工在这个方面的思考淡化了很多。

through small entrance and quick iterations，什么意思呢，切入点一定要窄。用一个简单的例子来说明，不知道恰不恰当，假设今天这个屋子里面都是很挤的人，我们的目的是为了看到对面的一个风景，二楼其实非常宽的，但是这边只有一个楼梯。你希望这个楼梯口是窄的还是宽的呢？我希望是窄，原因是因为我如果是第一个人上去了，你后面要挤上去很困难的。如果宽的话，大家都一窝蜂往上挤了，你挡不住的。

所以我的意思切入点一定要够窄，单点切入，把事情做到极致，但是切入之后能够展现出来的发展空间巨大，这类公司是我们最想要的。

但是做企业呢，有一个巨大的现实。你一开始肯定是想要这个缺那个，想要人缺人，想要钱缺钱。所以你要的是什么呢？上来一定不能追求完美。你要讲究的是单点切入之后，要迅速迭代。然后通过这个迭代展现出来，你是值得投资的。

员工加入你，其实某种意义上是投资你。他投资时间到你这边来，你要证明自己是值得投资的。你每次的迭代都给你的投资人，你的员工也是投资人，一种期望。他能够逐渐地看到这些东西，新的人、更好的资源能够投进来。通过这种迅速迭代，你能够逐渐地变得靠近完美。我觉得永远没有必要追求完美，靠近完美，但是一定在这个过程中快速成长。

投资决策的系统方法论：11个问题

聊了过去呢，我们聊聊现在。这里一个小广告，大概讲一下线性资本现在做的什么样的机构，我们的投资主要是天使轮和A轮这类的为主。每笔投资大概是50万到200万美金，但是我们有一个特点，每投1块钱都做好准备未来跟投1到2块钱，如果投的是100万美金，我们通常后面至少做好200万美金跟投的准备。

因为做一个案子，我们要花那么多时间做研究分析，犹豫，跟他扯那么多口水。完了之后，我们投他一块钱这很浪费的。所以我们投一块钱一定要做好跟投一到两块钱，最多到五块钱的准备。

我们为什么投这些公司呢？我们做项目评估的时候整套的方法论,是十一个的问题。

第一个，What’s the problem，你们究竟要解决什么问题，为什么这个问题值得解决。这个东西可以耗上3、4个小时没有问题，究竟对这个东西的理解程度在哪里，这里面我们有很多细的问题会产生。

第二个， What’s the solution，你们的解决方案是什么。什么样的solution，为什么这个solution是一个更好的solution，现实中的已经有的alternative（既有的方案）是什么？他们为什么没有想到你们这种方案？有时候是因为时代进步的原因，到了今天，有时候就是你们这帮人更聪明，后者我通常不大相信。基于这点会来来回回反复探讨，到这一步，我们还真有时候会看代码。至少两件事情我们会干，给我讲一下你大的代码框架，当中我们可能会挑一块出来，看看代码。如果代码写得太难看了，不漂亮的东西，我们也不大要。虽然对创始人的颜值没有要求，但是我们对他代码的颜值还是有要求的。

第三个就是Why they do it，做这个事情的初心。初心这个事，可能很多人也在提。我们只投对所要解决的问题有切身感受的创业者，因为有一批创业者是机会主义者，他觉得这个机会是可以赚到钱的，时代发展到这里我要跳进去抓住机会。这一类东西呢，我们通常不投的。举个例子，不恰当的例子。比如说这个项目做的事情跟创始人的背景没有什么太大的关联，但是这个人非常不错，我们也不会投。我们对这个东西的关联度还是有很强的要求，因为这个东西会跟他内心的热情相联系的，能燃烧多久，一旦这个市场上有风吹草动，有没有能量让你坚持下去。

因为从我们的投资经验上看，那些做得好的项目，一定是找到一个点后能够长时间专注并坚持下去的，但是小的东西可以变化。我们又举一个不恰当的例子。我们打算从我家到机场，可以坐地铁、打车、骑车、走路，如果你打车，发现道路很忙的时候，你要懂得下车去换地铁。你要知道你的目的在哪里，但是具体的方向是可以变的。这不是一个简单的问题，这个情况下面，很多是判断这个创始人到底是倔强、固执，还是说坚持。

其实很多时候是事后对同一种态度的不同的褒义词跟贬义词的描述，但我们肯定有自己的一套感觉，跟他们聊这些事情的时候，探讨这些具体方案的时候，可以看出来他解决问题的热情不变。但是他对于这个点切入，这种方式来做，究竟能不能解决这个问题，他其实有一定的心理宽度在那里的。

第四是Who are they，创始团队的背景。以前干过什么，在哪里念的书，以前的经验在哪里，跟要做的事实不是相关，这件事情还是蛮关注的。这可能会让我们错过的一些比如年轻人做的不着边际的想法。但我们觉得错过就错过吧。即使像扎克伯格，早年多多少少有一点泡妞的原因在里面，这个东西会方便他做这个事，所以对这个人的历史背景，跟做的事情还是有关联的。你看他写代码写得不错，本科是在哈佛念心理学，干这事听起来蛮靠谱的。

第五点，What they have，研究一下这帮人的能力特点、社会资源、家庭背景方方面面的。虽然这不是最最关键的，家庭背景，方方面面这些点。但是我们肯定都会问，问清楚。红二代我们不讨论，把这个给去除掉。红二代、红三代这些人，我们以前投过。

第六点，How they do it，就是说他们怎么去做这个事情。我就不展开了,包括你的市场营销策略是什么，你的合伙伙伴是谁的，产品应该是长什么样子的，我们一定会过产品的，你的竞争对手是谁，他们都做了什么样的产品。

第七点，Attraction of talents，因为我刚才也提到了，你要一个好的团队，单单靠你还是不够的。你们这帮人对于吸引到在各方面更好的人才，有没有心理准备，有没有开阔的心态。王兴的起来很大的原因是干嘉伟的加入，带来一个很大的帮助，但甘嘉伟其实最早是介绍给另一家公司的，但是那家公司没有接受他，这就是你对人才的心理宽度问题。

第八点，Risks，就是对风险的分析。一个好的项目，一定不是说没有风险的，而是风险巨大。这世界很公平的，你愿意付出多大的风险，你就可能有多大的回报，当然也可能有很大的损失，对创业者而言，最多的损失就是青春，青春本来就是用来浪费的。

我们做的这个目的呢？不是为了说去研究它没有风险，而是首先要把风险给展现出来，第二个尽可能去量化，第三点能够有一些措施、手段去mitigate（缓和）下来。比如这个项目缺CTO，创始人不是技术驱动的，早期感觉可能是对的，但是到了一定规模，那就要看创始人对技术的认识成不成熟，如果他认同说我们很快要把CTO这个事情补上，我们还是愿意投，因为他的理念在那一块。

我们当年投特赞，范老师是设计圈的一个大牛，他原来是哈佛设计的PHD，在中央美院跟伯克利都教过书，他想出来创业。我们跟他聊了半天后的判断是，范老师人非常不错，他不懂技术，但是他对技术非常重视。我们就很乐意帮他，他对这东西的认知在那一块。

第九点，Competitors，就是竞争对手，有什么样的竞争对手，要弄明白。我们通常最关心的是自己这家公司怎么往前跑，有什么我们能够帮得到，让它跑得更快。但是说有一些合理合法的事情，让竞争对手能够跑得更慢一点的话，我们其实也毫不吝啬的。

第十点，Shareholders，这个其实还是蛮现实的，你之前是什么样子的投资人,我们不求最好的，但是不希望有坏的。什么意思？什么叫坏的呢？我们对投资人分成了几大类：第一类是投资又专业，又帮忙的，这一类是最好的，三好投资人；第二类，可能是不懂这事，但是专业，所谓专业就是帮忙不添乱；第三类，他不懂这事，专业，但他不帮忙，财务投资人，也还不错的；第四类，就是不懂，不专业，不帮忙，添乱，这类有很多是土豪。所以我们对里面有没有土豪，土豪跟他究竟什么关系，会比较介意。土豪钱多得不行，对这群人也喜欢得不行，那我们也接受，或者我们也看有没有机会让他差不多把股份降得很低，他有一个知情权就行了，没事不要打电话。没办法的，从我们的角度要么就不玩，要么就希望他的股权架构能够合理。

最后一点，How we can help，其实很重要，我们如何能够帮得到，如何能帮他到达下一个层面。我们三大帮助：一个是帮别人在一些核心的问题上，关键时刻的咨询服务，我们懂的，我们自己上，不懂的，我们请人上；第二个帮助，就是核心岗位的招聘， C level的；第三个我们通过帮别人做后面的一到两轮，这个我们有一套自己的方法论在背后，因为时间的原因就不展开了。刚才讨论了现在干的事情，就是我们怎么做决策的，一套相对系统性的框架。

看完每一个项目都会生出万字论文

我们对于每一个项目，基本上依赖刚才的框架，最后 44 43423 44 19311 0 0 1464 0 0:00:29 0:00:13 0:00:16 3932生出差不多1万多字的一篇论文，我们看了一下，应该是比绝大多数的早期基金干这个事情稍微严谨一点。那很大的一个原因呢，是在于我们将来投好了投坏了，有据可查。回到过去之后，你看到它如果失败了，是什么原因造成的，这个原因我们当年有没有发现。如果成功了，是不是我们当年看好的点带来的。反过来，对我们提高自己的决策能力会有一个很大的帮助。另外一个原因呢，募资的时候，也看看你们这帮人做了什么样的工作。

近50年科技变迁：从大型机到IOI

现在讲讲未来，我们先谈点虚的。这是我们对整个世界变迁，可以说近50年来的一个概况的看法。最早是大型机，我们用的都是终端，计算全部都是在服务端的，跟今天的云架构完全不一样的。大型机那时候是计算的初始化，那时候是计算这一套方式，在整个世界范围内的初始化，开始有了这类计算的自动化。再后来，就是桌面机PC，进入你的家庭和办公场所，办公这种方式切入最早就是IBM的PC，是windows Microsoft的dos。第三个是手机，手机让这个事情变成了一个基础化，变成了像水电一样无处不在。真正让计算无处不在的应该是云跟IOT（物联网），现在这些东西都还是死板的，它是没有一个感应器能跟云端连接的，但是这个事情是不可阻挡的，到云端化、到IOT化。

再后面就是云的整个计算的云端化跟IOT化，就是计算的集中化跟结构化。结构化怎么理解呢？所谓的结构化就是对你的描述有一个框架，比如说你这个人有两只眼睛，眼睛颜色是红色的，你的头发是中分的。这一类的就是有一个描述，你的发型对应的XYZ，有一个选项在里面，然后就可以对这个事情建模了，接着才能发展到智能化等等。这基本上是整个事件发展的方向。

线性只投一个方向：应用数据智能

线性的做法只做一件事，我们只有一个方向。我们叫做Applied Data Intelligence（应用数据智能），我们投的大部分是2B，小部分是2C的。如果满足下面三个要素，我觉得线性会是你最好的选择——数据驱动，基于数据，AI驱动，人工智能驱动，最后是在一个场景当中，能够让你的决策要么更快，要么更好。

我们现在每投1块钱，都认为他至少能增值20块钱，才有可能投一家公司。有一些是他今年能赚多少钱，很赚钱，明年倒腾倒腾能卖掉的，不投。赚钱只是一个必要条件，但并非我们投资的充分原因。投资领域再细分一点，我们认可的未来主要是这么几个方向：

第一个占我们40%的时间、精力跟金钱的，叫泛智能。这里面刚才提到了云技术，我们投过高性能的计算云。原来facebook同事出来做的，属于一个垂直领域的，做高性能的计算云。用在哪些领域呢？今天可能是磨具仿真，这里面有巨大的计算，未来这种人工智能计算的，深度学习、渲染相关的，里面用到的计算量是我们平时用的计算量的几十倍、上百倍。

人工智能，我们认为只有云技术，才能实现大数据的存储跟处理。人工智能可以落实到两个角度，一个到软件，我们称之为DaaS，data as a service，这只是SaaS当中的一种。SAAS是让企业行为在线化或者云端化，这还不够，你还要对它的data flow（数据流）有一个认识，我如何利用已经在线化的这些数据，帮助你更快更好地决策。只有从这个角度出发，我们才认为这是一个数据服务。很多SaaS可能在最初都长一样，但是过了初级发展阶段后，你会发现是否有data spirit，会让后续发展完全不同。

人工智能在硬件层面就是机器人。机器人又分成两种，工业级跟消费级。工业的，我们看过还没投，毕竟我们对工业的运用还不熟悉，这有一个过程。我们对于不熟悉领域的参与方式是跟熟悉这个领域的人合作，跟他们一起投，甚至让他领投，我们来跟投。

刚才说的那些都属于单点智能，端智能或者云智能。而将这些单点智能最后实现智能连接，我们称作IOT或者IOI（物联网）是我们瞄准的一个方向。这一块目前还不是一个投资重心，但我们很乐意做先吃螃蟹的人。这件事情的意义在哪里？比如说回到家之后，你要拿一个App A把窗帘打开，App B把空调打开，App C把灯打开,这就不是智能家居服务你，而是你在服务于智能家居。原因就在于它只是IOT化的，并没有做到IOI，就是internet of intelligence。

第二块，占了我们30%的时间、精力叫做数据驱动的金融技术。金融实际是让资本实现时空上的错位。这个错位怎么去实现？数据会有一个非常大的作用，以前在线金融完成的是access，把线下的交易转移到线上，但是数据并没有发挥价值，实际上很长一段时间都是出于数据积累阶段，随着移动化的普及，这些数据才得以产生。这个角度比如现在很火的智能投顾，其实大部分是瞎扯，但这个方向是绝对有价值的，我们也正在认真看这一类的项目，我们对区块链也非常感兴趣。

第三类是AR、VR，这个大概占20%。我们只投里面的核心技术，我们不投内容不投平台。原因是我们觉得内容制造是讲究天赋，讲究运营能力，这些都不是我们擅长的；做内容平台呢，我们觉得小公司是很难干的，阿里在干平台，优酷在干平台，你怎么跟大公司比呢。

但是我们觉得核心技术是有价值的，之前之所以VR上来得很快，退潮也很快。很大的原因在于它的体验不完整，体验不完整两个大的原因，一个没有内容，另外一个技术不成熟。我们内容那个帮不了，我们也兴趣不大。但是在核心技术上面的弥补，我们非常感兴趣。这里面分什么技术呢？比如说pose tracking 姿态跟踪，需要建立在复杂的算法基础上；比如重建三维，知道三维是什么样子的；重建现实，你在三维里面怎么运动的，手势识别，声音的3D音效，有很多技术。

三大经验和教训

简单分享一下我们的一些经验教训。

首先，Big data该做什么？要有原始数据积累的强策略。不该做什么？不能投无法形成自有大量高质量数据的公司。

也有人觉得奇怪的，我有数据，我有商业场景，我为什么让你来做。大公司一定自己干的，像百度、腾讯、阿里这些，但是很多中小公司，就存在一个“数据孤岛”的问题。它的数据量大，几百万用户，很多P2P公司都是这样子的，但自己没有能力去干这件事，传统的公司也没有能力，很多原因。一个是企业文化、决策机制，还有他们根本招不到这种好的工程师、科学家教他们，留不住的，没有任何悬念。

你如果有办法打破这个数据孤岛的话，那你的价值就能够实现1+1远大于2。怎么去理解这个事呢？比如说你在A公司，你接触到的user 1，他是一个坏人，或者是一个好人。在另外一家公司，P2P的，他是user 2，因为两者的数据不同，但其实他们是同一个user，那你有办法join，就能比任何一家看到、得到更多的这一类的feature。基于你这个东西model出来的，比如说在A公司给他mark成这是一个老赖。B公司mark成这是一个好人，如果他们有办法数据给到你的话，那你形成是一个更加扁平的大表，对这个人比任何一家公司有更充分的认识，但是你能够实现的模型比任何一家公司好得多。

有用的算法就是好算法

第二个部分，Algorithmic Processing算法处理，有一些流行的观点，我们可能不完全认同。我们觉得有用的算法就是好算法，不一定要深度很牛很时尚的一些词。我们投的桃树呢，他其实采取的一直就是传统的统计学习的方式，但是他把这个事情做到了极致。在当前这个阶段，你的产品卖不卖得好不好，大家不是看你将来的潜力，而看你今天在这个实际应用上能不能出一个好的结果。所以桃树研究了半天之后，我问他为什么不用深度学习这套算法？他说，因为给客户做解释的时候，比如银行客户会问为什么会标注出一些高风险的客户，需要给出原因。深度学习是极度难给到解释的，传统的容易多了。

不能为了体现智能而智能

第二个，不要为了体现智能而智能。我们之前投过的，我们看了一圈，看了大概十几家。最后得出结论，只有一家可以真正意义上称之为智能投顾。其他打着智能投顾的旗号，做的是量化基金的一个在线版，瞎扯的很多。我可能多说一句，在个人理财上面不是最大化收益才是一个好的投资，而是符合你这个风险癖好的，这是一个非常重要的前置条件。如果你要给你小孩准备十几年以后上大学的钱，一定不要去走最大化收益的投资，一定会出问题的。这里面有一些统计的数据，对于这个风险会有数学上面的描述，这一点美国人干得不错，非常成熟的。

寻找与（潜在）应用场景的紧密结合

在应用这一块呢，我们今天寻找的是跟潜在应用场景的紧密结合。潜在指的是我们今天并不要求他一定要赚钱，但是你要聊得出来这套技术产品化后，可能会在哪些情况下应用，有没有跟这些潜在的用户去交流过。你不能纯粹从自我角度出发这是一个很牛的技术，这个不行。要么是已经有一些客户，要么有一些潜在客户对你的背书，但是后面这种的话，我们投得更加谨慎。我们从天使到pre-A，甚至A轮都可以投，投A轮的话就会把“潜在”这两个字去掉。此外，你处理的要是old problem，非常实在的问题，不要让我去理解你要解决一个新问题。这个也不展开了。

不投潜在的商业模式

不投潜在商业模式，潜在的商业模式是很牵强，可能我们在上面的一些理念，对很多数据公司的建议，insights don’t sell big, actionable insights do，基于这个insights可以做点东西，可能长期卖得出去，能够更好、更快地决策，刚才也提到了，这种切入到这个问题的实质。你能够给我带来一个实实在在的，我能够看得到的一个东西，要么收入更高，要么成本降低了。

相比成本降低我们更看重收入增加

但是成本降低我又多说一句，成本降低这个事走不了太远。成本降低，你减100%，也就是变成0。但是收入增加，这个东西除了你可以算，还可以吹的，你是收入Y，还是10个Y、100个Y、1000个Y。这个东西你除了用计算，还可以吹的。所以从实现收入增加，比起成本节约这一块，我们更看好收入的增加。这个大家如果做B的生意的时候，募资的时候可以多考虑一下。

在B领域，C那套的免费玩法是失效的

在B这个领域呢，羊毛出在羊身上，C那一套的玩法，在这边我们认为是失效的。所以我们公司前段时间跟我在聊free mode，跟小企业提供免费的产品或服务。聊了半天，我骨子里就不认同这套做法。C是可以的，C有一定的条件下，你适合用free。但是B的话，还是典型的羊毛出在羊身上的。

重销售团队的建设，不建议B做轻

我们认为销售团队的建设是非常非常重要的。而且销售团队，可能在3、5、10家公司之前，强调的是CEO的co-branding， CEO有时候要去卖脸，要去镇一下场面。但是在3、5、10家之后，你如何能够实现3、5、10家，到300家，整个过程当中你的销售整个手段的规范化。能不能产生一个可执行的playbook，有这么一个playbook的话，你可以尽可能招这种中低端一点的销售人员。让他们按部就班，这个事情就可以了。你打多少电话，然后再什么面谈，然后再签单。整个事情虽然看起来很苦、很重、很笨的。但是只要你的人员不是独特的人才要求，这里是能够拿钱解决的，人员多一点就多一点。我们一点都不建议B里面一定要做轻。这可能是我们投这类的理念，不一定对。

我们目前前前后后投了33家，致景投了8家，自己个人又投过将近30来家公司。当中也有不少是C的，因为早年投C也蛮多的。但是智能类的，B类的项目的话，至少投过40来家公司吧。这是我们整体的一个感受，成不成还得看当中有没有一个百亿美金的公司出现。我们大概有5家公司在5亿美金左右吧，有一家是10亿美金的样子。那到时候如果真正有让我们退出的百亿美金的公司，那时候我们可能更有底气吹这些东西，我们就相信这一套是我们经验总结出来的做法。

人工智能有泡沫，而且只会更大

好，我们刚才讲了那么多。人工智能的投资，可能很多人说那么火了，泡沫究竟有没有？我们非常肯定地告诉你，泡沫肯定有，百分之两百。但是这个泡沫呢，只会更大。一年之内，更多的资本会跑到这个方向，更多的人才，而且都是很好的人才。BAT，facebook、谷歌、亚马逊一群人跳过来，海归的回来，跳到这个方向。所有人都打着智能、数据，都是这种旗号。所以更多的人、更多的钱，没有悬念。

一年后，这一领域会开始挤泡沫

我的看法不一定对，一年之后逐渐会开始泡沫收缩，挤泡沫的过程。原因是什么呢？钱总是有一个消耗的过程，差不多现在是非常疯狂的一个状态了。投完的公司，如果一两年产生不了真正的收入，要么决策更好，要么决策更快。如果做不到的话，下一轮是募不到的。而且大多数的技术大牛，其实不适合创业。我们说进场的投资人太多了，好的标的少了，那不行，我也投了再说吧，投了再去想该不该投。有好多投资人投AI其实是这么思考的。这大概是我们今天简单的一个介绍，一个分享，差不多到这里。谢谢大家。

本文授权转载自微信公众号“AA加速器”

五分钟，你可以掌握一个科学知识。

五分钟，你可以了解一个科技热点。

五分钟，你可以近观一个极客故事。

精确解构科技知识，个性表达投融观点。

欢迎关注线性资本。

Linear Path, Nonlinear Growth。

也许你还想看......