Matt Clifford – Investing Pre-Company - [Invest Like the Best, EP.154]

Matt Clifford – Investing Pre-Company - [Invest Like the Best, EP.154]

本期速览

Matt Clifford是Entrepreneur First（EF）联合创始人，该公司开创了“人才投资”（talent investing）模式——在创始人尚未成立公司前即投资。本期核心主线：人才是全球最被低估的稀缺资源，而“技术抱负”（technology of ambition）的历史变迁决定了哪些人、在何时、通过何种方式获得最大杠杆。全片最有分量的判断：“传统风投的定价权困境源于其默认路径——创始人必须已有团队和想法；EF通过将投资决策前移至‘零日’，用100天的密集数据点替代两次会面，创造了可规模化的判断系统。”

---

主题一：技术抱负的历史——人才流向决定经济格局

Matt Clifford认为，每个时代都有一种“技术抱负”（technology of ambition）——即最能赋予个人杠杆的工具，而谁掌握了它，谁就塑造了那个时代的经济结构。

• 历史脉络：1000年前，识字能力是技术抱负——Thomas Wolsey（屠夫之子）通过教会学校学会读写，最终成为英格兰最有权势的人（Hampton Court Palace的建造者）。500年后，军事指挥成为杠杆——拿破仑通过巴黎军校成为将军。20世纪，金融成为主导——在纽约开一张支票即可影响全球。今天，科技创业是前所未有的杠杆——Napoleon会对Mark Zuckerberg的触达范围“嫉妒得发绿”。

• 机制拆解：Clifford指出，硅谷之所以特殊，不是因为那里的人基因不同，而是因为“创业”是当地最聪明的人默认的答案。在其他地方，答案不同：英国剑桥/牛津的顶尖毕业生流向金融（Goldman Sachs），新加坡国立大学的精英进入政府（总理办公室），法国Grande École的毕业生成为公务员。“如果你把这个问题乘以一个国家的人口，你就会得到那个国家的产业结构。”

• 推演：EF的使命是成为“缺失的机构”——类似于大学之于识字、军校之于军事指挥——让科技创业成为全球最聪明人才的默认路径。证伪条件：如果EF无法持续吸引顶尖人才（即其“飞轮”逆转），模型将失效。

---

主题二：如何判断“零日”人才——100个数据点 vs. 两次会面

Clifford的核心方法论：EF不试图“匹配”创始人，而是创造大量团队并让差的自然破裂，留下的就是好的。

• 机制拆解：EF的流程是“3+3”个月。前3个月：个人加入，目标是找到联合创始人。EF不搞“自上而下的匹配”（早期失败教训），而是鼓励快速组队、快速测试、快速“扭转”（twist）。关键原则：“不要过度思考组队，只用生产力（productivity）作为衡量标准。没有好团队是不高效的，几乎没有高效的团队是不好的。” 后3个月：更像传统加速器，帮助团队开发商业模式、找早期客户、准备种子轮。

• 数据链：EF已帮助1000人创立200家公司，总估值15亿美元。在EF内部，40-50% 的个人在3个月后获得投资（即EF行使期权）；其中60-70% 会在6个月内从机构投资者处获得种子轮。对比行业：传统种子基金中约20% 的公司在A轮前失去联合创始人；EF中这一比例仅为10%。

• 独到判断：Clifford强调，EF的投资决策不是“我见过这个团队，做了尽调”，而是“我是否信任数据生成过程（data generating process）和排名（stack rank）？” 他分享了一个反直觉案例：Acurix团队（Jacob和Lawrence）在EF前100天疯狂拜访医生（约100次会面），但商业模式不清晰，仅融资27.5万英镑（EF伦敦平均种子轮为140万英镑）。Clifford曾私下“降级”该团队，但数据（生产力排名）始终正确。9个月内，Acurix进入英国30% 的诊所，如今覆盖50%，已向超过8% 的英国人口发送短信，并完成1000万美元的A轮融资。结论：“我每次在数据之外加入自己的‘信号’，都错了。”

---

主题三：深度科技——人才投资的天然盟友

Clifford认为，深度科技（deep tech）与人才投资的契合度远高于消费互联网，因为它天然解决了逆向选择（adverse selection）问题。

• 机制拆解：EF定义的“深度科技”是指“为什么是现在”（why now）的答案源于技术变革的公司（而非平台变化、社会变化或监管变化）。三个特征使深度科技适合人才投资：1）问题明确（如“能否实现70%更好的视频压缩？”——有明确市场）；2）团队质量是结果的最佳预测指标（全球能解决该问题的人极少）；3）有客观成功标准（速度、质量或成本）。

• 对比数据：

维度	消费互联网（如Snap/Instagram）	深度科技（如Magic Pony Technology）
初始判断难度	极高——无法在零日预测赢家	较低——问题明确，团队质量是关键
资本需求	低——MVP可快速搭建	高——需要更长时间和更多资本
逆向选择风险	高——好CEO不需要EF	低——好CEO也需要EF找到CTO
时间尺度	快（数月见分晓）	慢（3年无收入是常态）

• 推演：Clifford认为，“软件吞噬世界”的下一层是“机器学习吞噬世界”——生物、化学、能源、制造、医疗等领域将产生万亿美元级价值。EF的配置：70% 软件，20% 已验证的非软件技术，10% 完全不对称的“外卡”（如新型硅光子学公司）。证伪条件：如果深度科技公司的商业化周期远超预期（如>5年），EF的资本效率将受到挑战。

---

主题四：地理套利——种子轮定价的“荒谬”偏差

Clifford提出一个反市场共识的判断：地理因素对种子轮定价的影响被严重高估，这创造了巨大的套利机会。

• 数据链：全球种子轮定价的最大驱动因素是地理——新加坡公司的种子轮估值约为伦敦的50%。传统观点认为这是因为退出价值也低50%，但Clifford反驳：“这是用后视镜看数据。深度科技公司是全球赢家，不会因为总部在新加坡就只值一半。”

• 机制拆解：EF在新加坡发现了一个被忽视的人才网络：新加坡约有500名伊朗人（集中在国立大学的STEM研究生），EF已资助其中约10%（约50人）。这源于“错位网络”（dislocated networks）——伊朗学生因签证限制无法去美国，新加坡成为最佳替代方案。“我们不是一开始就计划投资伊朗研究生，而是花大量时间在大学里，然后他们成了磁铁。”

• 推演：Clifford建议，如果他要创立一家新VC，他会“在东南亚做深度科技种子基金，并在一周内写支票”——速度是创始人最看重的品质（EF内部数据显示，创始人评价VC时，“速度”是排名第一的驱动因素，超过招聘帮助、市场准入等）。证伪条件：如果东南亚深度科技公司的退出价值长期低于全球水平，地理套利将不复存在。

---

主题五：AI民族主义与人才的地缘政治杠杆

Clifford认为，AI是第一个“私营部门拥有绝对人才优势”的战略性技术，这颠覆了传统的国家安全范式。

• 机制拆解：Ian Hogarth提出的“AI民族主义”（AI Nationalism）框架认为，AGI（通用人工智能）不是“更快的互联网”，而是改变所有地缘政治竞争领域的技术。类比：如果曼哈顿计划是由通用电气（而非美国政府）主导，我们会说“应该立即国有化”。如今，DeepMind、OpenAI、Google掌握着全球最顶尖的AI人才——NSA在20年前垄断密码学人才，但今天Google雇走了大多数顶尖机器学习博士。

• 数据链：Clifford指出，人才现在是大型科技公司最有效的约束——Google和Facebook可以承受与美国政府对抗，但无法承受与100名最佳机器学习工程师对抗。Project Maven（Google与国防部的合作）因员工抗议而终止，正是这一动态的体现。“想象你是中国情报人员，目标是确保中国在AI上获得长期战略优势——最聪明的做法就是向自由派的Google工程师灌输‘与美国政府合作是邪恶的’这一观念。在中国，这不会发生。”

• 推演：Clifford认为，“技术主权”（technological sovereignty）将成为未来10年的核心议题——各国必须拥有独立的AI能力，否则将成为“AI附庸国”（AI client states）。证伪条件：如果AI发展未达到AGI水平，或私营部门与政府之间的合作模式发生根本性变化（如政府大规模招募AI人才），这一判断将弱化。

---

提及的标的

标的	嘉宾态度	关键数据
Magic Pony Technology	看好（EF最佳案例之一）	视频压缩技术，被收购（未披露金额）
Acurix	看好（生产力排名验证案例）	融资27.5万英镑（种子轮）→ 1000万美元（A轮）；覆盖英国50%诊所，触达8%人口
Cloud NC	看好（垂直整合模式）	端到端自动化减材制造，从软件切入后自建工厂
Tractable	看好（深度科技案例）	计算机视觉用于保险，3年无收入后收入垂直增长
Snap/Instagram	中性（不适合EF模型）	无法在零日预测赢家，EF不会投资此类公司
Facebook/Google	风险提示（人才约束）	无法承受与100名最佳ML工程师对抗；Project Maven因员工抗议终止
DeepMind	看好（AI人才集中地）	Demis Hassabis是EF投资者之一

---

值得记住的判断

1. “每个时代都有一种‘技术抱负’——识字、军事指挥、金融、科技创业。今天，Napoleon会对Zuckerberg的触达范围‘嫉妒得发绿’。” （Matt Clifford）——支撑：历史脉络从1000年前的Thomas Wolsey（屠夫之子→红衣主教）到拿破仑，再到今天的科技创始人，杠杆规模呈指数级增长。

2. “传统VC说‘没有好团队是不高效的’，我们说‘没有高效的团队是不好的’——所以我们鼓励快速组队、快速扭转，让差的团队自然破裂。” （Matt Clifford）——支撑：EF内部联合创始人破裂率仅10%（行业平均约20%），源于“默认不合作”的文化。

3. “我每次在数据之外加入自己的‘信号’，都错了。你很难打败100个连续的数据点——它们让你看到曲线的形状，而不仅仅是一个点。” （Matt Clifford）——支撑：Acurix案例——EF数据排名正确，Clifford的直觉判断错误，最终Acurix从27.5万英镑融资到1000万美元A轮。

4. “深度科技是人才投资的天然盟友——它解决了逆向选择问题。如果你是世界级CEO想做电商，你不需要EF；但如果你想做蛋白质发现，你肯定需要。” （Matt Clifford）——支撑：深度科技需要世界级CTO（无法快速找到）、资本密集（无法快速搭建MVP）、问题明确（可提前判断）。

5. “新加坡的种子轮估值是伦敦的50%，但深度科技公司是全球赢家。如果你在东南亚做深度科技种子基金并在一周内写支票，你会赢下每一轮。” （Matt Clifford）——支撑：EF数据显示地理是种子轮定价的最大驱动因素，但退出价值差异被高估；速度是创始人最看重的VC品质。

6. “AI是第一个私营部门拥有绝对人才优势的战略性技术。NSA在20年前垄断密码学人才，今天Google雇走了大多数顶尖ML博士。” （Matt Clifford）——支撑：Google/OpenAI/DeepMind掌握全球AI人才；Project Maven因员工抗议终止；中国不存在类似约束。

7. “人才现在是大型科技公司最有效的约束——它们可以承受与美国政府对抗，但无法承受与100名最佳ML工程师对抗。” （Matt Clifford）——支撑：Google/Facebook的员工抗议改变了公司行为；中国官员对“员工抗议”的回应是“不会持续太久”。

8. “EF的定价权不是来自‘比市场便宜’，而是来自‘市场不存在’——我们是唯一在零日投资的机构，我们捕获的是‘从0到1’的价值转化，而非资本回报。” （Matt Clifford）——支撑：EF在100天内与每位创始人产生超过100次互动，投资决策基于数据生成过程而非个人判断；EF拥有2亿美元管理资产和100名员工。