判定新质生产力转换投资的“三板斧”：好行业、好公司、好价格（文末福利）
投资，投的是未来，绝对不是过去，也不是现在。2013年，在特斯拉股价还只有7美元的时候，来自英国爱丁堡的老牌投资基金柏基投资（BaillieGifford）就开始买入特斯拉，持股最多时一度成为仅次于创始人马斯克的第二大股东。持股近10年，在股价处于高位时，柏基投资一直在套现。投资特斯拉为柏基投资带来近150倍、300亿美元左右的收益。
这笔投资之所以能够成功，是因为早在2013年，柏基投资就预测到了特斯拉所采用的电动车路线，将在绿色环保路线的大趋势下，做到降低汽车全周期运营成本的同时，对汽车进行电气化、互联网化改造，以适应未来的人工智能和新能源时代。
有一种变化，它会给投资人带来数倍、几十倍甚至几百倍的回报，这种机会，在一个人的一生中，只要抓住一次，对专业人士来说，就收获了顶级的工作成果；对于散户投资者来说，就一举实现了财务自由。这种变化就是：某些由科技创新驱动的新质生产力，有可能会给产业带来的革命性变化，并深深地改变产业方向，即“新质转换”。
形成新质转换的因素有很多，有时是一种新技术，比如互联网；有时是一种新产品，比如iPhone；有时甚至是一种结构性的变化，比如国际关系的变化导致国产替代成为国家战略选择的时候，一些依附于国外产品的产业就会瓦解，而基于区域科技创新的国产机遇就会到来。国家工信部持续发布行业政策信息和指导意见，通过补贴、引导等各种方式促进关键技术和新兴行业的形成。在种种看似蛛丝马迹，实则极为关键的动态变化之后，如果能够广泛阅读，再辅以思考，就可以确认一个领域的新质转换成立。
九弦资本创始合伙人邱伟拥有20年财务与投资经验，成功完成数个十倍以上回报的投资案例，职业生涯中参与管理的资金逾280亿元，本期就让我们跟随他的脚步，共同发现科创投资的未来风口。
（以下摘自《下一个风口：新质生产力驱动下的科创投资逻辑》）
面对人工智能这一超级赛道与不明朗的盈利前景，该如何投资，如何估值，如何选择时机呢？投资人如何知道在前沿技术上的押注是否就带来投资回报呢？
判定此类新质转换投资的三板斧或者称为“灵魂三问”，有以下三项：
1.是不是一场较大的革新或创新，并由此将给未来带来巨大的商业价值？
2.是不是拥有领先的产品？如果产品还未推出，那么着眼点在于是否拥有强有力的管理层？
3.在以上两个问题的回答都是“yes”的情况下，进行投资时机的选择，并拥有与时机匹配且合理的投资估值。
其实一级市场投资（未上市股权投资，以VC、PE投资为主）与二级市场投资（上市公司投资，俗称“炒股”）相同，以上“灵魂三问”对应了二级市场价值投资理念中的“好行业、好公司、好价格”。在任何市场，只要把这三个问题研究透了，投资成功几乎是必然的。
01
一问：细分行业判断
首先看细分行业是不是巨大的革新。
人工智能的投资热度并非第一次出现，之前已经有了好几次潮起潮落。但之前的几次起势都是造了很大声响，却没有形成真正的产业。那么，以商汤科技等硬核技术企业为代表、以深度神经网络为特征的这次人工智能浪潮会表现如何呢？
在鸿蒙之初的20世纪50年代，计算机科学家弗兰克·罗森布拉特（FrankRosenblatt）提出了感知机的概念，即最简单的神经网络，又名MP模型。原理是用模型来模拟人类的神经元：人类神经元用树突来接受其他神经元发来的信号，经汇总判断后，来决定是否用轴突来发出信号；而MP模型用输入值与权重来汇总信号，加总判断后决定是否输出。
感知机给人类带来了人工智能的第一缕曙光，更多人开始关注并投身于这一领域。然而，感知机只能处理线性分类问题。这个问题因而成为那一代人工智能领域学者绕不开的噩梦。人工智能学科随后一度成为冷门学科，陷入了长达十几年的停滞。
直到1969年，杰弗里·辛顿（GeoffreyHinton）提出反向传播算法，打破了停滞不前的万古长夜。辛顿本人及其学生，以及更多后来者再将算法不断优化，人工智能开始逐步变得可行。
深度神经网络在识别上有着极大的效能。2012年之后，随着各种神经网络结构和调优方法的提出，深度学习的性能得到了大幅提升。为了解决有些领域因数据过少导致训练不足的问题，迁移学习应运而生。迁移学习解决了将原领域学习到的东西迁移到目标领域的问题，并有效利用已经习得的模型参数，与之相对应的是人类会熟练地使用已经掌握的工具，从而大大缩短了模型的训练时间。
深度神经网络和迁移学习叠加，再加上高算力支持，让原本看上去很难处理的问题开始变得简单起来。以科大讯飞为代表的公司，其语音识别产品在接受越来越多的语料训练后，连方言都可以识别了。图像识别在深度神经网络的加持下，越训练精度越高。人脸识别技术的开拓者和探索者汤晓鸥曾经负责的微软亚洲研究院此时已经走在了前列——这些图像识别技术分别被用到了必应（Bing）搜索引擎与Xbox游戏中。
从中我们可以看出，深度神经网络在人工智能的感知层面第一次走向了实际应用，这其中必然拥有巨大的商业机会与投资价值。虽然不知道未来的商业形式会以何种方式展开，但这绝对是个极具前景的好赛道，这一点是毋庸置疑的。
灵魂一问基本成立。
02
二问：产品和管理团队判断
2011年，曾经在微软亚洲研究院实习过的清华大学学生印奇，联合另外两名天才校友唐文斌与杨沐，做了一款体感互动游戏，玩家通过手机的前置摄像头进行人脸识别和人脸追踪等视觉识别算法来判断人物的运动姿势，从而操控游戏中的角色。这是人脸识别领域的最初运用。
在该游戏获得成功后，旷视科技公司成立，其初始业务是将人脸识别技术做成引擎，供其他游戏公司使用。但人工智能的风口很快到来，Facebook大举押注人工智能，谷歌也收购了AlphaGo的开发公司DeepMind。旷视科技也因此获得了李开复创新工场的早期投资。
2014年，阿里巴巴决定跟随国际互联网巨头的步伐，由蚂蚁集团投资旷视科技，并将人脸识别系统率先应用到支付宝的支付场景中。
面对如此的市场早期异动，IDG投资的牛奎光敏感异常。很快，他读到一篇文章，写到香港中文大学的汤晓鸥团队，将人脸识别的准确率提升至98.52%，大大超越人眼的自然识别能力（97.53%）。在人脸识别领域，汤晓鸥团队属于第一梯队。在理论上，将人脸识别技术商业化的潜力也是巨大的。这引起了IDG投资的重大兴趣。
汤晓鸥来头不小，比起旷视科技的一群天才学生军团，汤晓鸥属于天才教授。他是麻省理工学院博士毕业，曾任微软亚洲研究院视觉计算组的主任，曾经是旷视科技创始人印奇的领导，同时又是香港中文大学多媒体实验室的主任，领导一批优秀学生作为创业的核心班底，团队实力过硬。
如果说连旷视科技都可以获得巨额投资，那么技术更领先、团队更成熟的汤晓鸥团队岂不是更受欢迎？尽管产品还没落地，但理论研究和团队搭建都已成熟，可谓万事俱备。
灵魂二问也基本成立。
牛奎光第一时间奔赴香港，与痴迷学术但从未做过生意的汤晓鸥团队进行了交流。
03
三问：估值价格
1.估值中的早期估值
事实证明，IDG投资的这个先手太重要了。在朝阳赛道上，在最领先的技术团队上，甩下用于项目启动的几千万美元天使投资，其原理就是在具备一定胜率的团队上，追求高赔率。
IDG投资的时候，商汤科技确实只有实验室技术，尚无任何成熟的产品，这个项目属于IDG投资唯一没有产品就敢于投资的项目。尽管什么都没有，但是IDG的大举投资，叠加优秀的技术与团队，让商汤科技很快就站上了人工智能行业领军企业的地位，开始高举高打：大额融资、大把花钱、快速占领市场。商汤科技成了人工智能行业绕不开的存在。与此同时，也促使已经是旷视科技早期投资人的阿里系，在2018年耗资数亿美元投资商汤科技。
事实上，在风险投资业发达的美国，包括红杉资本、KPCB等几乎所有风险投资的顶级玩家，都是主要通过布局早期项目而取得成功的，这些基金的期限往往长达12—15年，恰好对应了早期项目从创立到成功的平均时间。
在中国，虽然风险投资业的创立时间较为短暂，但回顾很多成功的投资基金，其大部分的成功投资，都是依靠在项目早期押中了几个非常成功的项目。尽管在国内存在类似九鼎投资这样一批Pre-IPO的套利基金赚过大钱，但这些套利投资最终被事实所证明是短暂的。
套利就是随着套利机会被充分认识后，由于套利者增多，套利者最后大概率是只能赚取市场平均收益。而早期投资非常不同，早期投资充分考验投资人对未来行业、创业团队、商业模式等一系列问题的深层次认知，尽管存在运气成分，但根本上是靠识别新质转换、识别管理层来获取超额收益的。
在早期投资轮次上，主要包括天使轮与A轮：天使轮投资是公司还没创立时的投资，天使轮需要看准细分行业，看准人（管理团队）；A轮投资是公司创立后的第一次融资，A轮一般需要看准产品。在这几点都看准的情况下，早期投资者通过一定的投资组合同时布局数个或数十个早期项目，那么就可以在一定胜率的基础上，追求比较高的赔率，哪怕最后基金中只投中一两个明星项目，但投中的这一两个项目由于有几十倍甚至上百倍的回报，整个基金到最后的投资回报率都会很好。这就是风险投资（或称创业投资）的真正含义。
需要说明的是，早期投资绝对不是摊大饼，一定要精挑细选，不要觉得投资金额小就可以放松警惕，否则结果同样惨烈。因为一堆低胜率和低赔率的标的，再怎么组合都是高风险。
早期项目怎么进行估值呢？对于任何阶段项目的估值，DCF（现金流折现法）永远适用。但对于用早期项目来估算未来的现金流，实在是强人所难。这时就有个高赔率情况下的“混沌”计算方法，即大致匡算这一细分市场的未来规模，预测下目标项目在未来所能占有的市场规模，再根据这一市场的进入门槛状况来大致推算净利润率，按照15倍左右的市盈率对目标项目的未来进行估值，把该估值与投资时的估值做个大概的对比，这个空间还有几十倍以上，那这个项目就是值得研究投资的；如果空间在10倍以下，那就得小心了。
另一个估值方式就是投入18个月左右的运营资金，占股20%左右。只要对前两问的判断不出大错误，这么投资的估值就不会太离谱。因为市场空间大概率与运营花费成正比，而只要在前36个月运营成功，那么后续就会有其他投资人接棒，天使轮与A轮投资人的基本盘就稳了。
在商汤科技这个项目上，参与天使轮投资的IDG与A轮投资的StarVC都是拿到了先手，甚至之后的B轮都问题不大，因为行业与团队的明星光环效应太大了，而估值都没有到达所谓的独角兽级别（10亿美元），对于登陆资本市场的估值有较大空间。但对C轮之后的中后期投资来说，那么估值就得好好计算一下了，这确实是个比较困难的问题。
2.估值中的中后期估值
在行业逐步发展起来后，我们认识到以人脸识别为代表的人工智能企业存在以下三大问题。
（1）算法的底层是开源的，缺乏足够多的壁垒
无论是深度神经网络、迁移学习的模式，还是辛顿解决梯度消失的方法，或者是微软研究院对残差问题的解决，尽管看起来很复杂、很困难，但其实是窗户纸一捅就破，在模式被以论文进行公开的那一瞬间，就给予了对手跟随学习的时间。再加上开源社区的研究与公开分享，使得人工智能的基础算法基本是开源的。
而算法的进步，同样取决于具备一定工作经验的人工智能科学家，在基础算法的基础上，利用算力资源，以及对数据进行迁移训练，这样算法就能越算准确率越高。
算力靠砸钱就能解决，买最新、最快的芯片部署即可；而数据则依靠各种渠道获取，很多具体行业内的公司就拥有天量数据；同时，可以靠低价拿单，找到愿意第一批吃螃蟹的客户，利用客户给的数据来训练算法。
所以，只要对这方面有一定研究的达人和一定的资金量，人工智能这件事就能干，虽然听上去很高大上。
（2）算法的竞争逻辑是残酷的，最怕金融泡沫
算法的逻辑是这样的：
•拥有更多数据和算力资源的公司，其优化后的算法会拥有更高的准确率；
•更高准确率的算法，会击败低准确率算法，以拿到更多客户；
•拿到更多客户，就意味着拥有更多数据，算法则被更多数据训练到更精准，形成正向循环；
•为了不被正向循环打败，较低准确率算法的公司倾向于以超低价拿单，利用亏损来买客户、买数据，力争不在算法上掉队。
以上四点，与互联网行业的创业逻辑非常像：互联网公司都是倾向于利用免费服务与大额的推广费用来吸引大量客户，最终形成网络效应。网络效应一旦形成，其用户（主要是个人）就会对网络平台形成依赖性，互联网公司的生意就可以长久经营甚至形成垄断效应。但是，人工智能企业还有一个完全有别于互联网的特点，这里列为第五点，即：在算法准确度达到完全的客户满意度之后，算法之间就没区别了，人工智能企业之间就达到了均衡，无法再打败对方了。
（3）商业模式的不确定性
人工智能行业的科学家极为稀缺，算力成本也很高，而为了让算法更加精准，所必需的数据成本在各家公司的竞争之下也日渐昂贵起来。为了拿到更多数据和客户，人工智能企业纷纷下场，以成本高昂的科学家身份，拿着算法找场景，将顶级的人工智能算法应用到各种下沉场景中去。这些场景包括智慧商业、智慧机场、智慧农场、智慧银行、智慧教育、智慧医疗，等等。结果就是奇怪的双高：高毛利与高亏损伴生。
因为搞科研出身的人大多不懂营销，所以支出了高昂的营销费；而科学家的工资又比普通工匠高出了一个数量级，所以造成了研发费用支出也奇高无比，且各个场景之间比较碎片化，一个场景的研发成果并不能完全复用到另一个场景，所以越研发亏损越大。
想通逻辑，看到行业的高毛利与高亏损伴生，就可以判定行业垄断性较弱（机器视觉行业），竞争的囚徒困境需要延续较长时间，因而行业不支持互联网式的高估值逻辑。尤其是不能以简单的市销率指标来进行估值（亏损类公司由于缺乏估值坐标系，往往会以销售额乘以一个倍数作为估值，从而导致了一些公司为做大估值，去承接更多带来亏损的业务），整个行业需要卸掉盲目竞争，褪去泡沫。
《下一个风口：新质生产力驱动下的科创投资逻辑》
作者：邱伟