清华自动化系校友李强对话Orbeus李轶：人工智能并购实务

2017年2月5日，“AI2智能研究院”主办的系列直播活动旨在推广人工智能（AI）、硅谷文化、全球化发展策略。由于空间有限，本次活动的线下部分仅开放给了“清华自动化系全球校友VC Tour”成员。在位于Palo Alto中心的硅谷丰元创投（AMINO Capital）总部，李强老师和Orbeus CEO李轶一起进行了一场关于早期投资实践与成功退出的深度交流。到场参加的有从82级到07级的各届清华校友，他们或曾经创业，或正在创业，或在硅谷巨头从事管理岗位并且关心创投。另有近百人同时在微信群和知乎live平台参与了在线直播。担任本次直播MC的是AI^2智能研究院的徐霄羽博士。

李强：清华自动化系二字班，86年保送并提前一年进入清华经管学院就读研究生，2010年和四位清华校友联合创办清华企业家协会天使基金（投资项目包括Zoom等），2012年创办丰元创投，投资并辅导了100多家硅谷创业公司，包括，Human Longevity （独角兽级别），Assemblage(被思科NYSE:CSCO收购)、Orbeus(被亚马逊NYSE: AMZN收购), Skycatch, Ozlo,TrustLook, Cassia等。他以回馈母校清华的情怀多次开放丰元的资源免费给校友系友，支持他们在硅谷创业。他是清华百年教育基金的创始贡献者，清华企业家协会北美分会前副主席，清华经管学院美西校友会的副主席。他还担任斯坦福大学创业孵化器的创业导师，并任美中高层次人才协会董事。

李轶：华人计算机视觉和图像识别初创公司Orbeus CEO，Huffington Post 2012年 Women in Business的获胜者。Orbeus作为第一个入驻顶级孵化器的华人团队，是ReKognition API 的开发者，并且在该API基础上开发了多个广受好评的图像识别app如Phototime. Orbeus在拒绝了雅虎和苹果的邀约后，于2015年9月被亚马逊成功收购。

以下为李轶和李强的访谈内容，经AI^2编辑：

李轶：从一个科技巨头公司对现在的AI、智能相关的startup的收购做一下简单的介绍。现在大的公司收购一般分三种：1.IP收购：就是说如果你已经注册了IP或者是已经有一项核心的技术，那最基本的是它通过一个协商的价位把你的IP买过来，并把这个IP放在公司的产品上推出去。这是最简单的一种收购，原来团队的人来与不来都没有关系。2.人才并购（Acqui-hiring）：他就是以一个收购的形式除了收购技术和IP，更重要的是把这些人才收购进来。很多的中小型的初创公司被收购大多都是以Acqui-hire基础的一个有附带好处的收购。因为尤其现在人才特别紧缺，大公司就算他知道要做什么，它不一定有足够快的速度可以完成。这样的话核心技术人员就很值钱。现在不能说平均，但参考数据一个人大概值X百万到X百万。当然更深一层的就有人才并购+产品服务（Acqui-hire+）的收购方式，而我们实际上就更偏重于这一种。这就是为什么我们会选择收购，也是希望是可以让我们的产品通过更大的平台向市场开放出去，有更大的产业影响力。3. 收购竞争者：大公司收购在同领域有一定用户量的初创公司。比如Facebook收购WhatsApp，Google Maps收购Waze,等等。

李强：从投资人的角度讲，只要能赚钱就是成功的收购，但是实际上收购分为很多种，作为投资人要有经验与洞察。当然，最成功的就是WhatsApp，Otto这类收购。Facebook以将近两百亿高价收购WhatsApp主要是想买他们的用户，对公司战略性的作用非常大。优步收购Otto是因为想占领一个新兴的领域（汽车无人驾驶）。6亿8000万美金的价格并不只是收购团队。Otto的联合创始人安东尼•莱万多斯基是前谷歌工程师，他在谷歌工作过很多年，有了一个帮助Uber揭秘的过程。他在谷歌多年丰富的经验会使Uber少走很多弯路，对公司的发展有巨大的价值。所以这种收购是最好的。再有一种就是刚才李轶讲的，产品和团队都收购，就像Orbeus这种情况，就非常好。不仅投资人把钱拿回来了，而且翻倍，当然具体多少，我们就保密了。还有两种比较差的情况。一种是公司实际上是做不下去了，就是把团队卖了，这种情况下VC能把钱全部拿回来就已经不错了。过去了解到很多时候，团队就等于是集体给别人打工去了，VC等于就把钱丢掉了，拿不回来。当然，这比那种做到最后‘家破人亡’的强，听说就是做到最后人都走了，公司也不见了，再也找不到创始人了。因此作为投资人，应该有足够的经验和策略提供给创业公司以达到最佳的收购效果。

徐霄羽：特别是像李轶自己经历过整个的创业-收购过程，这种人才非常难得，丰元也非常有幸投资到了这么好的为人的创始人，更加有幸邀请到李轶回来做丰元基金的顾问，能够为创业公司提供非常难得的经验分享。

徐霄羽：人工智能，现在大家会说它像电一样，刚刚被发明出来的时候经历一个颠覆，它一个又一个的去颠覆传统的行业。比如说，电灯的出现就取代了油灯。其实现在也一样，人工智能也会像电一样普及，它正在颠覆一个又一个传统行业，比如说汽车行业。我本来油车开的好好的，为什么我要去买一辆电车呢？可能最主要的原因是人工智能驱动的自动驾驶技术。咱们其实现在已经很难想象说哪一个行业将不会被人工智能所颠覆。所以今天在这想趁这个机会问问两位专家，将人工智能的泡沫拿掉以后，它有哪些好的创业方向呢？

李轶：首先，这个热度相信大家从自己做的事情和从市场上都有一样的感受。我觉得这个热包括从一些大公司的战略，包括从一些初创企业的个数，成长速度，包括这几年的收购案例，大家也都可以感受到这样一个方式。我感觉人工智能之所以这两年会火，其实很大的程度还是因为在技术本身的层面上的有一定的突破。举个例子，像人脸识别这个技术的存在其实已经有好几十年了，这个技术应用也有好几十年了，那为什么这两年又火起来了？更多的是因为像深度学习（deep learning）这些方向的突破。让它可以在精准度和效率上有一个质的飞跃。包括像一些云端的infrastructure的支持，以保证它可以被大规模的使用。我觉得都是各个方面的一个条件成熟所导致的结果。那现在这一连串的条件越来越成熟了，也就导致可以接触到这些资源的人也越来越多。所以也会看到，比如说，从一开始学校里的实验室，然后到一些初创企业做一个高科技的市场，到现在大公司，包括我们现在在亚马逊主推的事情，就是希望把一些尖端的东西普及成utility。就像你用AWS EC2这种机器一样。包括最基本的人脸检测，物体场景都变成像utility一样,大家都能实现。看似这个东西虽然对创业者来讲好像是把竞争变得白热化，大家可以做的东西看似是越来越少，但从一个层面讲，一但这种技术成为utility大家才有机会和有其他的时间想基于这个最基础的技术可以做一些更多更高层次的AI。就像数学一样，它就是一个基础，利用它来做什么，那个才是更intelligent的东西。其实识别也是一样的，我可以识别出来，但是真正的应用等到他普及并且特别成熟了的阶段，相信会有更多真正更偏人工智能的产品出来。

徐霄羽：的确，我们在这边看一些创业公司的时候也发现，可能在半年之前，如果一间公司有一个chatbot也就是对话机器人。我们问他后面，不管是买衣服，还是私人助手，有多少是人工做的，他都会说，百分之九十八是人工的。那么现在的话，变成基本上百分之九十八是机器完成的。这是非常棒的一个现象，就是说现在有第三方的工具，像API.AI、wit.ai等可以帮助创业者实现对话的框架了。我们现在已经看到有用chatbot在Facebook的messenger上卖机票，并且刚刚推出就有比如说几万块一个月交易记录的公司。正如李轶讲的，现在可能又到了一个引爆点，用人工智能真的可以赚钱。那么也想问问李强老师，咱们丰元一直是以投资大数据为主线，那您怎么看待大数据和人工智能之间的关系呢？

李强：首先这个机会比较好，为什么找自动化系校友来讨论呢，就是很多年以前我们都是学模式识别，实际上就是所谓的AI，人工智能早就存在了。那现在为什么不一样了呢？首先，好多信息都数字化了；再一个是计算量上来了，所以使人工智能成为可能。很快可能我们看人工智能就是一个最基本的词，我们做什么事就不用再提人工智能了，因为必须是基于人工智能的。从投资角度来讲，最关键的，投资的本质还是投人。最后创业的根本问题就是赛跑，看谁跑得快。没有说什么东西你做的出来别人做不出来的，只是说你跑的比别人快，这是一个根本的问题。我老举一个例子，爱因斯坦把相对论发表了，他不发表，再过两个月他的好朋友居里夫人或者别人也会发表。所以知识是整个人类的积累，关键是作为一个公司，总在跑，并且跑的越来越快，距离拉得越来越大，而不是越跑越慢，别人就赶上来了。人工智能还有一个根本的、创业的挑战，就是数据来源。就是谁有数据来源谁就是大王。以前到加州来是挖金，现在是用机器学习来挖掘数据，没有数据就挖不了了。所以我们特别关注传感器，谁用传感器采集到很独特的数据，就本身是一件值得挖掘的事，而不是说我有一个团队，我可以做人工智能，这个是比较虚的。所以数据的采集是很关键的，而且跟水一样，数据不是死的，关键是能不能不断的跟踪采集数据。在采集的过程中用户要不断的给你提供反馈，否则就没有学习这一说了。所以人工智能第一要有数据，第二要有机器学习的能力，第三数据要是活的，而且要不断的跟踪和反馈。这就是我们说的人工智能，事情就容易做大，容易有壁垒，否则的话，只是一个算法团队没有真正的数据和用户，最终可能也是很小的一个并购就不错了，并不一定能把事情做起来。而我们想找的就是下一个谷歌，下一个Facebook，我们看的是要有一个金矿。

李轶：对，我非常赞同李强老师刚才所讲的，尤其是在AI这一块。像我们更专注于做图像识别，视频识别，数据是非常重要的。因为一个机器他要学习，我就必须要先有教他的这个过程。教了的话，我们就必须有纠正的过程。那本身这就是一个所谓的dataloop，需要一直去改进。包括像你可以有很多模型，你怎么去筛选这些模型，怎么去做改进。其实都是需要一次一次的去试验一次一次的去学习。这只是一方面，那另一方面，基于你的模型和你想要训练的东西，除了人脸是比较基本的，多数人都是两个眼睛一个鼻子一张嘴，是不会变的。但是涉及到比如像一些驾驶，像一些图片物体的识别，包括在深入向工业化或者向广告行业这些，他是有非常具体的一些物体需要去被训练，需要去被识别。那这些就涉及到，除了训练本身这个过程之外，怎么样去定位你这个所谓的市场，或者怎么去定位你要解决的问题，针对性的去继续训练以达到一个很好的效果，也是需要更大的数据支撑的。同时越是垂直的一些行业，他的数据就越难得。尤其在美国，欧洲，现在的数据隐私也非常的严谨。你就算拿到这些数据，包括拿到几个TB，如果这些数据有隐私或者版权的潜在问题，我是很难找到合适的人群去帮他做标定的。因为不能展示给第三方，这也是我们在训练很多方面遇到一个问题。另外，数据大都知道要，但是，当你真正能够拿得到，然后如何去整理，还是有很大的障碍的。像很多人觉得标定只是一个打标签的工作，但其实以我们的经验来看，它是比打标签更加复杂的工作，涉及到很多人看物体和机器看物体的差别。我们遇到过很多很现实的问题，举个例子，一张照片内容是一个动物园里面有只马，另外一边是一个小朋友带个帽子，留了头的一部分。我们让很多人去标定，很多人都说有小孩，但是实际上对机器来说，它是标定不出来的。再怎么训练，都不行。如果你把它标定成有小孩，对机器反而是一种误导。因为人会有自己的联想和决定，他看到小朋友的头，哪怕是一部分，就能判断这是一个小孩。有不少类似的情况，是很难标定的，包括有些派对结束后的满是垃圾的海滩，大家一看就标定是派对。但如果这样去标定，训练出来的机器再真正的去识别派对还是垃圾，就会有疑惑。这是除了技术的本身，在人的理解和人的标定，和真正能够被机器所学习利用的标定之间的差别。

徐霄羽：无论是投资还是创业，大家都知道它的成功率是非常小的，结果不可预测。那么两位能否给大家一些建议，在你们当时在投资和创业从0到1的时候，你们当时的起点，或者说你们看一个公司最开始的时候是以什么样的态度切入到市场去的。

李强：这是一个很大的问题，先以Orbeus举例。当时的情况很纠结，因为Facebook刚刚把face.com买了，我们为什么要投另外一个人脸识别的公司呢？有几个因素，第一，Orbeus每天的API call已经有百万了，它已经开始积累用户了，市场上却是有强大的需求；第二，时间点非常好，产生新的机会，因为Facebook把face.com买了之后并没有把它推出市场。所以这两个因素非常重要。我们没有因为已经有这类公司被卖了而觉得它过时，因为它积累的数据可能最后会产生很大的效果。当时的预测后来也得到证明了，因为亚马逊和其他大公司，最近也买了好几个人脸识别的公司。再一个就是团队。我们的合伙人认识创始人在谷歌实习时的老板，评价很高，而且当时他们几个团队成员在一起特别合得来，这非常难得。所以这些是我们当时投资Orbeus最根本的判断，现在想起来是非常正确的。再有从机会来讲，还是应该做你想做的事，不要随大流。因为每十八个月硅谷的大趋势就会变一次。如果跟风，十八个月之后把东西做出来了，大概风也过了，那就变成浪潮之后而不是浪潮之巅了。从估值角度来讲，跟风还有一个不好的方面。比如说像otto这么高的估值，6.8亿被收购了。这种情况，很多时候老大是这样，老二就不是这样了。在高科技领域，排名第一的公司值那么多钱，第二就显著得不这样了。所以谷歌很多人出来做这件事，他们的期望值应该是不一样的。就像当年我们合伙人之一，JackSmith 在Hotmail做了不到两年就卖了，1997年卖了四亿美金。1995年创业，不到两年就卖了。你说你再做一个email能卖到这样的价格吗？所以做公司一定要有新的调整，要跟别人想的不一样，不能说纯抄一个团队。李轶这个团队还有一个特点，就是他们经历了很多事。创业没有这么简单。李轶是最优秀，也是最后一任CEO，前面换了几任。大家都不容易，做CEO的压力也很大，并不是每个人都能承担的。再有做CEO的人都很优秀，机会也很多。能不能把事情真正做到底，是很关键的问题。这说起来很容易，但实际上很难。很优秀的人选择很多，但最后结果并不一定最好，因为可能会频繁换工作。创业有一个特点，打个比方，就像我们那时候清华女生少，如果追十个女生，最后一个都没成，结果也是零，这种经验就不管用。创业也一样，如果创业很多次，但是都没成功，这些经验也不用介绍了。如果有一个成功了，追到了一个女生，这个成功经验才有意义。创业也是一样，如果你到处转一圈，这个公司干一年，那个公司干两年，最后哪都没成，其实成功经验还是零。所以不仅是创业，或者是跟着创业的人打工，你打工也把这个公司打到底，干个四五年，看看是怎么回事。这样的话，即使你不是创始人，也有创始人的经历，这种经历是很宝贵，很难得的。

李轶：对，接着李强老师刚刚讲的。从创业的角度来看，我觉得从0到1，从我们自己的角度来看很重要的一点就是你在做这件事之前就要清楚自己是为什么做这件事。有些人比如说是非常认同这个技术，或者是非常认同这个产品，或者有些人也可以说就非常想去创业去学习感受，在这都是可以的。但是，由于这两年的热潮，也存在很多人是因为，比如说我要三十岁了，我必须要在三十岁之前出人头地，或者是觉得这两年创业这么火，如果现在不创业，等这个风潮过去以后就没有机会了，这类的情况。为什么我们对这些人会有疑虑呢？我个人觉得本身创业就很难了，开始创业更是很小的几率会一帆风顺。如果你做这件事的动力是一些外因，不管是金钱，不管是市场，不管是周围的人或者所谓的一些评价和自己所谓的满足。一但一件事情支撑你的原因是外因，那他就很容易被消失。这个外因一旦没有了的话，你自己是很难撑下去的。真正能撑下去的是，你的动力一定上是自己的内因，因为内因是别人没有办法改变的，是自己可控的。当你真的认可这件事，你就能够坚持下去，其他的东西所能够影响你的层面也会比较小。创业公司，包括我们自己一路上也不是说一定是做的最优秀的，但是我们也看到很多跟我们同时间，或者比我们早一些或者晚一些成立的公司，其实并不是被我的竞争挤掉的，而是我们站着站着，他自己就走了。其实都不需要竞争，尤其在早期的时候，很多情况下是自己走掉的，而不是说被我竞争掉的。所以这个还是我挺大的一个感触。当然了，能走到这个阶段，包括大家都是清华的精英，我觉得在智商层面上是都没有太大的差距的。一件东西只要你积累下来，花足够的时间足够努力地撑下来了，我相大家的能力是一定会成功的。

由于篇幅有限，我们就为您摘录到这里，接下来的活动中，几位嘉宾分别探讨了“如何做一个爆款”、“投资中发现的创业成功的规律“、”B2B与B2C相互转换与定位策略“、”第一代华人移民的技术背景如何创业“、“投资老话题如何看人”。欢迎大家持续关注AI2智能研究院在硅谷的更多公益活动！

关于清华自动化系全球VC Tour

清华自动化系全球校友均有机会通过线上Podcast、微信群参加，请致函hello@ai2summit.org提供“姓名、毕业年级、工作单位、职位“，我们会及时为您发布新的活动信息。（AI2智能研究院的李强：清华自动化系82级，后保送清华经管学院）

关于AI^2智能研究院

AI^2智能研究院是由李强、吴军、朱会灿、徐霄羽、Jack Smith、李轶、陈毓姗以及硅谷互联网巨头人工智能专家、斯坦福院士、著名院校人工智能教授共同发起，致力于从专业角度促进人工智能的伦理发展、推广人工智能在各个传统领域的应用、实践硅谷文化、推动全球化策略新视角的公益活动。

关于Orbeus

计算机视觉和图像识别初创公司Orbeus，是图像识别ReKognition API 的开发者，并且在该API基础上开发了多个广受好评的图像识别APP如Phototime等，比Google Photo更早大获成功的照片自动人脸识别整理APP。 Orbeus在拒绝了雅虎和苹果的邀约后，于2015年9月被亚马逊成功收购。

关于丰元创投

丰元创投(Amino Capital, 旗下基金包括zPark Capital), 是美国第一家汇集硅谷IT巨头企业华人高管的创投基金,总部位于硅谷中心帕洛阿尔托(Palo Alto) 。丰元创投市场化的运作模式与技术高管的背景，专注于早期投资,包括种子、A轮与B轮。已经运营的1期与2期基金中有100余家高速成长的创业企业，包括Assemblage(被思科NYSE: CSCO收购)、Orbeus(被亚马逊NYSE:AMZN收购),Skycatch, TrustLook等。丰元创投合伙人名单包括曾经创办清华企业家天使基金与中关村硅谷创投的李强；著名的Google中日韩文搜索算法的主要设计者，腾讯前副总裁、畅销书《浪潮之巅》，《大学之路》和《文明之光》的作者吴军博士；Google第一位高级华人工程高管，协助组建谷歌中国，利用20%的业余时间独立开发出Google的图片搜索产品，被华人同事们尊称为“老大”的传奇人物朱会灿博士； Facebook首位华人总监并已升任副总裁，负责Growth的魏小亮博士等。这家“高管班”创投的每位合伙人身后都有着一串耀眼的经历，同时也拥有一支具有深厚行业经验和企业运营管理的投后团队。丰元创投较美国本土投资人的优势在于该基金团队的华人高管背景。中国是最大的蛋糕，当下硅谷的每一个创新企业，都希望在占领美国本土市场的时候，进军中国市场。因此，这些企业在融资时希望能够找些有华人背景又深谙硅谷规则的投资人，可以更好地对接中国市场。网站: