2019中国投资人未来峰会

AI的估值泡沫还有几成？

李昊：大家下午好！AI领域多年来起起落落，但也涌现了一批独角兽公司，也有一大批公司倒下了，投资机构们有锁斩获但也有一些掉进坑里，今天的圆桌论坛我们围绕“人工智能的理性回归”进行讨论。

先介绍一下君盛投资。我们到现在走过了15年的历程，最早从PE业务起家，到现在我们转型以VC业务为核心，现在主要投中早期，在硬科技里面以通信、半导体、信息技术为核心，包括一些先进制造。在软科技中，以人工智能、金融科技和企业服务三个细分板块为主。

围绕AI领域，我们开始讨论第一个话题：AI领域的估值最近两年一直在往下掉，人们也在探讨，AI公司的估值到底合不合理？未来估值会往哪个方向去发展？

李阳：我是来自久友资本的李阳。在回答李昊总这个问题之前，我也稍微介绍一下我们公司的背景。久友资本成立于2015年，专注在两个大的方向：一个是科技创新，比如人工智能、光电芯片、半导体、集成电路、新材料这些领域；另外一个大的方向是精准医疗、原创新药。到目前为止我们管理的基金规模20多亿，累计投了30多个项目，在科创板第一批25家上市公司里有我们投的一家。另外在创业板里也有两家在会议审核中，科创板还有三四家正在准备申报过程中。

关于AI，自我们成立时就一直是我们重点布局的方向。我对AI行业从一个专业投资机构的角度来看，它特别像一次马拉松。1956年AI的概念就已经提出来，到现在60多年了，AI估值的发展就像一次中长跑——AI这个概念刚火起来的时候估值高，投资机构、创业者都很兴奋，但是一次万米长跑一定会经历第二个阶段，兴奋期过去会进入一个比较痛苦的成长期。这个痛苦的成长期中，就会出现分歧，投资机构有些会更坚定一些，但有些可能就会动摇。AI产业不是短期的，它会是马拉松式的长期发展，这是这个行业本身的特点和属性所决定的。

未来，我们认为在AI的赛道上会出现比较严重的分化。对于很多AI创业者来讲，最痛苦的事情是什么呢？是你上了路，但你选错了赛道，而且你还融到了资，这是最悲哀的事情。为什么呢？因为它会浪费你的青春、浪费你的时间。如果从天使还融到了A轮，你更惨，因为你接下来可能又要浪费2-3年的时间。所以在AI创业方面，我们特别建议每一位创业者，一定要在起步的时候不要急，琢磨清楚，赛道不能错。

吴曼：先介绍一下：十方创投是2015年成立的早期创投基金，我们不去定义我们投哪一类的技术，我们更关注以新技术为融会贯通的场景应用服务的创业类早期项目。我原来是在小网通，从那开始关注了IP、WDN等，我们建立了第一张IP骨干网，之后我们又关注宽带、云计算、大数据，到现在的人工智能，甚至区块链以及未来的新型的科技趋势。

关于AI公司的估值往下掉的问题，我觉得这个是一个很正常的大潮退去的表现。大家会看到头部的项目估值坚挺，真正估值往下掉的其实是一些腰部和尾部的项目，甚至一些尾部的项目已经被淘汰了。因为过去20年我都是在比较前沿的地方在参与，在推动，甚至在引导。在整个大浪淘沙的过程中，你会发现，科技的传承是一个叠进的过程，随着技术的不断精进，比如因为有了IPE，有了宽带，让我们的数据更加便宜；有了云计算，大家应用的场景更加方便、无时无处；又有了大数据、人工智能等。大家都会明白，任何一项技术都不是孤立的，不是单一的，它一定是多种数据的融会贯通。

另外一点是，最近好像人工智能这个浪潮又开始有点降温，为什么会降温呢？因为有很多的项目开始找不到场景的发力点，它没有真正的落地点，没有扎根在实际的应用场景下，于是就会出现发展中的战略迷茫。

十方在选择项目的时候，会优先去选择已经想清楚这个产业落地点或者场景着眼点的早期创业者，同时他们又拥有了技术的融合能力以及行业资源，包括对业务客户的需求把握等。

另一类就是针对于技术类的创业者，我们更关注的就是技术本身怎么样能够扎根在一厘米宽、十公里深百公里深的落脚点上，这是最关键的。我相信，大浪淘沙的过程更多是对于很多纯粹的人工智能技术类项目的挑战，如果不能在转型过程中快速找到自己的着眼点，后面面临的情况不是简单的估值下降，而是真的生死存亡的问题。

梁颖：我先简单介绍一下联想创投。联想创投是联想集团旗下的全球科技产业投资基金，专注以物联网、边缘计算、云、大数据、人工智能为核心的智能互联网赛道，同时关注这些核心技术与产业的深度结合带来的机会：智慧交通、智慧城市、智慧教育、智慧医疗、智慧家庭、智慧能源等。我们希望通过资本+创业者的力量，开放联想的全球资源，帮助创业团队实现技术的商业化转换。我们目前外部投资了超过100家企业，同时在联想内部孵化了10家子公司和创新业务。

我们在人工智能赛道的布局比较早，比较广泛，国内人工智能比较顶尖的独角兽我们都有投资或者合作，我们是旷视科技的天使投资人，寒武纪多轮投资人。

我个人认为人工智能初创企业的故事还是存在泡沫。泡沫一方面来自在座投资人的追逐；另外一个是对AI技术未来的期许，但是在此之前，AI仍有很长一段路要走，目前人工智能在商业的应用最成功的是安防、金融，但在安防领域，一些特殊场景的识别比如突发事件的识别，还不够成熟。

未来两三年或者更长的时间，对待人工智能行业可能需要更加理性的思考，找到技术与行业的真正结合点，让人工智能最终回归商业本质、回归产业，它才能真正发挥效应。

陈悦林：我来自同创伟业，我们从2000年成立到现在，明年就20年了。我们管的基金有200多个亿，有人民币+美元。我们以前以PE投资为主，这两年都转到成长期为主。我们偏综合性的机构，我们内部分TMT、科技、医药和消费，但是这两年我们重点覆盖的赛道，同制造业到一些电子信息这块我们覆盖比较深，所以这两年5G、互联网、人工智能、企服这些是我们重点覆盖的赛道。

我们上市公司有70家，今年科创板大概我们会有五六家的科创板的企业。

关于主持人的问题，我就两个观点：

第一是整个人工智能第一阶段的投资在核心技术上，核心技术是什么？只要你跑出来，整个行业的上游有可能就几家，它的天花板非常高，它本身就享有高的溢价，这些公司贵是贵得有理由的。

第二个观点是，到这一阶段，大部分是往应用上去做投资，应用阶段有很多不同的场景，但是谁能跑出来是不确定的。举个简单的例子，因为我们在机器视觉、在工业检测上面投了好几家公司，前两年只要你说是基于视觉做工业检测，不管什么场景，有可能有一两个测试订单就能在市场上以很高估值融到新一轮，但是检测在不同的工业场景下有可能的落地应用的难度是不一样的，有可能这个行业能跑出来，另外行业不一定能跑出来。所以大家坑踩多了，整体估值就会下来。所以，你在起步的时候要想清楚，你对这个行业是否真的理解透了，它的难度到一个什么样的阶段，能不能支撑你到一个什么样的阶段，这是团队在选择你的创业方向非常重要的，也是能否支撑你快速往前跑一个非常重要的因素。

李昊：我们的第一个思考是，我们应该怎么样去看待估值体系的特征和变迁，要看背后的驱动力和相关的特点。我们会听到一个说法，个体的理性会带来群体的非理性，AI行业的整体估值变迁也有这样的特点。AI行业有几点特点：

第一，从中长期看，比如三五年的周期，整体来看对结果会相对乐观，比如说人工智能会逐步去渗透各行各业落地，并且这种乐观基本上是绝大多数机构和产业从业人员的共识。但是另一方面，通往这个结果的路径非常复杂而不可预知，你不知道哪条路能走通；

第二，对于过去几年，尤其是2012-2017年这个周期里，大部分机构相对有钱，而这个市场几千家机构中，大部分机构会对中观层面的路径、规律和逻辑上的风险意识不足，而更多会在对宏观结果的乐观预期和对具体项目发展的乐观估计之下形成相对激进的投资行为；

第三，在面对同一个项目，在同一个时间段中，可能不同机构会有不同的估值模型，有的比如用pe思考、有的用ps思考、有的可能更加激进，然而最后能获得项目的一定是最激进的估值方式，进而整体的AI创业公司的估值在市场不错的情况下都会变得相对激进。也就是说，在这三个力量裹挟下，AI公司出现整体估值偏高的情况，尤其是第一梯队公司，是必然的结果，是无法通过个体机构行为改变而改变的结果，即使我们现在重新回到六七年前来重新走一遍，依然会把这个过程再来一遍。因此，核心是VC公司要找到你在这个大势中的定位。

我们的第二个思考是：AI行业估值特征的变化，是和行业的特征和轮动紧密结合在一起的。我们通常说，AI分为三层，最底层是基础层，比如算力、算法等等；中间层是基础技术平台，比如目前上市场图像视觉、语音语义这几块占据了一大半融资金额；再往上是应用层，AI在各行各业的应用。

2010-2012年，随着基础层深度学习技术逐步走入大众视野，加上算力的不断迭代，带动了2012-2015年基础技术平台的兴起并大量获得融资。

2016-2018年，行业热点逐渐就往应用层去迁徙。在我们通常说估值比较高的通用技术层为例，通常企业发展起来要跨越两个鸿沟：一个是技术鸿沟，一个是商业鸿沟。技术鸿沟方面，经常动辄就是需要近百人的团队去组建，商业鸿沟方面，很多AI公司必须要抢占一个合适的场景和面，比如金融、安防这样的有封闭、相对成熟数据基础并且有相对好的付费能力的场景，再去喂养团队、技术的迭代和升级。那很多公司在跨越这个鸿沟的过程中，就会出现明显的估值提升快于基本面提升的情况。

但是从这两年看，很多企业其实跨越不过去，那估值往下掉就成了必然结果。其次，行业轮动到了应用层公司的兴起，但是应用层公司不能复制技术平台层的逻辑，它们必须直接和效果、产出，也就是相应和收入挂钩。而挺多细分领域的应用型公司依然在讲技术平台公司的估值逻辑，这是不能完全讲通的，整体估值体系就会显得保守一些，这类公司比例的提升也会相应拉低AI公司整体的估值。

投资人偏好的AI公司有何嬗变？

李昊：最近两三年来，大家越来越多地谈到，以前觉得AI是技术驱动，到但现在大家觉得更多是商业、落地、场景，大家怎么看这个问题？另外，5G来临，对AI投资会有什么影响？

李阳：关于商业落地，大家还是得想清楚你做的到底是一个什么级别的AI，什么级别的技术创新。如果你做的是原子弹，没问题，你可以一路专研在技术上，比如自动驾驶，尤其是L4、L5级别以上的自动驾驶，投入大量的资金，它足够大，一旦实现可能带来的是颠覆性的变化。但是绝大多数的AI创业公司，可能不到这一点，我们做的可能不是原子弹，只是有一定的杀伤力，这个时候没有办法忽略掉商业上的落地。这是绝大部分AI创业公司要考虑的问题。

对于绝大部分AI公司，我们建议是技术要稍微超前一点，但是不能离商业落地太远，除非你做的是原子弹。绝大部分AI公司还是要考虑技术跟商业之间的平衡问题。

另外一方面，大家都知道中国这么大，做AI的公司这么多，如果你的技术领先度不足，也很容易被PK掉。所以关于技术和商业方面的平衡是两个方面。

吴曼：刚才李总讲的都非常同意，补充一点：我们谈科技创业，本质上它还是在谈商业，我们不是在谈一个科技趋势，而是我们要怎样将科技成果转化成商业落地的场景，最终形成订单，它本质上还是一个商业模式的问题。只要谈到商业模式，你自然而然要跟闭环联系起来，就是说我的钱是怎么进，最后怎么回收回来。这是创业者要想清楚的一点。

再有一点，站在创业的角度，要知道投资人的筛选标准和价值评估体系。很多时候我看到很多优秀的创业者——尤其是一些科技类创业者，明明技术很好，但却融不到资。非常重要的原因就是在创业和投资之间的语境体系话术没有对等。

另外一个是关于5G物联网的到来。我觉得这肯定是对人工智能的一个特别大的助力。人工智能是一个老概念，为什么今年感觉又回潮了，很大一个因素是因为5G和物联网的到来。从基础设施的角度，5G可以让整个成本大幅降低，物联网可以提供更好的覆盖性，才能够使人工智能的算法和场景有更紧密的结合，这是一个相辅相成的过程。

梁颖：关于人工智能时代，我认为最大的机会是与产业的结合。第一波人工智能投资潮时，大家都投资了人工智能技术与行业专家本身。我们不仅投科学家、投技术，还要去考量这些科学家如何将技术落地到产业。比如旷视最早在安防领域扎根，在业务发展中选了物流作为第二个重要产业赛道。

我们认为，人工智能落地行业的时候，首先要找到行业的切入点和痛点。举个例子，在智慧交通领域，我们投了深圳智能交通，它拥有国内大概200多个城市的出租车、公交车、地铁行驶信息，过去深圳华强北是一直塞车，尤其是上下班时间，我们提供的解决方案是，基于华强北周边的交通信息，来做道路、人群分析处理，并实行了一个很简单的改造，把之前的越南路从双向改成了单向，只花了一千多万，就大大提升了户型小笼包。

智能制造也是人工智能落地非常好的场景。我们投资了一家利用AI机器视觉进行手机玻璃面板检测的公司中科慧远，这套检测技术还避免了蓝光给工人眼睛造成伤害，同时大幅提高了效益，将品质全检漏检率严格控制在了1%以下，过检率控制在了2%以下。

我建议，初创企业最好从垂直行业切入，真正解决一个具体的问题，不要做伪需求。

陈悦林：关于人工智能，我们分为两个大的方向：一个我们内部自己总结的，是诗和远方，另外一个是当前的饭碗。

诗和远方是技术，因为人工智能这一阶段很多技术已经到了瓶颈，大部分项目都集中在语音语义、机器视觉、视觉图形图像识别等，但是人工智能并不仅仅是这些技术。像脑机接口、人机协作相关的一些技术是面向下一代的人工智能技术的基础数据。这是我们深度跟踪和在早期阶段去投资的。

另外一个是当前的饭碗，就是现在产业化应用的方向，应用人工智能技术去降本增效。

针对这两个核心方向，比如先进制造，我们自己投的在电子信息产业领域，当上市公司就有十几家，基本上把和电子信息手机相关的产业都投，所以我们做机器视觉这块投了好几家。未来我们还会深度挖掘在这个产业链上的投资。

第二块我们现在重点在看的是金融行业。金融行业有最优质的数据，前几年整个金融行业我归纳为互联网金融，但是现在真正回归到金融技术的这个领域。我觉得难度是分证券、银行、保险这几方面，他们到了要提高它整个运作效率的阶段，AI技术会很好地解决这些问题——类似我们最近在扫很多关于保险的公司，AI就能帮助提升核保的效率。

李昊：我也简单谈一下我们的观点。

三个方面，第一个是技术和商业的关系。技术一定是引领，商业是补充。技术需要商业提供场景，提供数据，提供公司发展的弹药。所以我们看很多公司，尤其头部公司，他们能发展起来，是非常复合型的能力，而非仅仅技术强。很多公司在销售、政府公关、甚至pr、融资方面，能力都比较强，而这恰恰为技术迭代提供了支持。

在布局赛道方面，我们目前在没有底层技术重大突破的前提下，我们更关注应用层。但是我们投资应用层有三个准则：第一，必须直接对应效果。如果形成一个效果有十个因素，但是AI只能解决其中五个，甚至还得一个个去解决，那样“效果噪音”就会特别大，就无法衡量AI作用的权重。这一点解决的是买单问题。第二，必须是解决可衡量的刚需。这一点解决的是定价问题。第三，必须和所在行业能够深度耦合，这个解决的是壁垒问题。很多项目落地的场景比较low，比如我们早期投资了一家在陶瓷原材料领域利用AI技术进行供应量优化的公司，现场都是泥巴，完全看不出AI公司的高逼格，但是确实能解决问题，发展也非常迅速。

关于5G，5G未来可能会拓展AI应用的场景，这个是有希望的。5G会带来很多行业的变革的机会，但是具体如何和AI相结合，又能延伸出什么机会，比如是否真能在制造业领域通过AI或者大数据产生变革，我们内部讨论也在犹豫和观察。