計算機、微電子科技的發展推動了互聯網發展，信息技術革命掀起了移動互聯網的熱潮，每一次的技術革新都帶了產業形態的大變革。隨著移動互聯網進入下半場，物聯網、AI等多技術融合也將開啟一個萬物智聯時代。

作為國內專注于AIoT領域的精品投行，在過去的一年間我們與上百家企業、投資人交流探討行業的發展方向，同時我們看到阿里將IoT(物聯網)上升至第五大戰略，聯想全面發力物聯網，越來越多的企業將AIOT作為新的方向，越來越多的VC機構開始在布局，AIoT逐步開始由技術革新走向行業場景落地。

近期格物資本旗下的自媒體物聯網資本也將推出AIoT領域機構布局盤點專訪系列文章，解讀業內知名機構的投資邏輯和特點，為創業企業提供機構選擇指南，同時也為計劃投資泛智能領域的機構提供參考。

前沿

線性資本LinearVenture成立于2014年，由Facebook早期員工王淮Harry和京東天貓原高管張川Michael共同創立，關注泛智能、大數據領域的技術驅動型早期項目。四年間，線性資本投資了地平線機器人、Rokid、中科視拓、艾拉物聯、酷家樂等超過50個創業團隊，其中不少企業已邁入獨角獸行列。

線性資本的早期定位是關注大數據、人工智能，創始人王淮認為，“大數據應用一定要解決實際的商業問題”，因此，他們只投資那些以技術為核心，并將技術應用到他們所認同的問題上的項目。線性資本正在努力成為最好的應用性數據智能基金（Applied-Data-Intelligence）并逐步打造有影響力的前沿科技基金（Frontier TechnologyFund）。

線性資本擁有3支美元基金和2支人民幣基金，基金總規模達到2.3億美金，三期基金最近也剛剛完成募集，關注數據應用（DataApplication）、數據基礎設施（Data Infrastructure）和前沿科技，主要覆蓋天使/Pre-A/A輪階段，單筆投資規模普遍在100-500萬美金左右。截止到目前線性資本在該領域已經完了53個項目的投資。

格物資本根據多個公開渠道以及行業訪談搜集到的數據，對線性資本過往的在AIoT領域的投資情況進行了盤點，也為創業者提供相應的融資參考。

1、運作模式——做中國最好的應用性數據智能基金

整個泛智能行業涉及的領域很多，從底層芯片、傳感設備、網絡技術到技術應用，可以說，未來將是一個泛智能化的時代，萬物智能互聯。

不同投資機構在這個領域也有著不同的運作模式：

堅持投資“硬科技”的中科創星；

全懂科研人員的創投基金國科嘉和；

專注“天使投資+深度孵化”的聯想之星；

活躍于中美以三國跨國投資的耀途資本；

致力于成為“人工智能時代的世界一流VC”的百度風投；

看好工業4.0和底層技術、看重中美兩大市場的紀源資本

……

（此前我們也對上述機構在AIOT領域的布局情況進行了深度盤點，有興趣的朋友可以點擊查看）

而在這些機構之中，線性資本則更看重數據的價值，聚焦在應用性數據智能這個細分領域，關注一些能在場景化落地的項目。在4年的運營期內，線性資本獲得后續輪投資的項目比例超過50%；7個項目估值成長至超過10億人民幣，其中4個達到5億美元估值。

下面我們將為大家盤點線性資本在AIOT的布局之道。（需要說明的是由于AIOT技術應用廣泛，在項目涵蓋上目前還沒有特別的統一的標準，我們將按照從底層芯片傳感到應用層劃分，部分國際企業并不包含其中。更多是希望通過統計了解機構的投資偏好及邏輯。）

2、AIOT投資布局——4年53個項目

從數量上看：根據我們的統計，線性資本4年間共投53個AIOT領域項目（部分海外項目未涵蓋），覆蓋大數據、云計算、VR、金融科技、區塊鏈等諸多領域。

從時間上看：線性資本在2015年前投資項目在AIOT領域共投資16家企業，2016年開始，線性資本的投資數量逐年遞增，2017年出手11次，投資了地平線機器人、Rokid、艾拉物聯、Insight Robotics、酷家樂等一批業內優秀企業。

從階段上看：線性資本在AIoT領域的投資范圍相對寬泛，從種子輪到C輪都有涉及，但主要投資天使輪、Pre-A、A輪左右階段的項目，其中天使輪項目占到總投資數量的43%，Pre-A輪占比22%、A輪項目占到19%。從數據統計看，較少對中后期項目進行投資。

在投資方向上：線性資本聚焦在關注泛智能、大數據領域的技術驅動型早期項目上，尤其是一些數據應用類項目，線性關注的企業普遍特點是：數據驅動，智能為核，最終落地于某商業場景方面，從結果上可以看到線性投資了以數據及智能驅動，在教育、金融科技、物聯網、醫療、家居等諸多行業垂直應用的企業。

3、線性資本AIOT的機構策略

線性資本認為，人工智能覆蓋的范圍非常之廣，但目前會先在一些具體領域率先爆發。

金融是一個強數據的領域，智能化能夠加強數據的作用，所以在互聯網金融里面應該有很強的應用。另外，數據性很強的消費領域，從消費品、安全等相關角度，例如用戶畫像、智能推薦，以及智能導購，都是基于數據可以用AI機器人來幫助實現的。

另外，ADAS輔助駕駛也是一個典型的場景。線性資本發現，很多行業，最大的市場都在“吃喝玩樂行”，對于人工智能而言，“行”現在是最容易被影響的，因為它是強技術性的?！俺院韧鏄贰?，雖然技術會給它們帶來一定幫助，但是內容和渠道方面，它是有很強的反向控制性的，人工智能要切入是一個巨大的問題。而“行”是一個全新的領域，因為原來像地面交通、空中交通這些都是傳統公司來做的，滴滴這些新的公司的進入，為它們帶來一個巨大的顛覆。

線性資本所謂的泛智能，就是與大數據、云計算、云存儲、人工智能、機器人、IoT等相關的項目。之所以這樣劃分，是因為線性有自己的一套邏輯鏈：有云技術才能實現大數據的存儲和處理；在數據基礎上才能做機器學習和人工智能的開發；而開發出來的模型需要落地，它們要么讓數據流通得更快，要么讓決策做得更好，也就是說，這些終要變成服務，我們把它稱為DAAS（注：Data-as-a-service，數據即服務）。

智能生活這塊，線性資本認為同樣有很大的機會。如果把出行加進去，就是一整套的智能生活。如果撇開出行看，單純的智能家庭生活同樣很有機會。

在泛智能的硬件領域里，線性資本認為，機器人有很大的機會。機器人可以分為兩大類：一類是家庭型、娛樂消費型，也就是2C的，另外一類是B端的。而線性資本目前關注的中心在前者。

線性資本非常看重IoT，但并不太關心聯網的問題。線性資本關心的是Ineternet of Intelligence，真正讓不同的智能設備為一個場景服務。不同的智能服務互相獨立各不關聯是目前IoT的最大問題，每家生產商都要自己搞一套，用戶必須同時控制多款體驗就很差。但這樣的狀態持續不了太久，各家一定會尋求聯盟，形成交叉協議，這是必然趨勢。在國外，已經出現了一些聯盟，國內雖然現在還看不出來，但線性資本相信，這樣的聯盟在肯定將來是一定會出現的。

還有一些線性資本零星的思考。比如說，健康相關的，不僅限于監測，而是回歸健康的本質，比如對人的健康產生預警作用的。單純的監測，檢測比如用戶一天跑了多少步，意義不大；但如果能對用戶的健康預警，告訴用戶什么時候過勞了，要趕快休息，這種情況下猝死的概率是多少，這樣的服務才是有價值的。當然，現在的技術如果想要達到這個目標，還需要很長的一段發展時間。

線性資本投資過一個做女性體溫計的項目，通過體溫曲線，可以測出受孕、避孕幾率。棒米科技的這個項目市場很大，但目前有一半用戶在海外，因為在國內，推廣要通過醫院渠道，而這個領域線性不太了解，所以選擇跟投：對于不太懂的領域，線性資本會先跟投一兩個項目熟悉一下。這也體現了線性對于AI商業應用的態度：能實實在在產生作用的，才值得投，太遠的東西，除非相信它的未來，否則線性資本大多持懷疑態度。

什么樣的項目是線性會投的？

線性資本聚焦的創業公司，概括起來其實是Applied Data Intelligence——應用性的數據智能，立足于大數據的應用，去解決實際商業的問題。因此線性資本投資的項目，必須同時具備三個要點：大數據、應用性、智能性。換言之，線性只投數據智能領域的商業應用，并且里面一定要有強數據、大數據的東西，同時它一定要解決一個相對實質的問題。初次之外，這家創業公司必須對這個數據有高門檻的處理方法或者系統。線性資本有一套導圖論來分解當中很多的問題，比如說分析市場是不是夠大、要解決什么樣的問題，加起來大概有3、40個問題，最后圍繞整個框架寫篇論文。

關于人工智能的流程，線性資本也有自己的思考。合伙人王淮把人工智能整個流程中的必要步驟，簡單地分成三大塊，第一塊是數據源，第二塊是當中算法的處理（所謂的人工智能處理的方法），第三塊就是它的應用。

數據這塊，一家好的創業公司必須擁有典型的三個大的特征：

首先，規模要大。對于一個小孩子，只需要給他一張蘋果的照片，再讓他看蘋果并判斷其為蘋果，問題就不大，但是機器不行。因此，對于機器而言，需要非常多的數據來進行輔助訓練。其次是數據必須結構化，尤其在深度學習出現之前的可能更多的是像做反欺詐的時候，很多都是1是1，2是2，都是結構化的數據。第三是特征必須是標注好了的。舉例而言，什么是好人什么是壞人，他是什么特征，這個都要標注好。

第二塊是算法處理的方法論。典型的機器學習的方法有兩類，過去我們大多使用回歸算法，決策樹，SVM這些原來統計的學習方法，現在比較流行的深度學習，這是過去兩三年才真正成熟進入到主流的視野當中。比如，現在做人臉識別的公司都是在過去兩三年起來的，以前他們大部分都是在學校科研角度，沒有生意可做，但現在，越來越多的方法論被普及，很多從業者也開始嘗試著將商業與技術相結合，這也為變革帶來了希望。實際上，線性資本其實并不關心公司在算法層面能夠達到怎么樣的深度，只關心算法本身是否是有用的，是否能提高決策質量，提高決策速度。

第三個很重要的因素是投資人們所關注的問題：應用場景。有的創業公司搞了一堆數據，搞了一堆處理，完成之后不能解決商業實質解決的問題，這就不是一個很好的投資標的。大家對于人工智能的期許其實是比較簡單的，但是要么比別人的商業決策更快，要么讓決策質量更高，如果連這兩個都做不到，那么這個東西就沒人會愿意買單，創業公司也沒有辦法依賴自己在數據處理技術上面建立的優勢去實現產品到商品的轉變過程。致命的是，如果這個因素沒能實現的話，這樣的創業公司即使技術再牛，也是不可投的。

從線性資本投資過的公司就能看出這個邏輯：神策數據是數據服務公司，可以通過用戶畫像，從而分析公司的發展趨勢；智能機器人Rokid是基于數據的智能實體化，但它的核心仍然是AI的軟件；地平線機器人提供的AI解決方案應用點也非常廣，比如它目前在輔助駕駛ADAS這方面的應用，就體現了這一點。這些公司能提供應用，解決一些有用的問題，而不是只有技術但“然并卵”的東西。

大數據領域的創業公司在創業時主要都得面臨上述問題的處理。技術和應用場景往往對于大部分優質的創業公司而言都不是很大的問題，但是數據要如何去獲取呢？

王淮指出，創業公司必須有一個原始數據積累的強策略。大部分做人工智能的公司都存在兩大問題：數據不是自己的，應用場景不是自己的，雖然自身處理問題的能力很強，但沒辦法獲得數據，這就意味著公司本身是無源之水，干不了很多事情；沒辦法掌握業務，付錢的時間決策點就取決于別人，必須要求著人家。

對于創業者而言，如果沒有特殊的方法，有兩種解決這個問題的典型方法：一種是公司本身有歷史的數據積累，像線性資本投資的中科院計算所專注在人臉識別19年了，掌握了大量的歷史數據積累；另外一種是創業公司的技術很強，其他人愿意用公司的服務，比如同盾科技。

能夠滿足這幾點的創業者，就是一個比較理想的投資標的。

對于創業者，線性資本也有自己的考量尺度：很多創業者比較冷靜，跟他探討問題時很難有熱烈的感覺，但他會有很多思考，他明白里面的各種問題，這樣的創業者是線性資本所喜歡的。線性資本最怕有激情的人，這類人會把很多東西推到未來，認為船到橋頭自然直，很多事情最終是這樣子，但是還要認識到：對于問題，一定要有深入冷靜的思考，這個思考是需要有深度和有分量的。線性資本很喜歡深度的思考者，跟他交流的過程中，可以感受到殘酷的冷靜，這是一種極客的素質。包括線性資本自己也努力做到類似的標準，有時候看項目，一兩個小時聊下來很興奮，感覺很不錯，但也得遵循一套流程將自己冷靜下來，1小時內不做決定(有一個反悔期)。

同時我們格物也發現線性更傾向于有良好學習背景的創業者，對于技術領域的創業并非像有些模式創業，有一個很好的Idea加上一個強有力接地氣的執行團隊就可以快速推進，在泛智能化領域的創業更多是是依靠創始人多年的教育背景和技術積累。所以我們也可以看到線性資本在做泛智能化投資方面也明顯傾向于有良好教育背景和深厚技術底蘊的創業公司。

目前線性資本已總結出一套方法論做支撐，不管是對人、對事都會有更多深入的探討。正如合伙人王淮所說，“結構化的東西，可預測性會更強一點，假以時日它所體現出來的系統性的回報率可能會更高，成功率也可能會更高。”每投一個項目，線性資本的團隊都會寫一篇論文，里面方方面面的東西都會有一個系統性的覆蓋，這里面對于項目結構、邏輯體系推演，做得都比較嚴謹。這也是線性資本很突出的一個略顯極客色彩的風格。

4、線性資本看AIOT未來

在線性資本看來，人工智能領域目前正處在一個前所未有的蓬勃發展的階段，因為五大因素的共同作用，人工智能領域出現了很大機會：

第一，設備的普及。移動智能設備的流行，觸屏把人們原來花在PC互聯網上的時間，大幅度地拉長了。原來在PC上，人們大部分時間是用來工作，而現在，手機成為用戶kill time的主要工具。這種設備創造出了一個巨大的市場，這個市場就是每個人的時間。如果把它用人和時間等單位來衡量規模的話，現在這個市場的規模至少是原來Web時代的5到10倍。時間需要產品去填補，填補過程中大量積累了數據，數據就產生了變現的需求。

第二，數據的積累。這些年，很多互聯網公司已經各自積累了幾百萬、上千萬的用戶數據，都非常有價值。但這些數據間，存在孤島效應，這些數據是沒有辦法交叉的。比如，一個互聯網金融公司，和一家電商，它們獲得的數據體系、性質都不一樣。但如果它們能夠放在一起，形成數據集，帶來的價值會大很多，會產生一加一遠大于二的效果——這也是當前數據智能在不斷發展的一個重要方向。

第三，算法的發展。在過去幾年有了很大突破，比如說深度學習。傳統的數據挖掘方法對強特征問題很有效，比如反欺詐；但是當算法從圖像、聲音當中去學習特征時，這個過程就很困難。深度學習在這些領域帶來了很多新的應用，比如近幾年聲音識別、圖像識別、人臉識別等新的應用出現，這些都和技術突破息息相關。

與算法突破相應的，是計算能力的提高。AI說起來容易，做起來卻很難，比如說深度學習的計算量對云計算也提出了極高的要求。三四年前，當基礎架構和計算能力沒有發展到今日這種程度時，人工智能的發展也相應地受到了很大的限制，但如今隨著基礎構架和計算能力的發展，越來越多曾經無法實現的算法成為了顯示，人工智能也迎來了爆發的最好時代。

第四，人才的因素。很多人會想當然地覺得美國人才比中國多，但從美國硅谷創業熱潮中歸來的線性資本合伙人王淮則提出了不同的觀點：過去幾年，BAT以及二線互聯網公司積攢了大量數據，數據需要人來處理，因此訓練出一大批有實踐經驗的人才。而美國，主要是Facebook、谷歌、亞馬遜、微軟等公司，培養的人才偏理論型，在實踐上不如中國。

最后一點，市場已經準備好了迎接人工智能的時代。人工智能公司的目標客戶，原先比較傳統，對人工智能的接受程度十分有限，但現在，越來越多的傳統公司的思維有了變化。我們要感謝馬云對DT時代的傳播，但是，AlphaGo帶來的影響更為巨大。AlphaGo雖然下的是圍棋，但讓很多中國人以為深度學習已經來了，覺得它會搶走所有的工作，如果自己不趕緊改變，就只能等著被干掉。這讓人工智能公司發展客戶變容易了（當然，這種想法存在著很大的誤區，現在的我們距離人工智能完全顛覆傳統商業模式的那天真正到來還有很長時間，但是，這卻讓人工智能推廣的難度大大降低了）。

這幾個因素造就了人工智能的熱潮。這是一個數據依賴技術進行變現的時代，這5個因素的相互結合，給人工智能帶來了極大的商業機會。很多投資人也開始關注并進入這個領域。

實際上，大數據、人工智能這些領域逐漸風口化。即使“風口”這個詞線性資本其實不大喜歡去用，但也承認，這個時代，在各種因素下，給了人工智能的爆發這樣一個可遇而不可求的機會。

但是，線性資本的合伙人王淮同時認為，2017年AI行業的泡沫將到達頂點。隨著投資人們的熱捧，AI領域內的資本總量會越堆越大，這也就意味著未來5年內人工智能領域會有一個擠泡沫的過程。當然，對于線性資本而言，雖然現在普遍認為AI領域里面泡沫很大，但是真正與智能相關的投資才剛剛開始，這個領域至少還有5年的時間可以有很熱鬧的投資跟創業的機會存在。而線性資本的目標，就是努力地找到這些帶有點牛逼技術卻不善言辭，還總有些偏執和小驕傲的創業極客們和他們優秀的創業公司，并且滿足他們的需求。

另附：線性資本-AIOT領域投資統計