9月10日，我们荣幸邀请到青松基金副总裁 王兆乾，来猎云资本做闭门分享。本期主要围绕VC投资方法论，以及科技领域投资的一些心得展开分享，整体思想来自于大学时期用做科研的方法，把它运用到投资上。核心观点如下：

做行业研究是大量收集信息、处理信息的过程

技术只是门槛，懂技术的同时更要了解市场需求

技术项目投资的时间点比较重要，瞄准商业化落地前夕出手

青松基金成立于2012年，专注于文娱、教育、消费升级、人工智能等领域。累计投资项目约160个，涉及投资金额超过50亿人民币。王兆乾是青松基金VP，目前关注新兴科技赋能各个行业，如智慧医疗、智能交通、企业服务等方向，企业服务最好是以SaaS切入，然后做供应链服务或者B2B服务的项目。投过纵目科技、洋葱数学、中装速配、飞步科技等众多知名案例。

确定研究范围和目的

先把研究边界及定义确定下来，讨论才有意义，否则大家的讨论对象可能不在一个层面上。比方说把AI分为三个层级，基础层，技术层，应用层。要确定研究的层级和对应的子方向。在这个过程中，要明确哪些是必须项（must），哪些是加分项（nice to have），排好轻重缓急。

确定研究方法

任何研究方法无非两种结构：

自上而下(thesis driven)：先找方向，锁定行业，搜寻标的；

自下而上(deal driven)：先有标的，通过研究标的的上下游客户，竞争对手，替代品，来了解一个行业。

比如当年光速创投（美国）投资snapchat一样，其实是deal driven。当时snapchat项目推过来的时候没吸引多大注意，但是一看MAU 百万级别，发现自己的女儿及周围的同学都在用。光速创投（美国）的投资人也不是特别懂这个产品，也没做过多研究，但是也可以去投资。因为MAU是高速增长的，过了半年MAU是千万级别，现在snapchat的MAU是3.1亿。另一个例子是青松投资狼人杀的情况，当然青松对手游行业确实非常熟悉，所以当狼人杀被推荐过来（当时已经被很多机构pass了），青松的合伙人就花了十几分钟，看了一下数据，心算了一下财务model，当场就拍了spa。狼人杀一年估值涨了20倍，青松也在当年就完成了部分退出。当然两种方法都可以用。

关于方向的技巧，可以进行中美创业公司及行业对比，请教一些行业专家并听取相关建议。

搜集信息

一手信息：自己实地调研得来的信息。比如field research、市场调查等；

二手信息：从不同媒介获取已经被筛选过的信息，如研报等。

信息搜集上避免闭门造车，要在其他前辈总结经验的基础上去获取信息是一种更高效的办法。比如行业专家访谈、企业访谈、企业上下游访谈、创业者背景调查都是不错的办法。

不同的信息源有各自不同的特点。首先来看零散信息，比如亚马逊销量，这类信息显而易见，但收集起来比较耗时。其次是媒体报道，报道出来的内容会经过筛选，省去了部分时间，但一般缺乏专业知识，信息可能有误。再次是券商等研究机构的报告，熟悉的人会知道，报告里面有大量宏观信息，但其中的数据有一些存疑。最后是业内专家，可能会了解一些行业内幕，但大多会diss同行，如果听业内专家的话，这个东西可能就没办法做了。

处理信息的方法和原则

观察法和实验法。ToB行业可以做定性分析，用实验法。因为ToB往往是行业内一个长久存在的痛点，不是一个新痛点，而是一个新的解决方案。比如说服装领域，大家都想做小单快反，作为一个消费者，我想今天要货，明天工厂就能生产出来。这个需求存在20-30年，只是说你现在的解决方案到底能不能解决这个痛点。绝大多数痛点目前基本上不太能解决，但VC愿意去尝试。对于ToC，人们常说一句话，不要去预测市场，要最早去感知市场。比如做生意，先进一小批货，发现好卖之后会进更多的货。

三角互证。在时间允许的情况下，需要尽量在类型和数量上分散信源，平衡各个信源转化来的观点。

两种思维。第一性原理和追本溯源。第一性原理思维法则是从原理出发，一步步往前推演，直到找出适合该问题的解决方法（有1个或者N个）。追本溯源从问题出发，推演出根本原因，通俗的讲就是发现一个问题，然后去分析这个问题怎么造成的。这两种思维方式没有对与错。但是当我们去投技术就会发现，比较合适的思维方式是第一性原理。因为技术最重要的不是被竞争对手干掉，往往是被替代者干掉。被替代者干掉，从追本溯源是找不到解决办法的。例如VC可能投到了当时最顶尖的胶卷公司，但是最后被数码相机干掉了。

投资逻辑生成

分享一下投教育当时的追本溯源思考。教育行业是一个大而散的行业，没有一家特别垄断的企业。教育市场是否存在垄断的可能性？什么样的教育企业可以在市场上占到5%以上。这个行业大而散，原因是什么？难以标准化、个性化需求、线下管理比较难、优秀教师稀缺、口碑传播受地域影响。

如何去解决这些问题，每一种问题都有一个方案，一对一、一对多、线上、线下、自适应录播课。青松围绕着这些方案基本上都投了。投的DaDa是做一对一和一对多，投的洋葱数学是做动画微课的，投了乂学教育是做自适应教学的。

判断真假

第一是判断真假。去伪求真。排除假的高科技项目，留下货真价实的高科技项目。这个的首要原则是懂技术原理和理解技术边界。如果不懂技术，当然还有简单的办法，就是投某个行业里学术最牛的人，其余的如果没有营收，一律不投。

判断高下

首先要明白什么是高技术，以及如何区分。这里另外提及一点，我们经常说技术壁垒，其实技术只有门槛，没有壁垒。门槛就是时间和金钱，比如成为一个医生的门槛是学费和八年医学院学习时间，大学毕业才可以考取医生执照；而法律上规定的只有拿到医生执照才有处方权，这个医生执照就是处方权的壁垒。对于一个技术而言，门槛就是经费（人才和设备）和研发时间。

懂技术不如懂行业

投技术其实是看好市场需求。市场有需求技术才有价值。懂行业才能去判断这个技术，或者这个技术的解决方案值多少钱，才能知道它的稀缺性。光有技术是没有投资价值的，技术肯定要和行业紧密联合。

Specialis不如Generalist

行业领域的经验和专长，对判断项目的技术可行性或者市场是有用的，尤其是早期项目。但是有时也会产生误导，首先认知领域有局限性，比如医药专家未必了解医疗器械；其次认知角度有差异，比方说NLP语言派专家认为深度学习是错误方向。这样会错过很多好机会，也往往投资不到颠覆式的、划时代的伟大公司。行业专家也许更适合成为风险投资机构的行业顾问。

可能大家很多时候面对过这样一种情况，VC现在认一个思维，你的技术过硬，团队背景也很不错，什么时候拿下1000万订单我就投。

用方法论判断，而不是过往经验判断

方法论是永恒的，方法是可以改进和创新的，知识/信息一定是实时更新的。只有正确且每次按照同样的程序和原则产生出的结果，才是可复制的。

Technology 足够的技术门槛和许可证壁垒、专利、CFDA、FDA批准

Team 技术和商业化能力、行业资源、有国际竞争力

Timing 技术和产品成熟度、可以开始商业化

Term 估值合适、20倍回报的空间领投

技术成熟度（Technology Readiness Level，简称TRL），是指科技成果的技术水平、工艺流程、配套资源、技术生命周期等方面所具有的产业化实用程度。

1.基本原理被发现和阐述；

2.形成技术概念或应用方案阶段；

3.应用分析与实验室研究，关键功能实验室验证阶段；

4.实验室原理样机组件或实验板在实验环境中验证；

5.完整的实验室样机，组件或实验板在相关环境中验证；

6.模拟环境下的系统演示；

7.真实环境下的系统演示；

8.定型试验；

9.运行与评估。

在第5个阶段之前，是不具备vc投资价值的。过于早期的技术往往5年之内无法量产。而且这5年期间会花费大量经费。最好的情况是前期的科研阶段及经费是由国家出钱，在商业化的前夕VC再进入。

项目来源：横向需求型，纵向供应型和自选型。

技术因素：科研技术能力和来源于项目本身的技术

资源因素：一个项目，从立项到形成成熟的科技成果，是一个资源投入急剧积累的过程

管理因素：对科研项目的管理机制和考评体系项目的管理是一项复杂的工程

市场因素：市场因素是项目选题立项的源头，也是最终影响项目成熟度的决定因素

IBM 公司曾在 1979 年针对实验室研发成果进行一项有关技术商业化的研究分析，并归纳以下六点影响技术商业化成功的重要因素：

1.技术的知晓性：一项新技术如果过于艰深，无法显示将如何被运用在产品之中，则商业化的机会很低。比如现在AI技术这么火，有些产品能成功，跟AI知晓性有很大关系。如果没有李开复及Alpha Go，AI怎么能快速被大众理解。创业者跟别人解释半天AI，有可能别人不知道你在说什么。所以一个技术想要成功，大众知晓性是必备的。

2.技术与现有产品线的关系：IBM实验室研发与商用大型计算机相关的新技术，被商业化成功的比例就高过于化学材料类的新技术。

3.技术可行性与市场风险：这里面隐含的风险主要是技术可行性与市场可行性的风险。

4.技术成长曲线所可能带动的市场潜力：如果一项新技术未来持续创新的潜力不高，则可能因为其它技术的竞争取代，而失去市场地位。超导薄膜记忆(与磁膜技术都是因为成长潜力不如半导体技术，而未能被充分商业化。

5.推动技术商业化的有力人士：IBM1975 年就提出精简型指令(RISC)的设计架构，但由于缺乏有力人士的支持，因此延迟 10 多年时间后才完成 RISC 产品的商业化。而惠普（HP）公司在1980 年自 IBM 实验室聘请本鲍为产品开发副总，反而成为市场上第一家推出 RISC 产品的厂商。

6.竞争因素与合作联盟：当有竞争者从事类似的技术开发活动，则技术商业化就会比较快速的被推动。技术推广初期，有竞争对手是一件好事，竞争对手越多，代表越多的人去科普。

Q：您比较看好AI在哪些行业或场景的应用？

A：在我看来，AI只是一个工具，或者说是driver驱动因素。已经不是我们去看行业的一个方式，看行业，要从ToB或者企业服务的方式去深入到各个垂直领域。

Q：早期项目尤其看重团队，在技术领域，您个人对团队的判断和选择有哪些独特的方法论？

A：投稀缺性，这个领域只有3-4个人可以做，那么我赌重了其中的1个人，几率是比较大的。第一，要求创始人具备很强的行业号召力，在学术圈已经是北斗级别的。第二，与之匹配的，要有一个商业合伙人。如果技术CEO商业合伙人不是他的同学或者熟人，而是通过猎头等渠道介绍，就需要慎重考虑。因为技术出身的人，大部分缺少对商业的敏锐度，而且通过其他渠道过来的人，两个人没有共同语言，技术一般对销售不太认同。对自己过于自信，会低估商业化的困难程度。

Q：教育行业有很多项目都跑在前面，现在还有哪些机会？

A：如我一开始所说，不要去预测市场，要最早去感知市场。机会是不断的出现的，2C的创业公司都是在不断的尝试，看哪一种模式更有效，有更高的爆发性。我就是要不断的sourcing，然后找到这样的公司。投资就是投增长。只有看到它高速增长，才能知道这是个机会。比如二级市场，一个标的如果每年有70%的增长，它很有可能就是一个三年十倍股；年复利30%增长的标的投了还能赚一些钱；10%增长的标的不亏钱。所以看早期会要求增长更快一些，教育行业也是如此。我就是要找到增长最快的那种教育公司，以及去看他的增长是否可持续。