波士頓早期風險投資基金ProcyonVentures專注在北美高技術壁壘的大數據、人工智能、物聯(lián)網、精準醫(yī)療等領域的投資。從他們所投的美國創(chuàng)業(yè)項目來看大數據與工業(yè)互聯(lián)網等詞語會感覺更真切。ProcyonVentures管理合伙人MillieLiu在正和島分享了在此領域的投資經驗和感受。

　　4V概念與行業(yè)內的真正應用

　　你們重點投資大數據、工業(yè)互聯(lián)網、人工智能等領域，而且特別關注算法方面，這與你個人的經歷和背景有什么關系嗎？

　　MillieLiu：的確，因為我本科在多倫多大學學的是數學，后來在麻省理工讀的金融碩士，用了三年半的時間修完本科和碩士課程的學分，所以上學時就有很多時間創(chuàng)業(yè)和工作，而且都是軟件大數據方面的。因為特別喜歡數學、技術，畢業(yè)后多年的工作和創(chuàng)業(yè)還是沒離開大數據、工業(yè)互聯(lián)網領域，這些年做投資更加偏愛大數據分析算法類的項目。同時覺得技術不應該只是“好玩兒的”，應該解決實際的問題，所以比較關注企業(yè)產生實際價值的問題，這也成為我們的投資理念。

　　“大數據”已成為熱詞，大家都很喜歡用“大數據”來說事。你認為應該怎樣理解？

　　能否結合你們的投資描述下“大數據”？

　　MillieLiu：大數據被廣泛應用，這個詞也多少有些被濫用，一些兜售銀行、保險、房產、醫(yī)院客戶個人信息的騙子都要冠以“大數據”。

　　其實，行業(yè)里有一個概念叫Bigdata4V（Volume,Variety,Velocity,Veracity）更能準確反映“大數據”的特征。

01Volume主要指的是數量大

　　比如現在各種設備都會產生海量的數據：一個采礦場的機械一天平均產生1PB的數據，一個自動化生產車間一天平均產生24TB，一個大型的冶煉工廠，一天產生1TB的數據。ProcyonVentures投過一家叫SevenBridgeGenomics(跟Google，Tesla，Amazon一起被評為全球前50最具創(chuàng)新的公司之一）的生物信息分析公司。一個人的全組基因原始數據可以在100GB-1TB之間，一般一個實驗有幾百個人的數據比較正常，SBG的客戶包括英國人類基因組計劃，要處理英國十萬人的基因數據，想象一下這里的數據量！

　　02Variety主要指的是多樣性

　　大數據種類繁多，數據格式、應用特征、數據來源等等都不是相同結構的數據。比如ProcyonVentures投了一家公司是從萬維網之父TimBernersLee教授在MIT的實驗室出來的，這家公司擅長處理的是非結構性數據，把零售數據、圖片、視頻、社交媒體信息、網絡使用習慣等數據全都放在一起進行精準的匹配。包括京東等大電商都急需通過技術解決商業(yè)痛點，但是發(fā)現技術壁壘很高，其中就有對非結構性數據處理匹配這個問題。

　　03Velocity主要指的是速度

　　對數據實時處理有著極高的要求，在大量數據實時產生的同時進行迅速或者接近實時的處理。比如工廠里需要對機械生產數據做實時的分析反饋處理，否則等到發(fā)現事故發(fā)生已經過了一段時間，造成很大的損失了。還有我們平?？吹降膹V告都是實時計算、競價、推送的（至少在谷歌、臉書上）。你打開網頁的一瞬間，廣告競價商會幫助他們的客戶（比如阿迪達斯vs耐克）實時計算你所有的社交網絡信息，你喜歡什么、點贊了什么、跟誰是朋友、關注了哪些歌手、點開了哪些朋友推送的文章等等，然后決定為了讓你在右邊的廣告位里看到他們的廣告愿意支付多少錢。大家可以想象廣告交易平臺要用到的服務器對數據實時處理的要求跟紐約證券交易所是相似的。

04Veracity指的是準確性

　　行業(yè)里的一句話是“垃圾進，垃圾出?！敝挥懈蓛舻臄祿拍墚a生價值，也就是只有處理過的數據才是有價值的。有些數據是散亂存在的，但整合起來就價值倍增了。比如ProcyonVentures投了一家公司叫Smarking，他們把天氣，航班，公共設施，大型活動等等信息整合在一起，預測交通和停車情況，然后賣給停車場管理公司，做動態(tài)停車定價，最大化他們的收入節(jié)約成本。

　　與工業(yè)4.0相輔相成AR面向消費者過早

　　你用4V巧妙的概括了“大數據”的特征。那么你認為大數據和工業(yè)互聯(lián)網是怎樣的關系？

　　MillieLiu：其實，大數據應用的非常廣泛，絕對不只是BAT才用得上，最大的應用是在工業(yè)互聯(lián)網方面。工業(yè)互聯(lián)網應用主要在三個層面：

　　一是機器之間的聯(lián)動，通過先進傳感器感知,物聯(lián)網聯(lián)動,計算機模型控制機器與機器之間的配合。比如大部分工廠里機器A已經壞了停下來了，可是機器B還不知道，還在生產輸送給A的零件，這就會產生問題。這種就屬于最簡單的，把機器都連起來，互相可以感知。

　　二是機器與算法的結合，基于物理層的數據收集結合垂直應用中對生產流程的深度理解,利用海量數據進行機器學習,建立精準預測模型,指導生產流程。比如冶金，比如配電，都是有非常多輸入值，環(huán)境又有很復雜的可變量，所有這些對最后的產品都會產生影響，比如廢料率，純度等等。機器與算法的結合就很適合這種變量極多的復雜的工業(yè)生產流程。

　　三是機器服務于人的互動，連接進行生產工作的人與物,提供實時的智能以支持人的流程決策和操作,提高效率和產能。

　　我們投資的APXLabs研發(fā)的企業(yè)級智能可穿戴設備(被達沃斯評為2016世界先鋒技術)就是最直接的例子：他們的客戶包括航空航天，如波音，通用電氣;石油比如美孚;電信比如荷蘭皇家電信；整車比如特斯拉...應用的場景涵蓋了復雜組裝、大型器械維護檢修、野外操作、零部件存取等等。AR目前面向消費者還是太早了，工業(yè)和醫(yī)用倒是有很大的需求。

國內市場有待成熟人才儲備不足

　　你們在美國投了那么多大數據、工業(yè)互聯(lián)網的項目，你感覺中美兩國在大數據應用方面有哪些不同？

　　MillieLiu：比較大數據在美國和中國的應用還是有很大的不同。國內相對應用于B2C較多，個人消費市場O2O非?；馃?。而美國很多的是應用于B2B，特別是在工業(yè)生產、金融商業(yè)、生物醫(yī)療等領域。

　　同時，在專業(yè)分工上國內與美國也存在很大的差異。一般企業(yè)內部都可以做一些數據挖掘的工作，視具體的應用場景，利用一些小工具，內部有好的工程師也是可以自己做的，但真正專業(yè)的采集、分析、處理還是要專業(yè)的大數據公司來做。

　　在國內，一方面數據分析公司比較少，人才儲備不夠，市場有待成熟。另一方面，企業(yè)也很敏感，哪怕知道自己可能坐在大數據金礦上但什么都做不了，也不敢把自己的數據給第三方。而美國的企業(yè)級市場非常成熟。

　　比如我之前工作的APT，作為第三方擁有全北美50%以上的零售數據（包括CPG、銀行、保險、餐飲、租賃等所有面向個人消費者的都算在零售的范圍內），這些所有的數據都是客戶開放給我們的，再經我們分析處理后為客戶提供優(yōu)化決策服務。我覺得這還是有個商業(yè)環(huán)境和信任的問題，隨著市場逐漸成熟，這些問題都會解決。

　　作為專注深科技的投資人，我覺得這是一個非常讓人興奮的時代。尤其在美國，在波士頓，在硅谷，每天都能看到新的技術，以及技術帶來新的可能性，解決現有的痛點。而這些先進技術在國內有非常大的需求，對中國企業(yè)轉型升級，對工業(yè)制造4.0等廣泛的領域都將加油助力。同時，也欣喜地看到國內許多企業(yè)把目光投向美國，以資金優(yōu)勢布局美國，從早期創(chuàng)業(yè)投資到成熟項目并購。從接待過的眾多中國企業(yè)家身上，總能感受到果敢和遠見，相信中國的科技發(fā)展會與美國共同前行。