随着互联网时代渐行渐远，硬科技投资逐渐走到聚光灯下，受到高度关注。
由于深度叠加了强技术周期，加之产业细分化的趋势愈发显著，这个赛道对「投资人」的要求已远远超越了“纯金融”范畴，而须不仅具备更高的战略眼光与更快的决策速度，还要有对技术的深度理解，和从技术转化为商业价值的敏锐洞察。
有这样一类投资机构，他们是“从产业中来”，更“到产业中去”，展现出对硬科技投资时代强大的能力与活力。华业天成就是代表之一。
华业天成是一家拥有强产业背景的VC机构，深度聚焦投资智能科技及其驱动的行业变革。成立九年来，在管金额超70亿，近七成项目获得头部产业方及知名投资机构后续轮融资加持，超1/3项目成长为独角兽或准独角兽，近期基金LP复投率亦超过70%。
他们有哪些关于智能科技的投资心得？哪些细分赛道正被他们紧密关注？新一代企投家如何捕捉到这些投资机会？……
本文谨整理摘录华业天成创始合伙人、沙丘投研院导师孙业林5万余字演讲中可公开内容之精华，分享关于智能科技赛道选择的成功经验——
曾任全球头部科技企业高级副总裁，积累了创新科技产品研发、全球区域管理、科技企业战略及组织管理、投资决策与管理等综合能力和丰富的行业资源。代表投资案例有：英诺赛科、伏达半导体、聚芯微电子、纵慧芯光、长晶科技、格科微(SH688728)、旗芯微半导体、为旌科技、集益威半导体、云豹智能、拓易科技、珂玛材料(SZ301611)、胜达克半导体、经纬恒润(SH688326)、埃泰克汽车电子、汉朔科技、乐动机器人、科杰科技等。
华业天成资本创立于2015年，聚焦投资智能科技领域的潜在行业领导者，重点布局半导体和人工智能，含半导体全领域、AI Infra、智能终端、产业智能等投资机会。华业天成资本人民币和美元基金的资产管理规模总计折合超70亿元人民币，受托管理的资金主要来自知名的国家级引导基金、地方引导基金、市场化母基金、金融机构（银行、保险、证券等）、产业资本、地产集团、家族办公室和大学基金会等。
我在产业界近20年，做投资至今也有9年，背景与各位沙丘校友们极有相似之处，因此也会有很多共鸣。彼时，我以为从实业转投资很容易，因为实业需要深入产业一线，而投资不介入运营，但8年后的此时，我的感受是投资比实业要难许多。
实业是在确定的领域和方向下不断优化，而投资则需在纷繁复杂的领域中做种种选择，且选择后往往不容易控制。因此，对投资充满敬畏，投资人需要「终身学习」，永无止境。
着眼于华业天成，九年的发展历程中，既有成就，也有教训，我们在VC投资领域进行了许多实践探索。今天，我想与大家分享的是，围绕智能科技领域，我们从成果中获得的一些经验，以及从教训中转化而来的一些认知。
01
赛道选择 · All In智能科技
常有人问我，好的VC投手应具备哪些特质？我总结了以下三项：
首先，是想象力。VC的投资对象往往是世界上还未出现的新领域，缺乏想象力很难做好；其次，是深度思考能力。要看行业、趋势、产业、企业和创始人，思维方式更要深刻且触达本质。我们投了近100家公司，深感企业成功依赖的因素太多，只有深度思考才能把握；第三，是行动力。VC投资的项目往往信息高度不对称，要求有很强的人脉链接能力和项目执行能力，能触达更优秀的创业者，以及行业顶级专家，掌握更前沿的技术趋势。
总之，这三个特质是做好VC投资的关键。然而，现实中几乎不存在完全具备这三个特质的人，因此团队配合也非常重要。
科技具有原始生命力
华业天成自成立第三年起，便聚焦智能科技领域，我们更倾向于将其定义为「第三代信息技术」，它并非凭空出现，而是在前两代信息技术的基础上发展而来。第一代信息技术始于70年代初“PC机诞生”，这一创新引领了全球科技近半个世纪的快速发展，而美国经济超越式的腾飞，也可追溯至这一时期。
进入90年代中期，第二代信息技术兴起，这一时期，PC机通过光通信、路由器和交换机实现了互联互通，数据得以共享，我们坐在电脑前便能触达全球信息。从70年代开始大量生产数字信息，到90年代将其连在一起，信息技术取得了跨越式的进步。
进入21世纪，这些互联的数据开始展现出智能潜力。2016年，AI革命第一代——基于神经网络原理的计算机视觉技术取得突破，随后，在2022年，基于Transformer架构的模型突破，标志着全新AI时代的到来。
在审视每一代信息技术的投资机会时，我们往往发现，提及AI投资，人们首先想到的是模型及其应用，但这只是冰山一角。为了更系统地分析第三代信息技术或智能科技领域，我们坚持一个四维度的视角：半导体、基础设施、智能终端以及智能应用。这四个维度不仅帮助我们聚焦重点，还同时拓宽了视野，使我们更容易捕捉到潜在的投资机会。
华业天成围绕这四个维度拓展出来的「信息科技四层轮动结构图」，也成了我们基础的思考框架。这个思考框架下，我们能更清晰地认识到自己的优势所在，哪些机会值得把握，哪些机会可能需要降低优先级或投入较少的资金，而在我们特别擅长的领域，则需要加大投入。
这个架构的提出有其深刻的背景，而这一背景则与全球经济的发展紧密相连。我们参考从1970年开始的全球GDP增长趋势图表，其中值得注意的是，从人类文明诞生至20世纪70年代，所有的GDP总和与今天的GDP相比，几乎可以忽略不计，这意味着，尽管人类历经数千年的辛勤耕耘，拥有绚烂的文明史，但工业革命之前的经济总量都显得那么微不足道。
而今，我们所目睹的经济繁荣，主要源自工业文明与科技文明，特别是信息技术所引领的新一轮科技革命，这些变革极大地提升了全球的经济总量。
信息技术的出现，为何能带来如此巨大的经济增长？其中一个显著的原因，是效率的大幅提升。从机械到电力，再到信息技术，每一次技术革新都带来了生产效率的飞跃。而信息技术更是以其快速的信息流动和高效的资源开发，成为推动经济增长的最重要力量。自此，全球经济持续增长，数字经济、注意力经济等新兴市场不断涌现，围绕这些新兴市场，又产生了全新的产业集群，这是过去几千年人类文明史上所未曾出现过的现象。
在审视当前中国经济所面临的挑战时，可以采用一个综合观察视角：政治视角、经济视角、资本视角、科技视角。治理体系是发展的最底层逻辑，这些要素之间无疑是相互关联的，但它们并不随时间完全耦合。政治体系和治理体系的好坏并不会立即反映在经济、资本和技术上，而是会有一定的延迟效应，随后才会产生显著的影响。同样，经济和资本市场之间也存在时间上的错位，过去三十年间，中国经济持续高速增长，但股市的表现却相对平稳，偶尔出现波动，但整体趋势并未与经济增速完全同步。科技方面也是如此，以1970年开始的全球第一次新技术革命为例，其成果直到1980年代才开始显著反映在美国的经济与资本市场上。
「中美」科技的竞合
在当前的全球经济格局中，中国和美国无疑是智能科技领域的两大主要力量，这一点在Google前总裁Eric Emerson Schmidt的一次内部演讲中得到充分体现。演讲中，他大胆分享了对智能科技的看法，认为能参与这个领域竞争的国家，需要资金充足、人才济济、教育体系强大，并且有获胜的意愿，中国和美国是其中的两个主要国家。这篇演讲对于理解当前全球科技趋势具有很高的参考价值，值得一读。
在审视中美科技发展差异时，我们需要从多个层面进行深入分析，如商业模式、人才储备、资金属性、算力、算法等，并进行对比研究，这样做有助于我们做出更准确的判断。这些层面是动态的，包括国家治理在内，都在不断变化之中，因此我们始终保持对这些维度的关注和评估。
比如，在创新模式上，中美两国存在显著差异。美国文化鼓励原创，其创业公司大多致力于0到1的创新，而在中国，我们更擅长工程创新，即在已有的想法基础上进行大规模投入和优化。这种差异在电动汽车和光伏等领域尤为明显，这些领域的原创想法大多来自美国，但通过中国的工程创新实现了快速发展。
人才基础方面，美国拥有高效的系统和大量的前沿研发投入，吸引了众多名校博士生前来申请研究岗位，这种高校与大厂之间的紧密合作推动了前沿技术的突破。在中国，我们拥有大量勤恳的一线工程类人才，但在前沿技术的研发和创新方面，人才结构仍有待优化。
中美两国的产业基础差异也十分明显。中国在大规模先进制造业方面占据优势，而美国则在软件、数字化方面领先。正如我们所见，这种差异导致了SaaS等领域在两国的不同发展轨迹，相关领域的投资也呈现截然不同的状态。
尽管中美两国在这些方面存在差异，但我认为这并不意味着没有投资机会。相反，正是因为这些差异和变化，无论是半导体、终端还是应用侧，我们都能看到潜在孕育的机遇在熠熠闪光。
从技术视角来看，未来十年技术的变量将会更大，因此，我们在投资策略上进行了调整，减少了投资次数和金额，但增加了研究时间和项目数量。我们相信，在未来的十年里，无论是中国还是美国，都将涌现出更多的技术创新和投资机会。
以AI for Science为例，尽管这一领域听起来更像是美国的强项，但从初步的研究看，中国在这一领域也有可能取得突破，因为AI for Science主要应用于医药和材料领域，而中国在电池和光伏等产业方面具有优势，有大量的数据积累，这些产业正是新材料的主要应用场景。
此外，随着AI工具的普及，全球最聪明的大脑的生产力将大大提高，科技成果的产出和转化也将更快，这是一个非常必然的趋势。
当然，我们也理解企业家们在过去几年中遇到的困难和挑战。正如我之前所说，经济、技术、资本是耦合的，但它们并不是在同一时刻完全耦合的，因此，在看到科技上扬的力量时，我们应该坚定信心，把握投资机会。
02
投资逻辑 · 基于本质 洞见变革
我们常常会想：AI创造了什么？AI强化了什么？AI颠覆了什么？
在回答这些疑惑之前，一个更为基础的问题需要我们思考：这一轮AI技术的本质究竟是什么？只有当我们准确理解了这一轮AI的本质，我们才能更好地理解和填充上述三个场景。
这一轮AI技术的主要变化并不仅仅是传统架构升级，而是神经网络架构的重大优化。以Transformer为例，它就是一种神经网络架构的关键创新，核心是多头注意力机制。对于投资者来说，了解它的基本原理是很有必要的，因为这有助于我们掌握AI技术的边界和核心本质，从而判断AI能做什么、不能做什么。
Transformer架构的卓越之处在于它实现了大规模并行计算，这使得超大规模的模型训练成为可能。在训练阶段，模型通过自监督学习，无需人工干预，就能完成向量的相关性学习，并将这些相关性存储在模型中。这就像是一个知识压缩器，将文本或短语转化为向量，并判断这些向量之间的关联性，随着参数规模的增大，模型对向量相关性的分辨率也越来越高，从而表现出更强大的智能。
然而，需要注意的是，这种智能是基于相关性的推理，而不是因果推理。AI并不知道哪个是因、哪个是果，它只是根据学习到的相关性来预测下一个最可能的词或短语，因此，虽然AI在某些方面表现出强大的推理能力，但这种推理能力仍是有限的。
了解了AI的核心本质后，我们就能更清楚地知道它的应用边界，也能更准确地预测下一次技术革命的方向和可能带来的变革。就像飞机虽然模仿鸟类的飞行原理，但已经远远超越了鸟类的飞行能力一样，Transformer模型在某些方面也远远超越了人脑的能力，即使存在功耗过高等局限性，我们也必须承认，AI的不断发展将带来颠覆性的机遇和挑战。
创造、强化与颠覆
当我们深入理解这些概念后，就能更准确地判断哪些领域是被AI创造的，哪些是被强化的，以及哪些是被颠覆的。
我们关注到，Eric Emerson Schmidt在演讲中提到，他已经投资了下一代优化Transformer的模型系统，这是当前学界和产业界都在密切关注和研究的一个领域。
基于这种学习能力，特别是它超越人脑的地方在于知识的可复制性，即学会后的知识压缩可以复制。因此，大量基于相关性的任务都可以由AI来完成，这些任务包括人类历史上已经出现的知识、文明等。当我们了解这些技术本质后，就可以推测哪些「新物种」将会出现。
▷ 经过我们的调研，其中最值得期待创新之一是“AI助理”，未来我们每个人可能都会有一个这样的智能助理，协助我们处理日常事务。
▷ 企业端使用的大量的企业软件，将来或许也会消失，取而代之的是数字机器人，它们可以调度各个专业职能，如HR、销售、服务、故障诊断等。
▷ 与硬件相关的领域也很热门，很多公司才创业一两年，还没看到实际的机器人产品，估值就大幅飙升，这反映了大家对这个趋势的共识，但真正的AI原生智能体，还需要有段过程。
▷ 数字孪生工厂已经说了很久，但实现很难。因为工厂系统追求可靠性，变革意愿低，引入新技术很慢，但有了这轮AI和5G，这个领域可能会再次被提上日程。
▷ 基础设施层面，我们非常相信算法模型的持续进化，Transformer需要优化和强化，也可能出现更具颠覆性的技术。现在业界也逐渐有新的研究方向，但因为算力芯片支撑的问题导致这些方向实现起来有困难。
▷ 半导体侧的新机会同样很多，这一轮Transformer模型的不完美之处在于每次运算都要调动所有算子，而人脑在思考问题时，并不是所有神经元同时被点亮。因此，AI需要新的异构计算，计算与存储要更紧密地耦合在一起……
对于VC投资来说，通常预见了这些趋势，就开始害怕「错过好项目」。好项目可能已经在世界的某个角落产生，而我们却没有触达。“想象力、深度思考能力和行动力”需要关联在一起才能开花结果，现在我们最为焦虑的是“错过”。
在被AI强化的领域，手机是一个典型案例。我们投资了一些消费电子上游的半导体公司，他们之前有点悲观，因为换机周期的拉长，但我认为很快就会迎来新一波“换机潮”，因为AI手机的出现是大概率事件。AI手机并不是简单地安装一个ChatGPT的APP，而是需要更大的算力和存储。因此，手机的SOC芯片等会出现新的代际升级，包括围绕AI手机出现新的手机品牌，或许也有一定概率。
在被AI颠覆的领域，基于人力交付的复杂业务都可能名列其中，特别是对准确性要求不高的业务。值得探讨的是电商领域，亦可能被颠覆，未来的电商平台，可能会服务于AI，然后让AI服务于人。服务对象的变化会导致业务本质的变化，原来的优势也可能随之变成劣势。
03
机会捕捉 · 坚持愿景 知行合一
上文我们强调过想象力与深度思考等的重要性，但在VC领域，具备这些能力并不足以直接促成投资成果。关键在于如何将这些思考转化为实际行动，即发现并把握投资机会，适时投入资金，再随着公司成长适时退出。
要实现这一目标，从认知到行动，需要经历一个完整的过程。首先，我们需对未来有一个清晰的愿景，在VC投资中，盲目跟风是不可取的，仅仅因为某个风口或大机构参与就跟进投资，这样的做法比较危险。成功的投资需要基于独立的判断，而这种判断则源于对未来的深刻洞察和强烈愿景。
愿景并非空想，而是建立在对技术本质的深入理解和对技术趋势的准确预测之上。我们需要思考技术将如何与商业场景相结合，这需要对技术和商业两端都有深入的理解和思考。
我自己相信的未来愿景是「二十年后的世界将呈现出一个数字孪生的形态」，大部分有形实体都将通过传感器和有线、无线网络连接到云端。云端将拥有中央和边缘算力，以及高度智能化的新一代模型，这些模型可能具备真正的推理能力，使实体世界展现出高度智能。
在这个愿景下，我们会重点关注3至5年的投资机会，而在寻找投资机会时，我们会面临两种类型的种子项目：因果型和涌现型。因果型项目能够清晰地看到动因并预测结果，如半导体的国产替代；而涌现型项目则表现为不可预测性，如下一代AI助理，我们不知道它将在哪里出现，也无法预见它将由谁创造。对于因果型项目，我们需要进行深度调研和分析；而对于涌现型项目，则需要勤奋地扫描赛道和人群，寻找新的项目和人才。
谁会胜出？
很多优秀的企业家，都想亲自涉足投资领域，或者组建团队展开投资活动，我也分享一些相关的观点和方法，以期能给大家带来一些启发。这些内容是我们历经多年不断迭代、反复思考与很多失败总结的结果。
首先，是动机。好奇心、热爱、坚韧、愿景等都是不可或缺的动机因素，因为VC行业要求极高，毕竟，我们投资的是未知领域，凭什么断定这家企业未来一定能发展壮大？尽管你可以基于逻辑进行判断，但这家企业在未来5至10年里，至少有50%以上的不确定性会发生，如政策调整等各种不可预测的事件。面对这些不确定性，我们又必须坦然接受。所以，能把握住的，其实就是逻辑部分，而其余的，都要靠这份“动机”。
随着我对投资认知的不断深入，才逐渐明白什么是真正的好投资人。其实，不仅投资如此，做企业家亦是如此。重要的是动机，即是否真正热爱这个行业——喜欢投资未来的科技。充满好奇心同样至关重要，如果你没有这份热爱和好奇心，就无法对未来5至10年、10至20年形成相对清晰的愿景。
其次，是认知。认知的难度更大，因为未来10年的科技变量将更多、更快。科技的不断变化要求我们对其进行深入研究，哪些是常识？哪些是规律？其背后的驱动因素是什么？……都需要我们了然于胸。例如，如果你不了解Transformer模型就去投资AI，那就是盲目投资；同样，如果你不了解数据来源、仿真器、强化学习、模仿学习、端到端模型等基本概念，就盲目投资具身机器人，那也是不明智的，因为都不知道投资的公司未来是否会被新的技术路线迅速替代。
第三，是能力。这方面主要涉及归纳和演绎这两种底层能力。杨振宁曾在一篇文章中精彩地阐述了这两种能力，他提到，中国接受的教育强调演绎能力，即知道一个公式或原理后，能不断应用它；而他后来在美国发现，美国的教育方式更注重归纳，即观察现象后总结隐藏其中的规律。归纳和演绎在科学界至关重要，对于我们做VC投资也同样重要，我们需要既有归纳能力，又有演绎能力。通过访谈众多技术专家和创业者，我们不断归纳和总结，发现本质和规律，然后基于这些归纳出的核心本质，可以推测未来的变化趋势，也就是演绎。
我们从事的投资工作虽然并非科研，但我们的思维方式却要向科学家靠拢。我们中国人大多接受的是演绎思维的教育，即学会一个公式后快速解题。但做VC投资仅有演绎思维是不够的，我们还需要归纳思维来应对科技变量的挑战。
最后，是行动。要找到顶级科学家、产业排头兵以及各部门“大拿”，了解全面的信息，更需要有人脉地图、项目地图和大企业的竞争地图。当然，不会有投资人或者机构做到尽善尽美，这只是我们的标准和目标，因为绘制这些地图需要花费大量的时间和精力，所以我们只能“有的放矢”，选择性地关注某些领域和赛道。
当具备上述模型素质后，如何判断在投资实践中“谁会胜出呢”？我们采用了一个方法论来做研究，是桥水基金Ray Dalio在《原则》一书中提到的做决策和思考的方法论。我认为这个方法论非常适合做投资和研究思考，它可以帮助我们落地归纳和演绎这两种思维方式。
这个方法论大概是这样的：思考任何事情时，比如如何投资人形机器人，脑海中要快速出现一个横向结构，包括技术、竞争、成本、创始人等要素。以技术为例，需要将其纵向分成宏观、中观、微观等层次，然后在宏观层面快速形成结构，了解技术路线，在中观层面拆解技术难点，再层层向下。拆解完成后，面对海量的信息点，通过归纳找出最关键的信息，基于这些信息做演绎，思考什么场景可以用、什么类型的创始人容易成功、优先投资什么类型的公司等。
然而，遗憾的是，我们中的绝大部分人都没有接受过这种严格的思维训练，因此，常犯的错误包括：只对自己最熟悉的信息点敏感而放大其影响，导致对整个赛道的误判，或者在某个维度上分析得很深，但在整体结构上有重大缺陷，也会产生误判。
在过去的在科技投资探索中，我们积累了一些宝贵的认知财富，也经历了成败的洗礼，还远未以满意的实际成果回应时代的挑战。知易行难，从认知构建到行动闭环，通常需要很长的周期，期待未来与各位伙伴、同行一起探索磨砺，为更多科技企业的萌芽成长壮大做出贡献。END
上文转自【清科沙丘投研】公众号
