推特:@renkingeth
本文是《AI算法分析94家海外AI独角兽》的姊妹篇，前文我们详细分析了94家独角兽企业的细分赛道，本篇将聚焦于团队分析，旨在为创业者和投资人提供指南，帮助找到可靠的对标基准（benchmark）。
VC 通常会关注公司或产品的对标（benchmark），因为对标的高度通常决定了项目的潜力。然而，除了赛道分析之外，团队的对标和标准参考同样重要，但这一方面却往往被忽视。本篇将借助机器学习模型的分析方法，对独角兽团队进行系统化的分析，从而提供一个更加全面的团队参考标准。
如果你是经济学或管理学的博士生，推荐阅读推理过程，它可以成为一个学术课题素材；如果你是时间有限的投资人和创业者，可以直接跳到文末查看结论和深度吐槽。大家也可以对 VC 或者创业分别祛魅一下。
Figure I: AI Unicorn Mapping By VC Popcorn
01
团队 Team
我们把 94 家独角兽企业的团队打了 6 类标签，然后又把 6 类标签合并为 2 个分类，分为 CEO brand 和 Team grade 两个部分，互相关联:
● CEO brand指的是这个创业者最鲜为人知，或者对 VC 而言最能代表他的品牌标签；如果有一个 CEO 有多个品牌标签，我们会选择最突出，或者代表他最高成就的品牌标签，例如 Sam altman 有很多标签，在 AI 领域，我们把他叫做明星创业者，即 Star。李飞飞既是大学教授，又是谷歌云 AI 首席科学家，我们则定义他为大厂 C（科技大厂 C level）。
● Team grade则是看这一个创业公司创业时期的团队组成，我们为每一个创业团队的成员都打了标签（后面加入的高管排除在外），每一个标签赋予了不同的分数权重，然后对每一个创业公司进行了打分。分数越低，代表团队级别越高，1 分为最高级别。换句话说，CEO brand 是个人标签，team grade 则是集体标签。
【1】CEO brand 介绍
每一个企业只有一个 CEO brand 标签，一共 14 种标签：
● Star（明星）：这一类别的 CEO 通常是知名或杰出人物，往往在媒体上有显著的曝光率或公众认可度。他们在科技或商业领域可能具有类似明星的地位。
例如 Sam Altman，一系列 Transformer 作者和 Open AI 的 coufounder 等。
所对应企业：Anthropic, OpenAI, Cohere, Tenstorrent, Adept, Covariant, Character.AI
● big tech C（大科技公司 C 级高管）：指那些曾在大型科技公司（如谷歌、微软或亚马逊）担任 C 级高管，例如 CEO、CTO、COO。他们从顶级科技公司带来了广泛的领导经验。
例如，Chris Walker 在创办 Untether AI 之前，曾在英特尔担任企业副总裁和总经理；Amit Bendov 在创立 Gong.io 之前，曾在 Sisense 担任 CEO 等。
所对应企业：Inflection AI, SandboxAQ, Typeface, Gong.io, Xai, Untether AI, SiliconBox, Xaira Therapeutics, World Labs
● Unicorn Cofounder（独角兽公司联合创始人）：包括那些曾共同创立过独角兽公司（估值达到 10 亿美元或以上）的创始人。他们在将企业发展到显著估值方面有着丰富的经验。
例如，AI21 Labs 的创始人 Amnon Shashua 是 Mobileye 的总裁兼首席执行官；Arvind Jain，在创立 Glean 之前，联合创立了云数据管理公司 Rubrik（RBRK），当前市值 56 亿美元。这些创业者都极其成功，而且也不是仅仅沾边的 10 亿美元独角兽 founder，但是又和 Google 等企业体量存在巨大差距，我们定义他们为 Unicorn Cofounder。
所对应企业：Lemonade, Graphcore, Stability AI, G42, Augment AI, Harness, Glean,Eightfold, Krutrim, AI21 Labs, d-Matrix, TempUSA, K Health, Quantinuum, Figure
● Serial Entrepreneur（连续创业者）：指那些创立过多家公司的个人，通常具有成功退出的历史。这些创业者在创办和扩展业务方面有着丰富的经验，但是他们未达到独角兽高度，但是大多也有大厂经历或者藤校经历。
所对应企业：Together AI, Midjourney, Core Scientific, Cognition AI, Builder.ai, ShieldAI, Verbit, OpenSpace.ai, Jasper.ai, Advance Intelligence Group, NotCo, AlephAlpha, Metropolis, Flock Safety, Cerebras Systems, KoBold Metals, Weight &Biases, Wiz, Glance
● Scientist（科学家）：指那些拥有强大科学或研究背景的 CEO，通常拥有计算机科学、生物学或物理学等领域的高级学位。他们通常是各自领域的领军人物，以技术专长而著称。
所对应企业：Mistral AI, Xanadu, Anyscale, Sakana AI, Lightmatter, Ayar Labs, MammothBiosciences, Cera, Owkin, Skild AI
● Big tech Senior（大科技公司高级职位）：指在大型科技公司担任高级职位的管理人员，虽然可能没有担任 C 级角色，但他们通常负责管理大型团队或重要部门，具有重要的领导责任。
所对应企业：Perplexity AI, Monte Carlo, Cresta, SeekOut, SambaNova Systems, Groq,ConcertAI
● Researcher（研究员）：指那些在学术或企业研究领域有着丰富职业经历的 CEO，他们通常都有 phd 学位。其实在 Star，Unicorn Cofounder，Serial Entrepreneur 和 Scientist 里也有很多研究院类型的创业者，但是我们只取了他们最突出的特点，而不是按照每一个特点都进行标签。
所对应企业：Snorkel AI, Viz, AMP Robotics
● Big tech Junior（大科技公司初中级职位）：指那些曾在大型科技公司担任初级职位的人士。通常学历也是藤校，然后在大厂工作了 2-3 年。
所对应企业：Imbue, Relativity Space, ElevenLabs, Replit, Scale AI, Abnormal Security,Harvey
● Ivy grad（常春藤盟校毕业生）：指那些毕业于常春藤盟校（如哈佛、耶鲁、普林斯顿）的 CEO。主要指的是刚毕业的藤校毕业生以及辍学生，他们没有其他工作经历。
所对应企业：Runway, Spring Health, EliseAI
● Grassroots（草根）：指那些从基层起步的 CEO，没有学历，和大厂经历的创业者。在创业初期也没有得到一线 VC 的支持。
所对应企业：Hugging Face, Notion, Synthesia, Vercel, Paradox,GeneDx, Shiprocket
● The Military（军人背景）：指那些拥有军方背景的 CEO，带有特定资源。
所对应企业：Helsing, Hailo Technologies, Salt Security
● Banker（银行家）：指那些来自银行或投行行业背景的 CEO。他们通常在金融、投资和资本市场方面有丰富的经验。
所对应企业：CoreWeave, Pagaya
● VC（风险投资人）：指那些拥有风险投资背景的 CEO，可能是前风险投资人，或者具有与风险投资公司合作的丰富经验。他们对创业公司融资和扩展的动态有深刻理解。
所对应企业：Fractal Analytics
● Serial Entrepreneur, grassroots（连续创业者、草根）：这是一个混合类别，结合了“连续创业者”和“草根”的特点，指的是既没有学历，也没有大厂经历的创业者，他们曾经创办过中等级别的公司，并且成功退出；这个案例其实只有一个。
所对应企业：Bright Machines
Figure 1：不同 CEO brand 的数量
Table 1：不同 CEO brand 的数量
从 Figure1 和 Table1 可以看出，AI 独角兽的 CEO 主要集中在 Serial Entrepreneur、Unicorn Cofounder；Scientist 和 Big tech C 则为数量第二多的类别。背景最亮眼的Unicorn Cofounder；Scientist, Star和 Big tech C 四个加起来，就占比 43%。而纯草根占比只有 7%。
[2]CEO 品牌与团队评级的关系
Figure 2：不同 CEO brand 的平均团队级别
• 如 Figure2，可以观察到不同团队分数（team grade）和 CEO brand 有肉眼可见的规律。似乎 CEO brand 越响亮，团队分数越高。于是，如下图 Figure 3，我们操作了一个方差分析去判断这个规律是否真的存在，测试结果显示，p 值为 2.05 * 10^{-32}，小于 0.05，这意味着这个规律是真的存在的，CEO 的背景是影响团队整体质量或实力的重要因素，CEO 品牌上限决定了创业公司初期的人才密度和高度。
Figure 3：团队级别与 CEO 品牌的方差分析
【3】CEO 品牌与融资额，估值的关系
Figure 4：CEO brand 的平均估值与平均融资额
• 如 Figure 4 所示，CEO brand 的平均估值和融资额，按照规模进行排序，依然观察出每组不同，Star 的融资额和估值远远高于其他类别。于是我们决定使用 Tukey's HSD 模型来检测一下这些差异是否在统计学上显著，结果如 Figure 5 表示，
• Serial Entrepreneur 的融资能力显然强于 Scientist 和 Researcher（大学教授）；Unicorn Cofounder 的融资能力显然强于 Researcher；
• 除此之外，并无显著差异，也就是是 Star 与其他类别的差异是无效的。因此我们觉得有必要再进一步研究一下 Star 是否真的无效；我们又用了 Mann-Whitney U 来检查我们的结果，如 Figure 6 结果证明不同 CEO brand 之间无差异。我们认为是 1. 样本量太少；2.因为本身就都是独角兽企业，背景差异已经被拉平。
Figure 5：Tukey's HSD on CEO brand 的平均估值和融资额
Figure 6：Mann-Whitney U on CEO brand 的平均估值和融资额
【4】CEO 品牌与赛道 / 子赛道的关系
Figure II: AI Unicorn Mapping
Figure 7：每个 CEO brand 项目 x 赛道的数量
• 如 Figure 15 所示，我们推测 CEO brand 对于选择创业赛道会有一种倾向性，即不同类型的 CEO 会选择不同赛道；因为赛道过于宏观，我们更想知道子赛道与 CEO brand 之间的关系。于是我们采用标准化残差（Standardized Residuals） 去确定 CEO brand 和 Sub-Category（子赛道）之间是否真的有显著关联。
Figure 8 ：CEO brand 与子赛道的标准化残差分析
经过测试，我们发现一部分组合之间存在显著关联，如 Figure 8：
• Banker 与 Computing
• Banker 和 Finance
• Ivy grad 和 AIGC/Editing
• Ivy grad 和 Real Estate
• Researcher 和 Data management
• Researcher 和 Robot
• Big tech Junior 和 Devtools
• Big tech Junior 和 space
• VC 和 Enterprise
这些结果表明特定的 CEO 品牌在特定的子类别中有明显的偏好或优势，这些偏好可能与他们的职业背景、教育经历或行业经验密切相关。例如，Banker 去选择 fintech 领域创业；Ivy grad 选择了 real estate 和 Editing 工具这样技术门槛较低的领域；Researcher 则选择了数据管理软件和机器人相对有技术门槛的赛道。
02
Team Grade
【1】团队评级与数量的关系
Table 2：团队评级 x 公司 x 团队组合
我们将背景相似度较大的团队级别分组后，发现级别较高的团队在数量上远超过级别低的团队。
【2】团队评级与融资额、估值的关系
Table 3：不同团队级别基本信息图
如 Table3，我们可以直观看到不同级别的团队融资额、估值、创办时间都有一些区别；各个级别的团队主要出现在 2016, 2017 和 2021 年，这和资本市场环境，以及 AI 技术发展都有关系。
Figure 11 ：Team Grade 的平均融资额和平均估值
• 从 Table 3 和 Figure11 数据中可以看到，Team Grade 较高的团队（即分数较低的团队）通常对应更高的融资额和估值。这表明团队质量越高，获得的融资额和估值可能也越高。于是我们做一个相关关系分析，去看一下进一步的结果。
Figure 12 ：Team Grade 的平均融资额和平均估值相关关系分析
如 Figure 12 展示，相关性分析结果显示了 Team Grade 与融资额和估值之间的相关系数：
• Team Grade 与融资额的相关系数: -0.236
• Team Grade 与估值的相关系数: -0.215
结果解读：
• 相关系数为负值，表明 Team Grade 越高（即团队分数越低），融资额和估值越低。这符合我们预期，即团队质量越高（Team Grade 越低），融资额和估值越高。
• 不过，相关系数的绝对值不大（接近 0.2），说明这种关系虽然存在，但并不非常强。
Figure 13 ：Team Grade 的平均融资额和平均估值回归关系分析
在这个基础上，我们对数据进行了回归分析，试图找到每一个团队级别对融资和估值的影响系数是什么。融资额的回归分析结果显示了以下内容：
• 截距（const）: 1637.66，这表示当 Team Grade 为 0 时的预期融资额。
• Team Grade 的系数: -250.60，这意味着每增加一个 Team Grade，融资额平均减少约 250.60 百万美元。
• t 值和 p 值: t 值为 -2.32，p 值为 0.022，表明 Team Grade 对融资额的影响在统计学上是显著的（p 值 < 0.05）。
估值的回归分析结果显示了以下内容：
• 截距（const）: 8367.14，这表示当 Team Grade 为 0 时的预期估值。
• Team Grade 的系数: -1260.57，这意味着每增加一个 Team Grade（降级），估值平均减少约 1260.57 百万美元。
• t 值和 p 值: t 值为 -2.11，p 值为 0.038，表明 Team Grade 对估值的影响在统计学上是显著的（p 值 < 0.05）。
结果解读：
• Team Grade 对估值也有显著的负向影响，说明团队评分越高（质量越低），估值越低。
总结：
• Team Grade 与融资额和估值之间存在显著的负相关关系，即团队质量越高，融资额和估值越高。
• 每降低一个团队等级（1 为最高，每增加一分），公司的融资额平均会减少约 2.51 亿美元，估值则平均降低约 12.61 亿美元。
• 回归分析结果进一步确认了这一趋势，且这种关系在统计学上显著。
【3】团队评级与子赛道选择的关系
我们想看一下 team grade 和子赛道之间是否也有关联系，是否能得出不同的子赛道匹配不同级别的团队，于是我们对 team grade 和子赛道的关联度进一步做卡方检验，得到结果卡方统计量（Chi-square statistic）: 148.37，p 值（p-value）: 0.258。由于 p 值大于 0.05，整体来看，Team Grade 与子类别之间没有显著的统计学关联。然而，个别 Team Grade 与子类别之间可能仍存在显著的关联，这可以通过观察标准化残差来发现。
通过标准化残值我们发现，以下组合有显著正向关联，这还是说明部分团队组成和部分行业有特定的吸引力；例如等级 1 的团队喜欢创业大模型和社交方向（大模型相关）；等级 5 和 6 则以垂直领域创业居多。
Team Grade 5 和 Data management:
Team Grade 5 和 Gov & Public affairs
Team Grade 5 和 Security:
Team Grade 6 和 Real Estate
Team Grade 1 和 Social
Team Grade 1 和 Fundation models
03
多维度分析
【1】全维度，多标签统计分析
我们把 AI 独角兽的所有大类标签一起做了一个统计分析，包括，创办时间，团队组成，CEO 品牌，团队评级，融资额，估值，国家，VC 机构，大厂投资等等，想去探究不同标签对估值和融资额的影响。结果发现，
如 Figure 14，成立年份 (founded) 也具有统计学上的显著性，成立年份越早的公司估值越低，成立越晚的公司估值越高。
其他变量如 团队评级、子类别、类别、国家、CEO 品牌 对估值的影响不显著。这个则推翻了我们先前的的结论，也就是他认为团队级别和品牌对估值等等没有影响。所以我们觉得有必要进一步研究一下。
Figure 14：Founded yr vs. Funding
【2】CEO Brand 在更大样本量下的分析
于是我们随机抽取了 800 个公司（非独角兽），然后去分析和计算不同 CEO brand 对估值或者融资额的影响。最后果然在更大的样本下，如 Table 4，我们发现了不同组之间都存在显著差异，而品牌属性更强的与品牌属性较弱的差异则更大。
Table 4：Selected T-test results
我们在想那么 CEO brand 之间的差异是否也有可能是不同 AI 赛道估值不同造成的结果呢？于是我们在同一组数据上进行了统计实验。如 Table 5，结果发现在 Category 里，只有 Infra 和其他组是有显著差异的。也就是 infra 的估值显然高于类别，其他类别之间则无差异。
Table 5：Selected T-test results
那么 Infra 的估值和融资额更高，会不会和 infra 里的 CEO 品牌更好或者 team grade 更高有关系呢？于是我们又做了一个这三者之间的相关关系分析。如 Figure 15，结果证明三者之间并无关联，换句话说，infra 的估值和融资额就是高，并不是因为团队背景好，所以估值高。证明 AI 投资也还是有赛道可以选。
Figure 15：M-W U Test results
04
结论与吐槽
• CEO 背景、团队等级、赛道影响：
部分 CEO 背景对公司估值和融资有明确影响；
团队等级对公司的估值和融资有很大的影响。每降低一个团队等级即增加一分（1 为等级最高），公司的融资额平均会减少约 2.51 亿美元，估值则平均降低约 12.61 亿美元。
此外，只有"Infra"赛道对估值和融资有明显的影响，其他赛道则没有显著差异。
• AI 创业方向的选择：不同的团队在 AI 细分创业方向的选择上没有明显差异。
• 新兴 AI 企业的估值和融资趋势：近年来创办的 AI 公司，估值和融资额普遍更高。
因此，我们可以得出，
• 毫无疑问，在 AI 领域，投人远远大于投赛道；投人是第一位的；细分赛道没那么重要。
• 而且我们的VC 们，创业公司们可以按图索骥，找一找自己的 portfolio 和自己的团队的 benchmark，属于什么 CEO brand，什么团队评分，可以评估一下自己公司的上限和成功率。
• 事实上我们知道中美创业团队背景差异巨大，一个中国的第一梯队创业者（大学教授 +4 亿美金成功退出连续创业者）在美国只是第三梯队。也就是说中国顶流团队要比美国顶流的公司少几乎 26 亿美元估值。
这里面还有几个有意思的点，
• 在传统互联网投资里，往往是越靠近 C 端的估值越高，CEO 背景也更多元化。2C 离钱近，离变现越近，估值越高。所以我们也看到了现在海内外最强的 AI 巨头都是由 2C 产品转化而来，例如 Google，国内的字节，阿里。
• 但是在AI 创业公司这里，如果我们把所有赛道都分析一遍会发现，他介于半导体和软件 software 之间，和 Web3 极其相像，都是底层基础设施的估值更高。换句话说，离钱越远，估值越高。
为什么?
除了表面上的技术驱动以外，很大的核心是在 AI 和 web3 领域 2C 的创业方向太容易被证伪了：
• 首先，普通用户摸得到看得见，是个人就可以评头论足，bb 几句产品体验；人人都是“投资人”，我听过无数投资消费的 VC 跟我抱怨，自己的工作和散户没有区别；也就是说，产品好不好，VC 的评价没有权威性。
吐槽：2C 创业最难的就是找方向，大多数钱花在这里，就是看似有个大方向，做起来全是坑，所有钱花在找方向上；相对而言，如果 PMF 明确了，那就绞尽脑汁把 product 做好就可以了，所以并不是中国创业者喜欢 Copy to China，而是同等智商情况下，这么做省钱省力。所以国内的原创 idea，弥足珍贵，例如共享单车，人人都能想到，但是 idea 与执行还有一道鸿沟。
• 其次有客观指标，用户数据就成为判断项目的金标准，必须保持持续增长，一旦不增长，就很难融到下一轮了。
而 Infra 就不一样了，
第一，方向相对而言更好找，很多 infra 赛道和科研无异，正如杨振宁所说，科研比商业简单，科研是有规律的。
吐槽：这里面要在说一下中美计算机科研的不同，比方说近几年清华的计算机论文 publication 和 citation 数量基本上全球前二水平，但是为什么最有影响力的论文却还是 google 那几篇呢？因为论文 publication 和 citation 数量就是学术界评分的 pmf，这刷起来，国人团队又是第一。所以有 pmf 之前，是海外擅长的；一旦 pmf 确定了，国人团队往往后来者居上。商业创业，科研，都这样，这是中国特色。从这点上来说，只要美国那边搞定 AI 应用的 pmf，中国这边就能出爆款。
第二，Infra 技术门槛高，大多数人看不懂，大多数 VC 也看不懂，大多数学计算机的 VC 也看不懂，各种盲人摸象；因此也不并不以技术高低作为是否投资项目的标准，这为“吹泡泡”估值奠定了基础。那么我们不禁要问，VC 如何评估一个在 3-5 年内没有亮眼业务数据的技术项目呢？让我们看下面的两个小 case。
吐槽：Case 1：Sam altman， Elon musk 都不懂 AI 技术（硅谷工程师听过他们线下演讲的，都知道吧），Elon musk 甚至连原理都不太了解，看他和杨力坤的论战得出，此人连基本科研规则都不懂，和高晓松一个路数，主打把道听途说讲的身临其境，《硅谷》里的嘴炮哥，这种真的是硅谷创业奇才；说实话我现在不太相信他几句话解决了什么 tesla，spaceX 众多科学家解决不了的科研难题，这和孙正义 3 分钟投马云一样，就是一个公关小品文；但是，这不妨碍他们创造了 Open AI。
Case 2：李开复老师是真的懂 AI 原理的，他在微软主导和推动了统计学成为 NLP 主流，替代规则流派，极大发展了 NLP 在语音识别、机器翻译等领域的效果，可以说这个是大模型出现的前提。笔者有一大半本科同学硕士时期从神经学领域（基于统计学）转去机器学习专业就是受此影响。但是，他创办的零一万物（也很牛 b）技术会超过 Open AI 吗？
第三，Infra 经常迟迟不推出产品，久久不商业化；这就是为持久“吹泡泡”量身定制的，金融人士最爱。
吐槽：事实上多数 AI 企业商业化落地的那天就是死亡的那天，看看过去的自动驾驶，芯片领域的案例，比比皆是。在这一刻 web2，web3 VC 精神交汇了。中国 VC 在这里有时候很拧巴，一方面也想做那个“撑死胆大的”，一方面又担心政策变脸，不敢真的下注烧钱没完的项目，心里想的是寒武纪，但是又担心投的是柔宇科技；但是硅谷 VC 就知行合一了，他们投 web2，web3 都是一个路数，自己造势，自己抬轿子，没有技术壁垒也要造出一个资金壁垒，吃的准就 Netscape /coinbase 高位套现，吃不准就 Wework/Opensea。区别就是中国的泡泡靠揣测圣意，而硅谷泡泡却是自导自演。
我们会分享各式文章，有诙谐的，也有严肃的报告，我们会继续分享独角兽相关的内容，包括中国篇，团队篇，机构篇，Web 3 AI 篇。
这期间，还有插科打诨，行业吐槽等等；总的来说，研究是手段，吐槽才是目的。
用脱口秀说说柯基犬（科技圈）的事儿
关注推特 @renkingeth，一起吐槽
【免责声明】市场有风险，投资需谨慎。本文不构成投资建议，用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。
