科技创新情报SaaS受捧腾讯软银领投智慧芽3亿美元E轮融资

21世纪经济报道21财经APP陈植上海报道

随着科技股倍受资本市场追捧,SaaS领域迎来2020年以来的最大一笔股权融资。

3月17日,智慧芽(PatSnap)宣布完成3亿美元的E轮股权融资,由腾讯与软银愿景基金二期领投,CPE跟投,此外,红杉中国、顺为资本和祥峰投资等老股东继续增持。

资料显示,智慧芽是一家科技创新情报SaaS(软件即服务)服务商,聚焦科技创新情报和知识产权信息化服务两大板块——通过机器学习、计算机视觉、自然语言处理(NLP)等人工智能技术,智慧芽为全球领先的科技公司、高校和科研机构、金融机构等提供大数据情报服务。

此外,通过强大的数据库和产品能力,智慧芽提供企业级客户的科技画像评估和科技成果评估,揭开无形资产的神秘面纱,在金融行业、科技园区服务等大型机构服务中,应用于机构获客、贷款和风控等各种场景。

智慧芽创始人兼CEO张济徽表示,智慧芽的使命是用创新的力量服务创新世界,连接所有创新节点,让创新者为世界创造无限可能。在此轮股权融资完成后,公司将加快大数据和人工智能技术研发与应用、继续夯实产品能力、加大市场投入和发展更多优秀人才,提升全面创新能力和更好地服务客户。

在多位创投机构人士看来,不同于企业管理类SaaS、企业营销类SaaS等,科技创新情报SaaS是一个全新的赛道,且随着各国日益重视知识产权保护,驱动科技创新推动经济发展,科技创新情报SaaS正迎来极其广阔的发展前景。

“不过,这个赛道的竞争壁垒也相当高,一个科技创新情报SaaS服务商不但需要具有极其全面的知识产权、科研论文等数据库,更要拥有将这些专业知识通过人工智能通俗化,更好服务企业科技创新与精准经营决策的能力。”一位创投机构合伙人向记者指出。目前,智慧芽无疑是这个赛道的领跑者。

记者多方了解到,不少参与智慧芽股权投资的创投机构已将它视为科技创新情报领域的万得资讯或彭博,希望它凭借强大的知识专利数据库与专业科技信息情报服务能力,在科技创新与知识产权情报服务领域成长为一家世界级企业。

值得注意的是,软银集团创始人孙正义对智慧芽的股权投资显得格外“坚决”。

“我们能完全感受到孙正义对科技创新和知识产权赛道和智慧芽商业模式的认同,我们的沟通不超过30分钟,他就决定投资。”张济徽表示。

智慧芽的三个发展阶段

“企业要在这个赛道拥有极强的竞争优势,需要迈过三道坎,一是知识产权方面的数据库必须做到足够的全面完善,但事实上,尽管各国的知识产权相对公开,但机构要获取并不容易,比如很多国家的知识产权都没有实现电子化,因此企业必须通过购买与线下收集,再通过人工智能技术将它们搬到线上的同时,实现表述通俗化;二是企业需要找到与市场需求契合的产品服务;三是企业还要拥有专业的科技信息情报服务能力,能将知识产权等各类科技信息情报数据转化成企业所需的科研资料与决策依据。”前述创投机构合伙人指出。

关典接受本报记者专访时表示,智慧芽为此共经历了三个发展阶段,一是2007-2012年的积累期,当时智慧芽致力于打基础做数据积累,比如有些国家知识产权没能实现电子化,他们就有人到这个国家采购纸质版的知识产权信息,有时一口气运回几个大箱子的知识产权资料,将这些资料数据搬到“线上”。

“期间我们也经历了一些起伏,比如拿到天使融资后迅速扩大团队,却又不知道如何带领团队,一度陷入困境。”关典回忆说。所幸数据积累的努力,终于迎来了收获期。

2013年起,他们开始找到与市场需求契合的科技信息情报服务与产品切入点,进入了5年的高速发展期。具体而言,智慧芽注意到众多知识产权专利信息服务商的客户对象主要是律师等法律界人士(因为他们需要帮企业保护知识产权或申请新的知识产权),但在实际操作环节,企业科研人员与高层同样需要各类知识产权信息,作为他们科技研发与经营决策的重要依据。

因此智慧芽开始借助人工智能等大量最新科技,将专业的知识产权信息术语尽可能做到“图表化”、“可视化”与“文字通俗化”,帮助企业科研人员与企业高层更高效地开展科技研发与经营决策。

2013-2018年期间,智慧芽推出知识产权信息化领域各类产品,从数据库产品到知识产权分析工具,还有生命周期管理产品等,帮助众多高科技企业的科技创新研发变得更精准高效。

2018年以来,智慧芽进入了第三个发展阶段,即在专利数据库基础上,增加了论文、期刊、财经信息等数据,再将这些数据打通与紧密连接,孵化出企业科技创新所需的情报能力,成功迈入科技创新情报服务领域。

“科技创新情报服务已成为智慧芽新的增长曲线,它正产生更丰富的应用场景,为政府经济部门制定产业扶持政策、产业园区招商引资、金融机构加大科技企业信贷服务提供更多维度的决策依据。”她指出。

随着智慧芽业务模式的迭代更新,这家以数据为基础的企业的人工智能研发能力也在突飞猛进。

在数据源方面,智慧芽已积累逾1.5亿个全球专利数据、1.7亿多个化学结构数据,以及千万级财务新闻、科技文献、市场报告、投资信息等全面海量数据,并在生物医药、新材料、汽车等行业建立垂直行业数据库,更贴近用户的实际需求,形成真正意义上的科技情报大数据。

在数据处理方面,智慧芽通过NLP(自然语言处理)、CV(视觉计算)、机器学习等人工智能技术支持,可实现自动化、智能化的数据挖掘和文本挖掘,并做到深层次的语意搜索。截至目前,智慧芽可以提供6种语言检索方式,专利数据每周更新,90%数据可实现机器自动化处理,并达到秒级产品响应速度。

在关典看来,数据能力比拼的,不仅仅是数据源有多全面,还有全链路能力及跨领域复制能力。对此智慧芽已形成强大的“数据加工厂”模式,全方面锤炼数据能力。一是核心数据处理能力包括图像处理能力、自然语言处理、光学字符识别(OCR)和机器翻译等,保障数据全面性、时效性。二是在数据加工上,智慧芽形成独特的优势——数据标注工程和数据特征工程一体化体系,实现了数据标注智能化,大大提高处理效率,也实现了训练样本的自循环,大大降低处理成本。三是基于机器学习的智能匹配和分类体系,分类准确率大于96.3%。

众多创投机构追捧科技创新情报服务赛道“佼佼者”

智慧芽在科技创新情报服务领域的风生水起,吸引众多创投资本纷纷抛来投资橄榄枝。

一位曾考察过智慧芽业务模式的创投机构合伙人向记者透露,目前能与智慧芽同台竞技的全球性科技创新情报服务商屈指可数,因为这个赛道的竞争壁垒实在太高,不少参与者要么存在知识产权等数据库不全的问题,要么缺乏专业的科技创新情报服务能力。

在他看来,目前智慧芽具有的业务优势,概括起来,主要有三点:

一是极其易用和广泛的数据库——通过强大的数据库和人工智能应用能力,智慧芽既提供最广泛和最好用的专业数据库,又提供客户在不同场景使用数据库的各种不同功能,如3D专利地图等;

二是极其广泛的知识产权全系列产品。在知识产权领域,智慧芽发现除了数据库需求外,科技企业客户还有分析、管理、咨询和培训等一系列需求,因此智慧芽的产品线充分覆盖客户的端到端的所有需求。此外,智慧芽致力于用产品和技术为生态合作伙伴赋能,与近500家专业的专利代理和咨询公司建立合作,协同更好的资源为创新行业服务。

三是极其前瞻的创新研发系统。服务知识产权发展的本质是服务创新发展,智慧芽深知这一业务痛点,潜心研发Discovery科学发现创新系统,这一全新系统能覆盖企业和机构在研发创新过程中的从创意到产品管理等各个方面。如今,智慧芽的产品已能够围绕创新的各类主体,从产品技术创意,到研发立项,再到知识产权布局、创新研发、成果上市和退市的全生命周期,从情报收集与分析、流程管理以及人才培养等方面,提供一站式解决方案。

记者多方了解到,智慧芽的E轮股权融资,受到众多创投机构的追捧。

腾讯投资董事总经理姚磊文表示:“中国企业对创新和知识产权服务的需求正在迅速增长。智慧芽作为这个领域的头部厂商,深耕十多年,拥有对创新和知识产权领域前瞻性的洞察,积累了大数据和人工智能丰富的能力。同时,能够从客户的需求出发,不断夯实产品和完善服务,为客户和行业创造独特的价值。”

软银愿景基金(SoftBankInvestmentAdvisers)管理合伙人陈恂表示:“软银相信科技的力量能改变世界,我们看到智慧芽在大数据和人工智能上拥有全球领先的技术实力,这无疑是非常令人激动的。创新和知识产权情报服务正在帮助全球创新能力迈上新台阶,能帮助全球更多企业创新发展。”

作为连续三轮增持智慧芽的创投机构,红杉资本中国基金合伙人计越表示:“红杉中国持续陪伴智慧芽成长,因为我们看好智慧芽这支心怀梦想又脚踏实地的创业团队,也看好公司的成长前景,这个行业正在加速发展,并将迎来更辉煌的未来。”

记者多方了解到,众多创投机构还对智慧芽的业务高成长空间相对看好——依靠庞大的大数据能力、专业的技术实力、高效的算法模型、卓越的创新能力,智慧芽能对新能源汽车、生物医药、金融等众多行业企业的科创属性进行全景画像,对企业专利的价值进行量化评价,为科技研发提供技术情报。这些科技画像评估可以从持续创新能力、技术影响力、风险管控能力等维度识别企业级客户的科技创新能力,实施跟踪和观测,进一步对企业客户的发展进行洞察和评估。而这些正是金融业想要迅速获得的数据和能力。

这让创投机构对智慧芽未来登陆资本市场充满信心。

“目前,我们尚未对IPO做出规划,因为科技创新情报服务市场发展速度相当快,我们更愿将业务精力优先放在业务扩展层面。至于何时上市,只要业务保持持续高增长,这将是水到渠成的事。”关典向记者坦言。

THE END
1.数据挖掘概念(AnalysisServices尽管关系图中所示的过程是一个循环过程,但是每个步骤并不需要直接执行到下一个步骤。创建数据挖掘模型是一个动态、交互的过程。浏览完数据之后,您可能会发现数据不足,无法创建适当的挖掘模型,因此必须查找更多的数据。或者,您可以生成数个模型,但随后发现这些模型无法充分地回答定义的问题,因此必须重新定义问题。您可能https://technet.microsoft.com/zh-cn/library/ms174949(en-us,sql.105).aspx
2.数据挖掘的分析方法可以划分为关联分析序列模式分析分类分析和数据挖掘流程 首先,我们需要明确数据挖掘的基本流程,如下表所示: 流程图 数据收集数据预处理数据分析结果评估结果展示 各步骤详解 1. 数据收集 这一阶段收集待分析的数据,可能来自数据库、CSV文件、API接口等多种来源。示例代码如下: importpandasaspd# 从CSV文件读取数据data=pd.read_csv('data.csv')# 读取名为dahttps://blog.51cto.com/u_16213297/12863680
3.人工智能三大算法数据挖掘机器学习与深度学习的核心之争在人工智能的发展历程中,三大算法——数据挖掘、机器学习与深度学习,被广泛认为是推动AI技术进步的关键驱动力。这些算法不仅为各行各业带来了革命性的变化,也使得我们能够更好地理解和利用大量数据。 首先,我们来看一下数据挖掘。它是一种从大量数据中发现模式或关联的过程。这项技术被广泛应用于商业领域,如推荐系统https://www.9e80wtu09.cn/shu-ma/384090.html
4.2019届毕业设计(论文)阶段性汇报第一阶段我主要完成了论文调研、基线训练及基础生成模型的搭建工作。首先,我从童声识别,数据增强和生成对抗网络三个方面调研了论文并进行了总结整理。然后我用成人语音及少量儿童语音训练了基线模型,并用少量儿童语音训练了基础生成模型,测试了生成数据的效果。 https://zhiyuan.sjtu.edu.cn/html/zhiyuan/announcement_view.php?id=3366
5.人工智能心得体会9篇数据、算法、程序设计、机器人课程、开源硬件类课程等,利用项目式教学或其他活动如科技创新、创客、跨学科活动等助力课程落地,逐步建立课程——空间——活动的人工智能教育活动实践,在论坛中也介绍了人工智能教育需要遵循学生各年龄层的学情特点,分为三个阶段,第一阶段大班STEM基础教学,第二轮实践教学建立社团校队,第三https://www.unjs.com/fanwenwang/xdth/20221130181133_6041555.html
6.公司员工职业规划(精选10篇)(一)数据与员工招聘 对于职业发展规划来说,从员工招聘阶段就要全面介入。数据分析模型会帮助人力资源管理人员做出更加理性的决策。首先,数据挖掘模型会抓取数据库里应聘者职业技能、薪酬要求以及培训教育等方面的信息,然后对比岗位需求,通过数学运算找到最佳的资源配置方式。招聘过程的最根本诉求就是解决企业职位与候选人之间https://www.ruiwen.com/yuangongzhiyeguihua/6087991.html
7.江苏省发展和改革委员会经验交流规范权力运行强化监督制约(三)建设过程。系统建设经历三个阶段:一是前期准备阶段(2011年5月—2012年1月)。委内成立领导小组和具体项目组,并先后赴国家预防腐败局、国家信息中心、海关总署、北京市发改委以及省内有关地区和部门进行调研,多次到国家发改委和省纪委汇报总体思路、听取指导意见。在此基础上,完成了系统顶层设计,编制了权力运行流http://fzggw.jiangsu.gov.cn/art/2015/5/6/art_3968_6645997.html
8.人工智能学习心得(通用28篇)数据、算法、程序设计、机器人课程、开源硬件类课程等,利用项目式教学或其他活动如科技创新、创客、跨学科活动等助力课程落地,逐步建立课程——空间——活动的人工智能教育活动实践,在论坛中也介绍了人工智能教育需要遵循学生各年龄层的学情特点,分为三个阶段,第一阶段大班STEM基础教学,第二轮实践教学建立社团校队,第三https://www.yjbys.com/xindetihui/fanwen/3342600.html
9.数据挖掘的三个要素是什么帆软数字化转型知识库数据挖掘的三个要素是数据、算法、应用。数据是数据挖掘的基础,数据质量的高低直接影响挖掘结果的准确性和实用性;算法是数据挖掘的核心,通过各种算法可以发现数据中的规律和模式;应用是数据挖掘的最终目标,挖掘出的信息需要在实际应用中得以验证和利用。数据质量的高低直接影响挖掘结果的准确性和实用性。如果数据存在大量https://www.fanruan.com/blog/article/593841/
10.2020年第七期全国高校大数据与人工智能师资研修班本次培训采用“云课堂线上精讲+专家技术在线答疑指导+学员群内实操答疑+助教指导”结合的方式,包含前置基础课程学习阶段和核心课程学习阶段。全程强调动手实操;内容以代码落地为主,以理论讲解为根,以公式推导为辅。讲解数据分析与挖掘项目实训的模型理论和项目代码实战,梳理技术框架,从根本上解决如何使用模型、优化模型的http://www.tipdm.com/pxdt/2015.jhtml
11.刘献君—决策支持:院校管理中一个被忽视的重要领域新中国成立以来,我国高校决策支持发展变化大体经历了新中国成立后前三十年、1978-1998年、1998年至今三个阶段,每个阶段都有各自的特点。但总体来说,决策支持仍是高校管理中一个被忽视的领域,存在的问题包括决策支持没有受到应有的重视,职能部门成为决策支持的主体,数据分析系统不健全,没有建立科学的决策支持平台等。https://xww.hustwenhua.net/info/1002/32633.htm