pitchbook数据库（皮书数据库）

本篇文章给大家谈谈pitchbook数据库，以及皮书数据库对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。

本文目录一览：

• 1、有没有像it橘子这样搜集全球公司的网站
• 2、又一AI公司被戳破谎言：伪装到你做到为止真的很难
• 3、私募基金行业的现状怎么样
• 4、行业融资数据在哪查
• 5、什么是Pitch Book
• 6、私募、成长型股票基金如何产生交易？

有没有像it橘子这样搜集全球公司的网站

我是美国风投行业从业者。个人认为最好的数据库是CBInsights，和Pitchbook。前者比较专注于VC类投资，后者既有VC又有PE还有各种基金、大的收购的信息，连基金的LP都能查到。这两个数据库都价格不菲，不是有钱的公司应该负担不起；当然你可橡孝槐以适用一下，然后慎仿不买。CrunchBase是一个有免费信息的网站，有公司简介和融资情况，也许对你就够梁友用了。

又一AI公司被戳破谎言：伪装到你做到为止真的很难

域名多个 AI, 融资可能多 50%。为了「梦想」，先画个饼不失为上策。

「fake it till they make it」（假装做到，直到你做到为止）这句话，在创业圈一直非常流行。

鉴于许多创业公司以及成熟企业的产品都不会在 100% 成功后才发布，这似宏敏乎是一个圈内默认的操作。但有一个疑问：

在开发人工智能技术方面，当初创公司也在假装（fake it till they make it）的时候，多少才算太多？

弓满则断。

获得资本与缓冲时间的代价，是要搭雹冒着「善意谎言」还没有兑换成现实就在中途被戳穿的巨大风险。

上周，纽约时报刚刚曝光明星公司 One Concern 制作的 AI 灾难应对解决方案名不副实，灾难预测的部分结果被灾后专家与工程师认为可能会有致命缺陷；

今天，华尔街日报就做了另一个披露：

声称正在建立人工智能 app 开发平台的印度创业公司 Engineer.AI，其实并没有真正使用人工智能开发应用程序。

相反，真正的贡献者是使用手动方法的员工们。

根据 Engineer.ai 创始人 Sachin Dev Duggal 的公开演讲以及宣传资料显示，Engineer.ai 开发的一项名为 Natasha 的人工智能软件能够帮助任何人创建定制化 app。

换句话说，任何人都可以在这款 AI 辅助工具的帮助下通过点击网站上的菜单来迅速创建一个移动应用程序。大致流程如下：

用户可以选择任何自己喜欢的现有应用程序模板（如公司网站给出的例子是订披萨的 app）。然后 Natasha 在很大程度上会自动创建一个相似的应用程序。

公司表示，由于支撑流行应用程序的大部分代码都是类似的，因此该公司的「人工智能软件」已经掌握了这里面大部分结构，可以帮助用户自动组装新的应用程序。

这将使得整个过程比传统的应用程序开发更便宜、更快捷。

至于效果如何，华尔街日报援引 Engineer.ai 发言人称——「在公司最近开发的一个 app 过程中，大约有 82% 是由这款软件『在第一个小时内自动生成的』，这就是 AI 的魅力。」

然而，Engineer.ai 的内部工程师在接受华尔街日报采访时却透露，AI 并没有像这家公司声称的那样为应用程序自动汇编代码。

他们指出，该公司的大部分工作依赖于印度和其他地方的「人工工程师」。而且即使考虑到 科技 创业公司普遍存在的「伪装到你做到为止」的心态，公司关于人工智能的应用也被夸大了。

当被媒体问及该公司有哪些使用人工智能的案例时，公司曾表示，客户需要支付的价格和工程时间表都是完全自动计算出的。

「其中一部分过程使用了自然语言处理，这项人工智能技术主要是为了识别和理解文本或语音。

另外，还使用决策树（基于选择的图形或模型）将任务分配给开发人员。」

然而，一些现任和前任员工则向华尔街日报透露，实际上一些定价和时间表的计算是由传统软件产生的，而且大部分工作总体上是由员工手动完成的。

这些人甚至还表示，该公司并没有多少自然语言处理技术能力，而公司内部使用的决策树不应被视为人工智能。

这个说法得到了瑞典深度学习软件公司 Peltarion 创始人 Luka Crnkovic-Friis 的认同。他认为，称决策树为人工智能通常「有些牵强」。

「如果你告诉客户你正在使用人工智能，他们可能不会期待使用一些上世纪 50 年代的技术。决策树其实是一项非常古老和简单的技术。」

有趣的是，就在本月，Engineer.ai 又悄悄在网站上对自己的技术与产品做了一些更加细致的解释与说明。

他们把介绍修改为「平均约 60% 的可复用软件是由机器生产的，其余部分是人工生成的，用于开发应用程序」。

我们并不是完全自动化的应用程序开发。相反，我们依赖于人工与人工智能的合作关系，其中可复用软件 (在传统软件开发中，重复代码约占产品的 60%) 是机器生产的，其余 40% 是机器生产的;大多数项目的独特之处在于「人蔽枝枝工生产」。我们相信人类的创造力和才能将永远是创新和构建之旅的一部分。

实际上，从实用的角度来看，花费巨资进行完全自动化开发对我们没有任何好处，而我们可以通过专注于用自动化来解决那些重复性强和效率低下的工作（虽然 80-20 规则是经典，但我们是 60-40 规则!)，进而实现客户的利益。

除了产品的技术应用受到质疑，其在推出产品的时间上，也被认为遵循了「fake it till they make it」的原则。

Engineer.ai 一位熟悉公司运营情况的人士透露，在刚刚过去的两个月里，公司才开始构建自动化应用程序构建所需的技术。

他补充说，公司距离将人工智能技术应用于其核心服务其实还有至少一年时间。

当然，作为一项有门槛的技术，越来越多的创业公司已经发现构建人工智能比预期要难很多。 但除了技术本身，收集数据来训练支撑这种技术的机器学习算法可能也需要花费很长时间。

为了训练新算法模型，像 Engineer.ai 这样的应用程序开发商需要从客户那里收集成千上万的请求，并将它们与工程师构建的代码相结合。

但华尔街援引几位熟悉 engineer AI 的人的话称，这家公司还没有收集到足以支撑人工智能技术得以应用的数据。

不过公司发言人反驳，他们已经收集了超过 6 亿条记录以构建更好的 AI模型。

另外，在今年 2 月被解雇又同时向公司提起诉讼（这些在此前都没有被公开）的Engineer.ai 前首席业务官 Robert Holdheim 也同时披露了创始人 Duggal 曾经告诉自己的话：

「他说，每个 科技 创业公司为了获得资金都会夸大其词。我其实是认同的，这并不奇怪，只有这样才能让我们有钱得以开发这项技术。

但是 Duggal 曾告诉投资者，工程师已经完成了 80% 的开发工作，但事实上，我们还没有开始开发这个产品。」

1

域名多个AI，融资可能多50%

「fake it till they make it」究竟是对是错，我们无法给出一个确切得结论；而人工智能技术在许多情况下，的确能够帮助企业省钱或更精准地找到目标用户。

但投资领域不得不面对的现实是，在 科技 领域，评估一家公司究竟有没有有效利用人工智能技术是一个日益严峻的挑战。

由于人工智能技术本身十分复杂且定义模糊而松散，非专业人士很难辨别它何时以及怎样被部署及有效利用。

面对投资方，许多创业公司都说自己在使用人工智能作为主要吸引公司客户的方式，但这种说法往往很难经过严格审查。

因此通常情况下，拿出一份「由 AI 驱动」的解决方案，的确更容易得到资本的厚爱。

根据权威数据分析机构 CB insights 提供的数据显示，人工智能创业公司的平均交易规模从 2013 年到 2018 年几乎翻了三倍。

而另一家数据分析机构 PitchBook 也表示，2018 年风险投资对人工智能创业公司的投资几乎比上一年翻了一番，达到 310 亿美元。

特别是域名含有「ai」的公司的数量，在一年内增长了两倍多。目前这种收费的域名扩展在全球 科技 创业公司中非常受欢迎。

此外，就在上个月，日本 科技 巨头软银集团又公布了一个以人工智能技术为主的投资基金——愿景基金 2 期，预计资本总额为 1080 亿美元。

而作为一个已有两年 历史 的资金池，愿景基金 1 期的资金总额也已经达到了约 1000 亿美元，其中有大约 700 亿美元已经被注入到若干家 AI 技术公司里。

总部位于洛杉矶的 Engineer.ai，就在去年从包括 Deepcore inc. 在内的投资机构那里筹集到 2950 万美元，而 Deepcore inc. 正是软银的全资子公司。

软银等机构不断的资金投入，一方面可能会继续提高 AI 公司们的市场估值，而另一方面，也让许多技术专家和部分投资者的质疑声更为统一。

「人工智能技术到目前为止最大的问题其实是——『承诺过多，但却实现不了』」，这是布鲁金斯学会智库技术创新中心主任 Darrell West 在上周发出的感叹。

「从几何时，这已经变成了一种营销手段。」

就像我们刚才在第一部分所提到的，这项技术的应用有着清晰的门槛。

一方面，它虽然可以很容易地在测试或初步形式中起步，但实际规模化部署要困难很多。

另一方面，获取和标注必要的训练数据来建立有能力的人工智能模型可能极为昂贵和费时，这也是为何周一我们报道过的一家硅谷人工数据标注公司能够在 3 年内成长为独角兽的根本原因。

只是，鉴于一些投资方并不十分出色的辨别力和技术应用的有限性，不知道从什么时候开始，创业者们对 「只有用人工智能做挡箭牌，才能筹集到更多资本」 的领悟愈加上瘾。

英国投资基金 MMC Ventures 的一项针对 2000 余家 AI 技术公司的调查显示，声称自己有某种人工智能技术的创业公司能够比其他软件公司多吸引15%~ 50% 的资本。

然而他们也表示，其中 40% 甚至更多的公司其实根本没有使用任何形式的人工智能技术。

波士顿咨询的人工智能专家 Philipp Gerbert 则认为，不能把责任都归于创业公司。

全球对人工智能融资的浓烈兴趣以及多国之间展开的「技术军备竞赛」，促使创业公司和上市企业开始将自己标榜为人工智能技术+服务机构——

「即使它们可能只有一个简单的聊天机器人。」

2

人才稀缺，但AI公司却越来越多

「AI 人才」是技术圈这几年少数讨论热度持续走高的话题之一。然而，这个话题也让我们延伸出一个抓破头皮也搞不明白的矛盾点：

一方面，AI 人才已经紧缺到了各大培训机构都开始出售「AI 速成班」的地步，而为何另一边，自称有 AI 技术的企业却如雨后春笋般出现？

Engineer.ai 另一个被质疑的问题，正是出在人才身上。

华尔街日报判断这家公司可能缺乏一批深度具备机器学习或人工智能专业知识的高级工作人员。

因为当第一次被要求介绍一个具有人工智能技术背景的高级雇员时，他们只提供了一个名字。

这很容易让人想到上周被纽约时报质疑的 One Concern，其也存在「缺乏有研究成果的在职 AI 技术开发者」等人才问题。

显然，这不是一家企业的窘境。

有行业人士透露，目前很多自称拥有 AI 技术能力的企业，将利用廉价人力作为暂时的权宜之计，以便于在不断招人以及收集到数据以后推出真正的机器学习算法。

「我认识的一家公司说正在使用人工智能软件读取和收集收据，而实际上他们是用人类在做这项工作。这在行业里也不是秘密。」

从 2015 年到现在，对相关人才的需求已经从 AI 技术领域扩展到了更宽泛的行业领域，这也让企业对具备人工智能、数据科学和相关领域技能的员工需求呈现激增态势。

根据美国技术行业组织 CompTIA 在 6 月公布的一项数据显示，IT 行业的失业率在 5 月份降至 1.3%，呈现 20 年来的最低水平。

这更加剧了对稀缺人才的竞争。

因此，在这类技术人才更容易朝大企业、明星创业公司聚拢的过程中，或许对新公司以及行业性技术公司的考量，并没有如外媒讲的那样难以分辨。

私募基金行业的现状怎么样

中国证券投资基金业协会数据显示，2016-2021年，我国存续私募基金管理人呈逐年递增趋势变化，2021年我国存续私募基拍培金管理人数量达24610家，较2020年增加49家;2022年一季度，我国存续私募基金管理人数量达24611家，较2021年同期增加78家

按私募基金管理人类型看，2021年我国私募证券投资基金管理人数量达9069家，同比增加161家，占比嫌消36.86%;私募股权、创业投资基金管理人数量达15012家，同比增加26家，占比61.02%;其袭者唯他类型私募基金管理人数量达520家，同比增加138家，占比2.11%。

2022年一季度，我国私募证券投资基金管理人数量达9117家，同比增加189家，占比37.06%;私募股权、创业投资基金管理人数量达14993家，同比增加9家，占比60.94%;其他类型私募基金管理人数量达492家，同比增加120家，占比2.00%。

从注册地来看，上海市、深圳市、北京市是私募基金管理人数量最多的地区，截至2022年一季度末，上海市已登记私募基金管理人数量为4532家，占比达18.41%;深圳市已登记私募基金管理人数量为4273家，占比为17.36%;北京市已登记私募基金管理人数量为4261家，占比17.31%。上海市、深圳市、北京市已登记私募基金管理人数量合计占比达53.08%。

截至2021年末，我国存续私募基金数量达124117只，较2020年末增长27299只;私募基金管理规模达16.96万亿元，较2020年增长3.79万亿元。

2022年一季度，我国存续私募基金数量达129955只，较2020年同期增加27103只;私募基金管理规模20.38万亿元，较2020年同期增加3.16万亿元。

从各地私募基金管理规模来看，上海、北京和深圳依然排名前三位。2022年一季度，上海市私募基金管理规模为52194亿元，占比25.96%;北京市私募基金管理规模为44315亿元，占比21.745%;深圳市私募基金管理规模为23688亿元，占比11.62%。

—— 更多本行业研究分析详见前瞻产业研究院《中国私募基金行业市场前瞻与战略规划分析报告》

[img]

行业融资数据在哪查

行贺此业融资数据可以通过专业的商业数据库、金融机构网站、行业协会或研究机构腔拍激网站来来查找。

1、专业的商业数据库：例如CBInsights、PitchBook、Crunchbase等商业数据库，这些数据库汇集了大量的行业融资数据，可以通过关键词搜索或筛选条件查找所需的数据。

2、金融机构网站：例如投资银行、风险投资公司等机构的网站，这些机构通常会发布最新的融资信息和市场报告，可以通过搜索或订阅服务获取相关数据。伍袜

3、行业协会或研究机构网站：某些行业协会或研究机构也会发布行业融资和投资情况的报告，可以通过搜索或订阅服务获取相关数据。

什么是Pitch Book

pitch book

项目建纤尺议书

专题概览

双语例句

1. Footballers in whopping great studded boots walk over the pitch.

脚蹬帅气钉靴的足球运动毁派高员走进了球场。

2. Campaigning is reaching fever pitch for elections on November 6.

为羡老11月6日选举进行的竞选活动逐渐达到白热化。

私募、成长型股票基金如何产生交易？

人们使用的具体策略千差万别，但您可以将它们大致分为出站和入站工作。

入库采购：中介机构（投资银行家，商业经纪人等）这些中介机构会寻找他们认为可能有交易前景的公司，并与之建立长期关系。如果他们有兴趣，这些中介人将帮助他们寻找买家/投资者，进行结构化的流程（目的是最大程度地提高价值和契合度），并从他们的努力中获得一部分交易。因此，与您所关注领域中强大的中介机构建立和维持关系至关重要。

服务提供商：律师，会计师，保险经纪人，当地银行以及其他与企业主一起工作并向企业主提供建议的人，在雷达公司的管理下，他们可能知道令人印象深刻。

行业专家：当您投资+建立投资主题网络（无论是有意还是作为机会投资的结果）时，该网络包含了粗兆嫌从业人员+行业专家，他岩手们可能还会推荐他们感兴趣的公司。对于较大的私募股权基金，这可能包括希望剥离/剥离业务部门的较大公司的利益相关者。

其他私募股权基金：这些可能是现有投资者，由于其资金寿命要求而需要退出（以便他们可以为有限合伙人提供流动性），联合投资者联合进行较大规模的交易，或者遇到不适合的交易的投资者专注于他们的重点领域，但猜高他们正在寻找方法来推动善意。根据公司的不同，与上游投资者（例如VC）的联系也可能是另一种机制。

通常，公司会针对哪种交易适合其模型（规模，行业，地域，业务特征）定义策略。从那里开始，重点便是确定与特定公司的联系。识别感兴趣的公司的方法的非详尽列表：

主动推广到引荐来源：正如您将在“入站”部分中看到的那样，网络中有很多人会在您想到您时推荐您进行交易-您可以通过主动与他们重新联系来触发交易。您会看到很多基金根据推介给他们的交易的质量和数量（或总体而言完成）对推介资源进行分层，然后相应地确定其推广范围。行业报告+市场研究：网络上的银行报告，行业地图和PDF报告是了解您所关注领域的公司状况的良好起点。

公司研究数据库：Pitchbook，Datafox和其他类似平台已经建立了自己的业务，以成为私营公司活动的综合资源。

会议：这是在雷达公司下进行识别的好方法，因为它们通常会根据与您的论文相匹配的领域进行人员选择。

在线平台：Axial，BankerBay和其他面向银行家/经纪人和投资者的市场可以将您与从事与您的关注领域相符的特定流程的银行家联系起来。

新闻来源：通常有一些新闻报道涵盖您感兴趣的特定地区和行业，并且可能涵盖您感兴趣的公司

谷歌：最终，有针对性的在线搜索可能仍然是获取有关公司的在线公共信息的最全面方法。需要花费大量的人工，但是付出是值得的。确定公司后，您需要找到一种进入的方法。

要求介绍：如果做得好，这会大大提高从冷电子邮件到第一次会议的转换率。不幸的是，今天这很棘手，因为很难知道队友对某人的了解程度（除非您有4Degrees这样的解决方案）。

会议：除了是识别公司的好地方，您还可以利用这些活动作为与管理团队建立个人联系并建立关系的机会。

冷漠的外展：这是无法选择前两个时的备用。您可以通过电子邮件，电话，LinkedIn消息等执行此操作。

关于pitchbook数据库和皮书数据库的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。