人工智能在金融行业有许多能产生真实价值的应用场景，其中在二级市场投资交易上，基于数据算法的量化交易也已经有不少成功的操作案例。投资界对数据分析的好感度不断增强，在一级市场创业投资领域，甚至是天使投资也有了一些试图通过对数据的分析来评估项目投资价值的尝试。

我们一边担心着机器统治了人，一边又不遗余力的把所有责任都推给机器，体力的也好，脑力的也是。创业风险投资无法依靠数据算法，这里存在许多悖论。

悖论1：大数据算法善于寻找大概率事件，而超高回报必定是小概率的

所谓风险投资，投资界的金字塔，尤其天使投资，可谓是投资领域风险最高的门类。资本之所以愿意承担极高的风险，是因为此类资本所追逐的是超高回报。风险度越高就要有相应的高收益可期待，这是资本的本性。最保守的投资，让所有投资者几乎都能获得最保本的收益。

而高风险的投资门类中只有少数投资者能获得超高收益。于是乎，我们可以理解，创业风险投资必然寻找的是小概率事件，百里挑一、万里挑一的所谓独角兽。而基于大数据的算法所计算的是普遍性，也就是它的能力在于寻找大概率事件。两者的底层意图几乎可以说是背道而驰。

打个比方。A成功发生的可能性是80%，B发生的可能性是90%，B比A的可能性高了12.5%，你比较容易决定把赌注下给B。这是在进行大概率事件的比较。

而如果A、B都是小概率事件，情况将变得复杂许多。例如A发生的可能性是0.1%，B的可能性是0.2%，看上去B的成功率已是A的两倍，然而同时这一概率也意味着A不发生的可能性是99.9%，B则有99.8%的可能性不会发生，它们不发生的可能性几乎相等，且都概率极高，依据这样的数据必然仍旧举棋不定。

事实上，投1000次成功1次和投500次成功1次的意义是一样的，因为大家可能都不会有超过500次的投资机会。

悖论2：算法需要数据来支持，而创投领域的数据是肤浅的

当下所谓基于大数据通过机器学习技术而不断精确化的算法，其基础在于对数据的利用，而创投领域极缺数据。创业领域以“创”为关键词，从无到有，做前人没有做过的事，走前人没有走过的路。既无历史，何来数据？

且创业创新往往在于挖掘前所未有的机会，寻找那些少人关注且尚未被满足的市场。一项前所未有的技术、产品或商业模式，可以从逻辑上去评估其可行性，却无法找到足量的对口数据去证明。

也因此真正以创新为文化的组织反对用绩效指标去考核创新部门，从过去总结获得的既定标准和框架是无法容纳大航海式的探索的。

创投领域那些容易大规模获得的数据往往十分肤浅而表象，很难成为投资决策的依据。近几年，出现了一些收集一级市场项目信息及投融数据，并加以分析的网站数据库。有些为了吸引关注也曾打出让数据算法来指导创业投资的概念。然而目前这些网站的信息维度往往十分单薄，这些维度上的数据往往并不是影响创业成败的核心。

即便是这些数据，其可靠性也往往无法考证，更没有像二级市场那样经过专业部门审核的企业运营数据。

它们作为黄页性查询功能的作用远多于作为分析工具的作用；其数据反馈整体概貌的意义远大于评估个体价值的意义；它们有监测变化现象的效用但无法真实反馈动因。注意，这里不是说这类数据库没有意义，而是说它们存在的主要价值并不在于用数据分析来评估项目。

例如关于类似热议度的指标，因媒介信息曝光的数据较易获取，据此比较热议度、媒体曝光度等指标也比较容易实现。

然而，某些项目热议度高或许是因为急于融资而必须大声兜售，在内容营销上投入了更多成本，这些内容影响的并非其产品的目标用户而是融资的目标资本方；而那些热议度低甚至少人知晓的项目也可能已经在悄悄赚钱，或正在修炼着秘而不宣的神功。最终这些数据反馈的指标并不能让投资人少做一些调查，反而还有可能会蒙蔽你。

悖论3：风投决策依据的善变无法实现算法的复用意图

与相对成熟的行业不同，创业创新领域缺乏恒定的评估指标，且许多影响因素可能是隐性的。创业投资的周期较长，而内外部环境的变化却要比传统领域快许多。因此其中总要历经千回百转。

一个种子阶段很有希望的项目在A轮后很有可能因为内外部环境已变而瞬间穷途末路。

免费模式可以是高效的也可以是无效的，可能在两年前有效在两年后无效；第一年就把收支打平的可以是好项目也可能没有更大的想象空间；创始人可以因破釜沉舟而发奋崛起，也可能因没有后顾之忧而更易耐得住寂寞和诱惑；在一年前可能还未出现的所谓风口，在一年后也可能已关闭。

同样的信息乐观的投资人认为利好，悲观的认为利空，今天认为是利好，而明年可能转向。甚至资本方自身也是重要变因，也并不总是起到正面的作用，错配的资本也可能令一个优秀的项目走入绝境。

即便不基于数据而基于投资逻辑，创业风险投资也很难有包赢的套路。即便是顶级的天使投资人之间也有许多意见相左的时候。在某些情况下，投资人也可能只认定某一个道理而义无反顾的支持下去。

在每个投资人心里，什么因素更重要各有自己的算法，且会根据不断的信息输入与思考持续进行变因增减和权重调整，而这种调整发生的频率节奏相当高。

也就说每个项目可能都有其自身的特殊性，即便你有一套算法，也很难一层不变的套用到多个项目上，最终往往仍需要一事一议，或因为某种特殊的因素，进行“破格入选”。这意味着既定算法的复用性将相当低，也因此无法真正体现作为机器算法的那种“一本万利”的效用。

多一些独立思考，少一些投机跟风

试图用一个既定算法模型去评估创业项目的投资价值显得过于推卸责任。在创业风险投资领域尤其稀缺有独立思考能力的投资者。如果这一领域做决策能有赖于算法，那意味着许多投资者都能获得超高收益，这显然不符合能量守恒。

人们不断总结过往的经验，试图预知命运，然而套用一句话，“所有的幸福都是相似的，而不幸却各有各的不同”。在这个不幸案例远远多于幸福案例的的领域，则更多的是“各有各的不同”。（本文首发钛媒体）