
创投教父蒂尔:大数据云计算等热词其实是虚张声势
被誉为硅谷的“创投教父”,彼得·蒂尔(Peter Thiel)的名字与诸多众所周知的硅谷热门企业连在一起:1998年创办PayPal并担任CEO, 成立软件公司Palantir,成功投资了Facebook、LinkedIn、SpaceX等十几家科技公司。
随着创业创新的引擎作用被不断强调,在市场看来,眼下是“中国创业最好的时代”,彼得·蒂尔也因之受到了许多风险投资人和创客的追捧。他所著的创业教程《从0到1》更是被许多创业者奉为经典。在一众拥趸眼中,彼得·蒂尔有着独一无二的思考力,对事物有着自己独到的见解。
在彼得·蒂尔眼里,创业公司成功的要素是什么?顶尖投资人是怎样炼成的?5月28日,《中国经济周刊》记者在央视财经频道《对话》节目现场,分享了彼得·蒂尔在投资领域的经历和经验。
从法学博士到硅谷“PayPal黑帮”
事实上,这位“创投教父”并非科班出身。1992年,彼得·蒂尔于斯坦福法学院毕业并获得博士学位,其首份工作是在纽约一家律所担任非诉讼律师,但他的律师生涯只持续了7个月。随后,他投身金融行业,在瑞士信贷集团金融产品部担任衍生品交易员。
1999年,彼得·蒂尔与麦克斯·拉夫琴(Max Levchin)联合开发了电子钱包服务,后与埃隆·马斯克的X.com合并,成立PayPal公司,这堪称是他创投生涯的起点。
在回忆这段历程时,彼得·蒂尔总结道:“1999年,我们创办了PayPal,当时支付市场巨大,要做出一个比其他产品更好的产品并不容易,比如eBay上的竞拍,上面有成千上万的小型销售商,他们需要一个新的支付方式,我们就专注这个市场,三个月内我们的市场份额从0上升至40%。所以先专注小市场,然后再实现规模化,不要一开始就盯上大市场。”
“从0到1”,从无到有,从初创到垄断,这也许正是彼得·蒂尔的创投理念的起源。
在出售了红极一时的PayPal后,蒂尔开始越来越多地扮演“天使投资人”的角色。2005年,他创立了风险投资基金Founders Fund,专注于对新兴技术和企业的投资,投资领域包括航空、人工智能、能源、健康以及消费互联网等。
如今,Founders Fund投资的许多项目已经成为家喻户晓的企业,包括埃隆·马斯克创办的Space X,由雷德·霍夫曼创办的商务社交网络巨头LinkedIn,估值已经达到上百亿美元的房屋短租平台Airbnb等。数据显示,截至2014年,Founders Fund管理的资产规模已经从2005年时的5000万美元增至20亿美元。
有意思的是,自PayPal被出售给eBay之后,许多员工离职创业,打造出当今硅谷一大批企业翘楚,这些人也因此被誉为硅谷“PayPal黑帮”。其中包括特斯拉创始人埃隆·马斯克(Elon Musk),硅谷“人脉之王”、LinkedIn创始人雷德·霍夫曼(Reid Hoffman)及Yelp联合创始人、CEO杰瑞米·斯多普尔曼(Jeremy Stoppelman)等。
从0到1,投资者没有捷径
在《从0到1》一书中,彼得·蒂尔强调,创业公司应当从事变革性的创造,而非热衷于复制或“扩大”已有成果。
“我认为现在很多人仍然是在做着重复的事情,这很可怕,例如数千家的团购类网站相互模仿对方,这是很危险的。” 蒂尔表示,作为投资人,找到好的项目和有潜力的企业并不容易。“在移动互联网时代要创业门槛很低,但这也意味着被他人抄袭和山寨的可能性更高了。”
“《从0到1》在中国销量很好,在过去几个星期,我有机会与来自不同背景的中国朋友见面,了解到中国人有热情并且非常希望努力去实践创新。” 彼得·蒂尔表示。
针对创业领域时下最热的 “互联网+”和“O2O”,蒂尔则认为,如果创业者把自己的公司贴上O2O之类的热词做标签,他在投资时会持谨慎态度。“你们听到的每一个趋势可能都被过度看重了,包括大数据、云计算,你要离这些时髦词汇越远越好,因为这些很热门的词其实是在虚张声势,没有什么与众不同之处。”
他举例称,在美国清洁能源技术曾遭受惨败:“在2005年到2008年期间,如果你和那些做清洁能源的企业交流,他们会说这是一个万亿美元的市场。但关键是在这个庞大的市场中,你占据了多大的市场份额,否则竞争如此激烈,你像是海洋里的小鱼,很难活下去。”
不过,即便是成功如彼得·蒂尔,也坦言自己十分遗憾错过了许多好的投资项目,包括错过对YouTube的投资。不过,他认为,失败也许意味着错过一个机会,或是做了一个糟糕的投资,“失败带来最坏的影响就是让你花太多时间思考失败,阻碍你未来的成功。你需要思考过去所犯的错误,但要继续往前走。”
彼得·蒂尔强调,做一个投资者没有捷径,需要不断地学习,要了解一个产品、一个技术、一个科学、一个企业背后的本质是什么驱动了它的发展和变化,总要接受新生事物。此外,好的投资人类似于赛车过程中的导航仪器,随时提醒赛车手是否行驶在正确的路上,应该何时加油以及修理赛车。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30