1946年成立的美国研究与发展公司（American Research and Development Corporation, ARDC）开启现代风险投资以来，风险投资一直是一个“靠人驱动的生意”，讲究的是圈子文化，还有投资半径。

VC为开创性、革命性的科技企业提供了动力，但讽刺的是，它却是数字化程度最低的行业之一。但是经过80年发展，到了GEN AI在各行各业逐步渗入的今天，投资人也在不断思考如何将数据和AI技术融入其日常运营中。

硅谷科技评论（SVTR）作为观察和分析前沿科技（AI）的先锋，从2022年底ChatGPT问世开始，我们持续追踪和研究AI对各行各业的影响，到今天我们积累了全球2000多家优质AI 初创公司和创始人的数据库（svtrai）。在我们内部，我们也在持续讨论交流，AI对未来的风险投资会产生什么影响，今天应该做点什么？

对冲基金行业的历史可以帮助我们预见风险投资的未来。

多年前，对冲基金利用数据科学颠覆了股票交易市场（公开市场）。在公开市场中，算法交易决策目前占总交易量的75%以上，资产管理规模超过1万亿美元。

吉姆·西蒙斯（Jim Simons），量化对冲基金文艺复兴科技（Renaissance Technologies）的创始人，也许是现代金融史上最伟大的投资人，其投资回报记录超越了沃伦·巴菲特（Warren Buffett）、乔治·索罗斯（George Soros）和雷·达里奥（Ray Dalio）。

作为一名数学家和密码破译员，吉姆·西蒙斯采取了一种激进的方式，将自己的深奥专业知识应用于金融市场。当他创立自己的基金时，没有聘请金融人士，而是聘请了物理学家、数学家和计算机科学家，让他们收集大量数据并构建可以解码公开市场隐藏模式的算法。

一级市场投资比二级市场的投资更复杂。因为风险投资市场需要双向匹配。从工程角度考虑，算法需要将优质资产与合适的风险投资基金进行匹配，并提出匹配的理由，因此它是一种“推荐算法”——由于存在额外的变量，整个过程变得更加复杂。对冲基金和股票交易并非如此，因为它们只是单边匹配，使其成为一种“搜索算法”。而人工智能工具的出现，让一级市场风险投资出现新的变化。

理查德·巴克敏斯特·富勒（Richard Buckminster Fuller）曾说：

“与现有现实作斗争永远无法改变事物。要改变某些事物，就需要建立一种新模式，让现有模式过时。”

这正是AI驱动VC机构如今正在做的事情。正如文艺复兴科技公司的非典型团队“解决”了公开市场投资问题，一个由程序员、人工智能研究人员和量化分析师组成的量化VC正在重新设计初创企业的投资。AI驱动VC的目标是在风险投资市场“建立一种新模式”，利用数据科学和人工智能来理解和推动初创企业的价值发现、创造和成长。

一、数据驱动投资的概念

目前大多数 VC 仍然在一个手动工作流程的世界中，一般使用简单的技术工具堆栈，包括通用 CRM 系统（如 Salesforce）、基本的电子邮件和笔记工具（如 Apple Mail 和 Notes）、用于通信的 Slack 或 WhatsApp、用于线上会议的 Teams 或 Zoom、用于文档存储的 G-Suite 或 MS-Suite，仅此而已。这类VC属于上图左侧的“老派VC”（Old-school VCs），大多数 VC目前似乎仍停留在这里。

在上图中间被称为“生产力 VC”（Productivity VCs），这类VC要么从第一天就拥有现代的现成工具堆栈，要么（这似乎是大多数 VC 的代表）一直在推动生产力升级并从旧世界开始迁移过来。他们成功地迈出了第一步，用 Affinity 或 Attio 等VC版的CRM 系统升级了他们的“老式”堆栈，使用 Zapier 自动化了他们的工作流程，利用 Notion 进行知识共享，并渴望通过 ChatGPT 等工具进一步探索自动化潜力。

在上图的右侧被称为”AI数据驱动型VC“（Data-driven VCs），或许还可以称为量化VC、DDVC。目前市面上存在着相对较少的技术成熟的“数据驱动型 VC”，它们使用可扩展的网络爬虫和代理服务器（如 Phantombuster 或 ScraperAPI）、流程调度工具（如 Airflow）、数据库（如 PostgreSQL 或 Neo4j）、专有后端和前端等开发自己的解决方案。虽然我认为真正的“数据驱动型 VC”是那些构建专有解决方案并在内部转变业务核心的公司，但从“生产力 VC”到“数据驱动型 VC”的飞跃也可以通过外部解决方案实现，例如 Specter、Harmonic、Gravity、SourceScrub 或任何其他提供商。

上述三个阶段在 y 轴上的“风险投资数量”与数字化复杂程度成反比。当然从“老派 VC”到“生产力 VC”再到“数据驱动 VC”的转变是一个持续的过程。它不是线性的，而是需要很多的时间和精力。

二、为什么VC机构需要AI驱动

人工智能非常适合帮助人类管理信息，并解构幂定律以揭开风险投资的神秘面纱。而投资又真是知识密集型行业之一，尤其是公司与公司之间，人与人之间，公司与人之间的背后关联是投资决策的关键。而这又恰恰是AI和数据的用武之地。

1. 项目筛选

分析初创企业的大量数据集，识别模式、趋势和 KPI，支持投资经理筛选和优先考虑投资机会。

1. 尽职调查

通过分析大量非结构化数据（例如新闻文章、社交媒体帖子、行业报告和财务报表）对初创企业进行尽职调查。

1. 预测分析

利用数据开发预测模型，评估初创企业的成功或失败的概率。

1. 投资组合管理

通过持续监控和优化现有投资的表现来更有效地管理投资组合。

1. 专业知识学习

在公司和行业层面提供见解，拓展VC从业人员的专业知识。

当前的风险投资流程支离破碎：在整个价值链中，风险投资机构都充斥着手动、低效且不包容的流程。事实证明，数据驱动计划可以从效率、效力和包容性三个方面帮助不同阶段的投资机构。

1、更高效

Data-Driven VC可以利用数据和算力来避免扩大团队带来的成本上升，同时成倍地提高基金及其流程的产出投入比，同时让投资团队专注于将时间花在更有附加值的行动上。

2、更有效

传统的风险投资可能会集中于某些熟悉的行业、地区或创始团队类型。数据驱动的方法能够识别和评估那些可能被传统方法忽略的机会，比如来自非主流市场或拥有独特商业模式的初创企业。此外，数据驱动的决策过程依赖于大量数据和分析结果，有助于消除个人偏见和主观倾向。

3、更包容

数据驱动的方法强调结果和表现，而非创始人的背景或身份。这促使投资者更加关注创业项目的实质和潜力，有助于打破行业内的种族、性别和文化壁垒。

三、AI驱动VC市场格局

根据欧洲知名量化VC机构Earlybird Venture Capital的合伙人Andre Retterath，Data-Driven VC定义为满足以下所有三个条件的风险投资公司：

1. 团队必须至少有一名工程师从事内部数据工作；
2. 基金必须至少有一个DDVC社区提名；
3. 已证明能够在 VC 价值链的至少一个环节中开发内部工具。

从2024年度数据来看，处于中位数的 DDVC 拥有40名员工、2个工程师、基金AUM达到4.5亿美元。基于上述条件，全球有190家数据驱动型 VC 公司（相比2023年151家增加了39家VC机构）。此外，根据团队中工程师的数量和比例、数据驱动计划覆盖的价值链环节以及社区提名数量对前 20 名 DDVC 进行了排名。

排名靠前20的 DDVC机构中的11家位于美国，达到55%。其次是英国有4家，达到20%。其他DDVC 主要位于德国（2家）、法国（1家）、瑞典（1家）、加拿大（1家）。

从投资机构看，既有Sequoia Capital、a16z、Lightspeed这样的综合VC机构，也有原生的技术驱动（数据驱动、AI驱动）投资机构 InReach Ventures、Moonfire Ventures、QuantumLight Capital等。这些新兴的DVDC通常工程师人数能占比达到50%，这类当然基金规模都不大，在1-2亿美元为主，基本属于第1或2期基金，通常偏早期种子和天使期的投资。

DDVC机构的主要观察如下：

1. 由于管理资产（AUM）和工程师数量呈指数相关，工程活动能够有效扩大资产规模。
2. DDVC 仍然主要关注 VC 价值链的初始阶段（采购工具和筛选公司），其次是投资组合价值创造和尽职调查。
3. DDVC 将继续大幅扩大其用于工程人力资源和外部工具的预算。
4. 与规模较大的机构相比，规模较小的DDVC 会更广泛地构建各类价值链中的工具。较新的机构可以从新领域中获益，而成熟的VC机构则因迁移要求、流程变化和文化抵触而面临更多阻力。
5. 1/3的 DDVC 认为，AI 可以帮助他们在不久的将来减少投资团队的员工数量。

四、案例研究

斯坦福大学人工智能研究员Mohammad Rasouli博士，是一家湾区科技公司 AIx2 的顾问，帮助机构投资者探索人工智能在另类投资比如VC投资中的应用。最近，Mohammad Rasouli博士介绍了EQT、Sequoia Capital、A16Z 和 Tiger Capital 等领先机构如何利用AI不仅简化流程，而且还在浩瀚的投资机会中发现隐藏的宝石。

1. 运营效率提升方面，侧重于从数据分析到AI副驾驶选项的所有内容，目的是使用生成式AI 技术提高日常运营效率，例如文档生成和流程管理等。
2. 产生Alpha收益方面，则包括更复杂的任务，这些任务需要AI进行预测：从寻找投资交易、匹配可以投资其基金的最佳 LP ，到为现有投资组合公司招募最佳候选人等。

1、VC利用AI颠覆投资流程：EQT 和 Motherbrain 达成 9 笔交易

EQT的Motherbrain项目启动于2016年，旨在帮助EQT Ventures通过数据驱动的方式寻找最佳科技初创企业。Motherbrain将外部数据点（包括社交媒体中的数据）与公司数据和140,000个独特的EQT历史尽职调查相结合，以训练其机器寻找优质投资标的。

如今，Motherbrain平台的功能已经拓展到市场分析、专家咨询和竞争对手研究。在投资机构的多个场景中得到了应用，例如支持跟踪公司并协助做出更快、更有依据的决策，还帮助投资组合公司的人力资源团队寻找人才。

有趣的是，EQT Ventures利用Motherbrain进行了真实的项目投资。这些AI驱动的投资包括Peakon、AnyDesk、CodeSandbox、Griffin、Handshake、WarDucks、Standard Cognition、Netlify和Anyfin。该基金表示，如果没有Motherbrain，这些公司都无法被发现。

2、从端到端的“平台级方法“有可能带来最大回报

但AI的应用远不止于此：私募股权投资基金正在寻找更多机会，因为他们掌握了特定公司和行业领域的大量历史财务和业绩数据。因此，一些投资机构正在使用人工智能来加速初创公司的发展，甚至将其转变为像上述EQT那样以嵌入人工智能的方式运营，而其他公司则可能会在投资委员会中给AI一个席位，例如General Atlantic，让AI像人类一样参与投票。

由于投资垂直领域存在各种用例和现有成功案例，未来的VC基金将利用所谓的“平台级方法”，其中人工智能不会以零散的方式用于单一任务（例如报告或交易流程的采购），而是融入投资流程并成为其中不可或缺的一部分。EQT的Motherbrain就是这种在VC内部不断发展的平台方法的一个例子。

Mohammad Rasouli介绍说：VC基金不会零散地到处使用人工智能，也不会零星地购买解决方案，而是开始将他们的整个投资支柱放在一个可以端到端支持基金的平台上。所有这些用例贯穿整个投资周期，从筹集资金到寻找交易，进行项目路演或商务谈判，执行交易，一直到项目退出。

3、使用人工智能寻找创始人而非初创公司

事实上，寻找投资信号并不止于对公司进行模式匹配，尤其是在早期投资阶段，更重要的或许是发掘优秀的初创公司创始人。Mohammad Rasouli描述了这种技术在VC基金中的应用，并举了一个例子：“如果创始人在一家知名公司工作，突然他们的LinkedIn变成空白，就像他们没有更新LinkedIn或没有发布任何内容一样——他们可能正处于创建初创公司的隐身模式。所以这正是VC可以去接触他们、建立联系并与他们讨论公司和融资计划的确切时间。”通过这种方式，VC能够通过尽早达成交易并在这个竞争激烈的市场上找到水下项目。

事实上，在过去两年中，有200多篇关于在风险投资中使用人工智能的学术论文发表。其中一篇文章是关于对风险投资人和机器学习算法进行投资筛选的基准测试，作者得出结论是，AI算法在做出投资决策方面实际上比111名VC专业人士更好。

当然这并不是说投资人将被取代，但正如论文作者所言，VC可以从AI增强解决方案中受益，其中算法缩小交易流程漏斗的上部，让VC投资专业人士将他们的工作集中在漏斗的下部。Mohammad Rasouli在自己的论文中也写到：

“VC根据这些模式训练模型，然后问模型同样的问题。而模型的表现确实优于投资者。这就是信号——这是它们被训练的方式之一。这些算法在选择初创企业的投资机会方面比人类更好，而且有这么多算法可以用。AI可以了解公司的概况、创始人、财务历史以及现有的任何数据，判断潜在投资标的是否与VC机构的投资理念相符。”

4、自动生成报告和投资备忘录，节省高达 80% 的时间

VC投资基金最重要的任务之一是向其有限合伙人（LP）汇报。准备季度报告、财务报表、资本账户报表等标准报告包往往是一项非常繁琐且耗时的任务，但这也是VC业务的一个关键要素，因为这些文件会被发回给LP。这恰恰是用AI可以节省时间和金钱的完美例子。

Mohammad Rasouli介绍：

“这个场景是一个很好应用案例，很容易实现，适用于几乎所有VC。这绝对是应该用机器来完成的事情——我预计在未来两年内，没有人会像今天这样去做。现在，在我自己的公司AIx2和我自己团队中，我们确实有类似的用例。我们服务的一位客户使用此类工具成功节省了80%的时间。事实上，撰写投资备忘录并向LP汇报是他们日常工作中的大部分——现在他们有更多的精力来专注于他们的业务。”

这种案例特别有吸引力，因为VC机构不需要大量数据即可实现此类流程的自动化。例如，投资人只需要大约10个以前的报告和投资备忘录示例，LLM（大型语言模型）就可以复制类似的结构、格式和风格。

五、AI驱动VC面临的挑战

和所有新生事物一样，量化VC模式目前也是存在争议的，许多人反对这一投资理念，他们通常提到三大挑战：

1、量化VC如何获得投资机会？算法投资能拿到配额吗？

很多VC投资者认为最好的交易大多是超额认购和超级热门的交易。但实际上，这些只是媒体炒作的交易。相反，我们应该将风险投资视为两种不同的资产类别：种子前和种子轮，以及 A+ 轮。

量化VC面临的挑战是说服 LP，毕竟在项目Pre-Seed 和 Seed 期间不存在投不进的问题。事实上，Pre-Seed 期间 85% 以上的交易都是分散的，没有哪家机构可能垄断早期交易。

虽然存在部分交易是量化VC投资无法获得的（就像其他基金一样），但在种子前期和种子期，有足够多的高质量交易没有被炒作，量化VC依然可以参与其中。

当然，在 A+ 轮 VC 的后期阶段，存在着很大的准入问题。在此阶段运营的量化 VC 倾向于从估值和增值服务等角度对基金进行差异化竞争。

2、量化VC如何在投后阶段增加价值？创始人真的欢迎“不插手”资金吗？

量化VC更容易与创始人和其他投资者产生强烈共鸣，因为量化VC通过透明、公正、高效的投资决策，减少了人为干预和情感负担。量化VC通过将人类因素排除在外，明确了其期望值。没有路演Pitch的陈词滥调；没有“合作关系”；没有虚假的同理心。只有算法——快速、安静、不干涉、公平。

量化VC不仅拥有大量数据，还知道如何有效利用这些数据。他们可以利用这些数据为创始人提供深刻的行业见解，以支持他们的融资、招聘、市场分析和竞争对手跟踪报告。

3、量化VC存在黑匣子、隐私问题如何解决？

我们如何知道机器为什么会选择这些创业公司？所有这些人工智能技术背后的基本技术是神经网络。然而，神经网络是黑匣子，我们尚不清楚它们为什么会从数学上决定某个选项。很难理解它们在做什么。一旦你给它们大量的数据——这就是神经网络的全部魔力。但现实是一旦输入适当且丰富的数据，奇迹就会突然发生，这种模式识别比人类做得更好。我们认为黑匣子并非一个真正的障碍，正如我们今天对人类的大脑的工作原理知之甚少，但并不妨碍我们用大脑去思考和探索。

神经网络的另一个挑战是，它们倾向于以我们不知道的复杂方式在节点中记录有关其输入的信息。因此，如果有敏感数据输入用于训练，可能会使VC基金面临隐私风险。这是一个挑战，因为这意味着，我们还不知道如何从其节点中删除用于训练神经网络的某个输入。因此，无风险的人工智能的最佳实用方法是首先避免传递敏感信息来训练神经网络。

六、未来展望

传统的VC风险投资实际上受限于人际关系的可扩展性。个人投资者在没有数据和技术帮助的情况下，能够深入了解多少行业和公司存在认知差距。技术为这一限制提供了解决方案，使投资者能够寻找和筛选大量交易机会。

量化VC不仅希望改善投资流程和为LP创造更优回报，还希望重新定义和定位风险资产类别。通过扩大初创企业分析和投资的规模，可以推动投资组合多元化并降低波动性，从而产生远超行业平均水平的风险调整后回报。

今天，我们仍处于AI数据驱动革命的开始阶段，全球只有约 1% 的VC机构被视为数据驱动VC。在人工智能的大潮之中，我们相信风险投资将会走向更高效、更有效、更具包容性的未来。

https://wenfeixiang.com/2024/05/landscape2024-for-data-driven-vc/