人工智能如何帮助VC投资？从提升运营效率，到追寻Alpha收益

这两年很多VC非常关注AI人工智能，在观察和分析AI在各个行业的落地应用到了什么程度，那么回到VC自身，AI有哪些场景和应用机会呢？在IT桔子内部，我和同事们会不断讨论交流。我们观察到国外VC的一些应用，我们还去约了一些VC投资人交流看需要怎样的应用？

结合企业所期待的：降本增效，VC同样也是类似的诉求。一方面希望AI可以降低成本、提升运营效率；另一方面希望AI可以监控和管理风险、提升收益，尤其是在目前市场大环境不好、Beta收益有限的时候，是否能有一些Alpha收益的机会？这是不少VC所关注的。

正好最近我有看到《福布斯》的一篇文章，梳理了AI对于VC风险投资从业者的一些帮助、还有应用场景，觉得很有启发，编译过来与大家一起学习和找寻商机了。

下面来看看，enjoy it！

在不断发展的风险投资VC领域，人工智能AI已不仅仅是一种工具，而是一种变革力量，它重新定义了投资策略和运营效率的参数。这引起了不少AI研究人士的关注，例如斯坦福大学人工智能研究员Mohammad Rasouli博士，他是一家湾区科技公司 AIx2（https://aix2.ai/ ） 的顾问，致力于帮助机构投资者探索人工智能在另类投资比如VC投资的机会。

从提高VC运营效率，到探寻无与伦比的投资收益（通常是Alpha收益），Mohammad Rasouli博士介绍了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海洋中发现隐藏的宝石。

VC投资的 AI 堆栈：从运营效率到产生 Alpha收益

当被问及如今VC投资的最佳 AI 堆栈是什么样的，Mohammad Rasouli介绍说，Sequoia Capital、A16Z 、Tiger Capital 、Iconiq Capital等VC都已经在使用 AI 工具了，致力于实现两个主要目标：运营效率提升、产生Alpha收益。

• 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。
• 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。

虽然寻找新的潜在交易会得到最多的关注和兴趣，但AI的机会远不止于此。VC使用AI应该从哪里开始以及如何进行，都是根据其自身情况量身定制的。

VC利用人工智能颠覆投资流程：EQT 和 Motherbrain 达成 9 笔交易

追逐人工智能的淘金热已经拉开帷幕，所有大型基金都在增加对数据和数据科学团队的投资。EQT 的 Motherbrain 项目就是一个领先的例子，它利用人工智能来识别有前景的投资机会。该项目于 2016 年启动，旨在帮助 EQT Ventures 在数据驱动下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，以训练其机器寻找好交易。

有趣的是，Motherbrain 平台已经发展到其他用例，例如支持跟踪公司生命周期并协助做出更快、更有根据的决策。EQT 还向其投资组合公司的人力资源团队提供了 Motherbrain 功能，尤其是用于寻找人才。Motherbrain 的功能包括市场分析、专家采购和竞争对手基准测试，这大大增强了 EQT 的交易工作流程和主题交易采购。

最有趣的结果是，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。

平台级的方法有可能带来最大回报

但AI应用不止于此：私募股权或后期投资基金正在寻找其他机会，因为他们拥有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VC正在使用人工智能来加速他们的初创公司发展，甚至将它们转变为以类似上述 EQT 工作方式的方式嵌入人工智能，而其他公司可能会让人工智能在投资委员会中占有一席之地，例如General Atlantic，让AI可以像人类一样投票。

由于投资垂直领域存在各种各样的用例和现有成功案例，未来的VC基金将利用所谓的“平台方法”，其中人工智能不会以零散的方式用于单一任务（例如报告或采购交易流程），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并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，进行项目路演或会见团队，执行交易，一直到项目退出。

使用人工智能寻找创始人而非公司

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，更重要的或许是初创公司的创始人。

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隐藏的宝石来击败竞争对手。

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。其中一个例子包括一份关于人类与计算机的白皮书：对风险投资家和机器学习算法进行投资筛选的基准测试，其中作者得出结论，在匿名化 10 家公司后，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。

当然这并不是说人类将被取代，但正如作者所倡导的那样，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手动工作集中在漏斗的下部。Mohammad Rasouli在自己的论文中也写到：“VC根据这些模式训练机器，然后问机器同样的问题。而机器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，看它是否与VC机构的投资观点相符。”

黑匣子、隐私问题以及基金中失败的人工智能实验

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。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。”Mohammad Rasouli介绍。

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，如果有敏感输入用于训练机器，它们可能会使VC基金面临隐私风险。这是一个挑战，因为与此同时，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。这一切意味着，无风险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。这并不意味着完全不使用人工智能工具，而是为每个VC基金采取量身定制的工程方法来降低风险。

此外，私募投资比公开市场的投资更复杂。为什么？因为私募风险投资市场需要双向匹配。从工程角度考虑，算法是将优质资产与合适的风险投资基金进行匹配，并提出匹配的论点，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，因为它只是单边匹配，使其成为一种“搜索算法”，对于人工智能工具来说，这是一个更简单的过程。

通过自动生成报告和投资备忘录，合伙人可节省高达 80% 的时间

VC投资基金最重要的任务之一是向其 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：“这个场景用例是一个很好的例子，它很容易实现，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 – 现在他们有了额外的时间和金钱来专注于他们的业务”。

这种用例特别有吸引力，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 就可以复制类似的结构、格式和风格。

人工智能集成中的购买与构建困境

VC机构面临一个关键的决定：是建立内部人工智能系统还是购买现有工具。大型VC机构可能会根据其资源和特定需求选择内部开发，这是他们应该采取的明智而大胆的举措。这种内部开发与他们特定的运营需求和投资策略紧密结合，提供定制解决方案，最大限度地发挥人工智能在其流程中的优势。然而，对于规模较小的VC基金来说，考虑到软件开发的复杂性和成本，这种方法可能不切实际。

另一种方法是使用现成的人工智能工具，但这种方法可能会导致多个软件解决方案的生态系统分散，并且可能无法很好地集成。

对于VC基金来说，理想的解决方案是中间立场——与第三方合作，首先制定量身定制的 AI 战略，然后以连贯的平台方式实施优先用例，同时还允许从中提取未来的用例。这种方法使VC机构能够从专门的 AI 功能中受益，而无需承担构建和维护广泛的内部 IT 基础设施的负担。

这类第三方合作伙伴除开具备AI专业技术和开发能力外，更重要的当然是了解风险投资业务。这包括了解VC投资行业和机构的细微差别，并以对VC现有运营破坏最小但最大程度有利的方式实施人工智能解决方案。

此外，VC投资组合中的公司也可以参与AI建设。将投资组合公司的 AI 转型与VC基金 AI 转型协同，包括如何选择优先投资组合公司、优先使用案例以及基金对投资组合公司 AI 转型的参与程度（仅提供建议、还是催化或实施）。