📖 ZKIZ Archives

有關簡化(線性化)成長率、回報率及安全邊際 巴比倫人

http://babylonian-investing.blogspot.com/2010/10/blog-post.html

在財務討論中，常常需要計算成長率。若坐在電腦前或手中有一台計算機，當然很快就找出答案。但若只想概略地知道答案，就不如把複合成長率線性化好了。

例如，年利率是5%，四年後總回報大概就是20%。雖然較正確答案應是22%，但和20%相差不是太大。在一些不要求那麼精準的計算中，這是可以接受的。 數學方面是因為簡單的代數原因，(1+k)^n=1+n*k+n*(n-1)*k^2/2+....，就等於把k的power大過或等於2那些項忽略掉。

簡化成長率的好處是對於較為複雜的情況，我們可以較易處理。

例如，用市盈率估值，價格＝市盈率*純利/已發行股份數目。當需要找出價格的成長率時，

價格簡化成長率＝市盈率成長率＋純利成長率－已發行股數成長率。（式一）

在思考回報率時，這個簡單公式挺有用的。在購買股票之後，持股人只有兩個回報來源，股息和股票價值變化。k = DY + (P_1 - P_0)/P_0，其中k是回報率，DY周息率，P_1是期末每股股價，P_0是期初每股股價。亦即，

回報率＝周息率＋股價變化率。（式二）

若是技術派，會注重股價本身的變化。若是價值派，當然會著眼背後推動內在價值的因素，如可持續的EPS或每股有形NAV。把（式一）和（式二）合拼，會得出

回報率＝周息率＋純利成長率－已發行股數成長率＋市盈率成長率。（式三）

基本上，（式三）右邊前三項都是基礎分析要估計的，亦即我們要從分析公司中得到的保守估計。至於第四項，就是市場先生對該股票的公司前景的祈望變化。有時 市場先生可能會在一段期間內，對該公司的前景祈望有很大程度的向好轉變，那第四項可以比前三項超出很多（縱使甚至前三項都是零或負數時）。就是因為第四項 的難以掌握，Graham才會有內在價值（公平合理價值）的提出。同時又要防範第二項估計的不確定性，便導引出MOS（安全邊際）的操作理念。

市盈率或市帳率，可以是簡簡單單的一個標準倍數，例如15或1.5。但得益於DCF model，我們可以對這些簡單的倍數，作一些稍為深入的思考，這另文再談。

最後，讓我們設想一個簡單例子，來看看（式三）的實際用途。

作了必須的基本分析後，假設我們對某一公司未來三年的盈利狀況有了概念，大概認為純利會有36％成長，公司慣性大概每年增發1％股份，以現價計大概周息率 為3％，現時市盈率是16倍。在看過公司的營業狀況後，我們覺得對公司未來前景祈待不宜過大，市盈率大概13才比較合理。

總合以上數據，配合（式三）和簡化成長率概念，很快便可算出未來三年回報率大概是10％左右。若我們要求每年8％回報，這個股票提供6％安全邊際。當然， 可能我們認為每年8％回報太少或6％安全邊際不夠安全，這樣我們只好暫時不買入這個股票。再深入考慮一下，三年純利長36％這個看法不夠保守，長12％就 頗為有信心。回報8％也太過可憐，12％是較為標準。那樣，（式三）告訴我們，我們只可在第四項上得到我們所需，只好等市盈率下降到11倍以下再作考慮。 11倍市盈率在這裡提供了另一個優勢，針對三年36％這個看法，若它未能實現，它提供了安全邊際，我們還可拿到我們覺得最少應得的12％回報率。但誠如大 部份人所知，一切以公司持續營運作前提的回報計算，無論回報率有多大，都抵消不了公司一旦倒閉帶來的損失。所以公司財務狀況的分析，始終佔著基本分析最基 層位置。

線性資本王淮：一拍腦袋就投誰不會，別把創業者搞浮躁了

石慧 2016-10-27 18:58

王淮，Facebook第二位中國籍工程師，第一位華籍研發經理。現在，他是線性資本合夥人，主要關註大數據和人工智能。從技術男到投資人，王淮給自己當前定下的小目標，就是投出兩家“10億美金公司”。而他的投資，也自成體系，對於數據智能，他最關註的，就是如何解決實際的商業問題。人工智能專題新的一篇文章，請聽王淮總結自己的投資理念，以及他對當下人工智能創投熱潮的看法與建議。（PS：文尾有彩蛋喲~~）

文丨石慧

王淮是典型的技術男出身。他是Facebook早期員工——2007年加入，是其中第一位華籍研發經理。但隨著Facebook的擴張，“老員工”王淮找不到初創公司的感覺了。他決定換一種生活方式。

如今，他與前京東、天貓高管張川一同創立了線性資本，關註大數據、人工智能，投資Applied Data Intelligence——業務性的數據智能。“以技術為核心，並將技術應用到我們認同的問題上，我們才會投。”王淮說，“大數據應用一定要解決實際的商業問題。”

顯然，技術出身的王淮並不僅僅關註技術本身。來自溫州的他，身上還帶著溫州商人的精明。

數據智能要強應用、商業化，是他的投資邏輯，這從線性投資的項目可見一斑。目前，線性資本投資了33個項目，包括中科視拓、神策數據、地平線機器人、Rokid、艾拉物聯、ThinkingGame數數科技、杭州同盾科技、Ping++等。

在王淮看來，人工智能的熱潮已經來了。不管他並不是很喜歡“風口”這個詞，他暫時也只能用這個詞形容現在的人工智能領域。

他給自己定了一個小目標：投出兩家10億美金的公司。“然後再說別的。”

王淮希望，大數據、人工智能創業者能第一時間想到線性資本。“所以我們必須聚焦。明白自己擅長什麽，不擅長什麽。”他說。

以下為王淮口述，經創業家&i黑馬編輯：

先定一個小目標：投出兩家10億美金公司

我是技術出身，2007年年初進入Facebook做工程師，2012年離開。我是Facebook的早期員工，加入的時候公司只有100多人，到我離開時，已經到了4000多人。

在那時，我就有後來創業的想法，我在雅虎待過一年半，對大公司的運作有了一定的認識，我想去嘗試一下不同的生活，於是就去了Facebook。當時會加入Facebook，我覺得它是家有趣的小公司。那時沒想到它後來會做那麽大，但是那些人我覺得非常有意思。後來離開也是，我覺得最好玩的日子已經過去了，接下去的也許就是按部就班的生活，想有一個更大的改變。但我覺得打工我不可能再去第二家公司，公司對我們實在是太好了。

我回國以後，看了一圈，2012年底打算做投資，和張川、薛蠻子三個人開了公司，拿自己的錢做投資。兩年後，我們想做得更專業，就創立了線性資本。

我們現在做投資，也是用當初創業的感覺去做。我們做了線性資本之後，逐漸機構化，我們自己有一系列方法論，怎麽看一個項目，形成了相對成熟的一套模式。整個過程，更像一個創業公司，從無到有，慢慢成熟。現在圈子里提起投大數據、人工智能，我們的影響力都在那里，我們努力得到了回報。我真的覺得這個過程挺好的，就像一個小公司慢慢做起來的典型的過程。

我們一直是以創業的心態去做這件事，能不能做成不知道，但我們要先定一個小目標：投的公司里出兩家10億美金的公司，1億人民幣投進去，10億美金的估值出來。

我們很重視投後管理。對我們在董事會上的公司，會有季度性風控，月度性通電話、見面。我們有一套框架來診斷一家公司，主要了解五大問題：團隊、市場、產品、技術、資本；五大問題下有三大緯度：過去一個月發生了什麽大事；處在哪個狀態的問題解決了；沒有將來你的重心是什麽，我們怎麽幫到你。

投後管理主要做三件事。第一，在一些核心問題上，我們自己以及請來的牛人會做他們的顧問。第二，幫助他們進行核心崗位的招聘。第三，幫他們完成接下來的一到兩輪融資。

我們把身邊的投資機構分成三類，對接融資時就從這三類里找。一類是family VC，是和我們有共同LP的基金。二是old friends，是我們合作很多的基金，比如GGV、IDG、紅杉。三是new friends，是跟我們關系很好、想一起合作的基金。

我們投的項目最大的問題可能是商業模式還有待驗證，但當初我們覺得它有機會才會投，基本上幫他們融到下一輪問題不大，線性投資的33家公司，現在至少有10家融到了下一輪。

我們做投資，這麽些年下來有一個巨大的體會，就是說你如果只去搶“風口”，這些機會你看得到的機會，別人也看得到，但你不但要看到，你還要看得懂，“懂”帶來的結果就是“快”。一拍腦袋就投誰不會，但是我覺得現在投資已經過了“搶”這個階段。搶就是倉促，你也反過來讓創業者也倉促了，本來可以紮實做事的創業者，被你這樣一搞心里也浮躁，這對任何人沒有任何好處。所以只能是聚焦，看懂，在保證決策質量的情況下，比別人時間花得更短，才能夠投得更快，而這種快就是有意義的，不是單純去“賭”。

投資還有一點，就是要“投得進”。如果你足夠專業，做到標桿，能讓大數據、人工智能領域的創業者第一個想到你，那就很不一樣了，我們想要的是這種效果。今天在業內，做大數據、人工智能的人應該都知道我們了。我們要明白自己擅長的和不擅長的，做強聚焦。

從最近6個月開始，大數據、人工智能這些領域逐漸風口化。但是“風口”這個詞，我們其實不大喜歡去用，只是說這個時代，在各種因素下，給了這樣一個機會。原來我們有60%-70%是看這塊，現在，我們是100%投入在做這塊。

5大因素帶來“數據智能”商業機會

現在，人工智能因為幾大因素，出現了很大機會。

核心因素是移動智能設備的流行，觸屏把人們原來花在PC互聯網上的時間，大幅度地拉長了。原來在PC上，大家大部分時間是用來工作，而現在，手機成為我們kill time的主要工具。這種設備創造出了一個巨大的市場，這個市場就是每個人的時間。如果把它用人和時間等單位來衡量規模的話，我覺得現在這個市場的規模至少是原來Web時代的5到10倍。時間需要產品去填補，填補過程中大量積累了數據，數據就產生了變現的需求。

因此，第二就是數據的積累。這些年，很多互聯網公司各自積累了幾百萬、上千萬的用戶數據，都非常有價值。但這些數據間，存在孤島效應，這些數據是沒有辦法交叉的。比如，一個互聯網金融公司，和一家電商，它們獲得的數據體系、性質都不一樣。但如果它們能夠放在一起，形成數據集，帶來的價值會大很多，會產生一加一遠大於二的效果。

第三，算法的發展，在過去幾年有了很大突破，比如說深度學習。傳統的數據挖掘方法對強特征問題很有效，比如反欺詐；但是對於從圖像、聲音當中去學習特征，就很難了。而深度學習在這些領域帶來了很多新的應用。近幾年聲音識別、圖像識別、人臉識別等新的應用出現，和技術突破是息息相關的。

與之相應的，是計算能力的提高。AI說起來容易，做起來很難，比如說深度學習的計算量對雲計算也提出了極高的要求。三四年前基礎架構和計算能力沒有發展到這種程度時，要做人工智能也是做不起來的。

還有人才因素。有人覺得美國人才比中國多，我不這麽看。過去幾年，BAT以及二線互聯網公司積攢了大量數據，數據需要人來處理，因此訓練出一大批有實踐經驗的人才。而美國，主要是Facebook、谷歌、亞馬遜、微軟等公司，培養的人才偏理論型，在實踐上不如中國。

最後一點，市場已經準備好了。人工智能公司的目標客戶，原先比較傳統，現在它們的思維開始變了。我們要感謝馬雲對DT時代的傳播，但是，AlphaGo帶來的影響更為巨大。AlphaGo雖然下的是圍棋，但讓很多中國人以為深度學習已經來了，它會搶走所有的工作，你要是不趕緊改變，就等著被幹掉吧。這讓人工智能公司發展客戶變容易了。當然，這種想法還有很大誤區，被人工智能完全顛覆的那天真正到來，還有很長時間，但是，這卻讓人工智能推廣的難度大大降低了。

這幾個因素造就了人工智能的熱潮。這是一個數據依賴技術進行變現的時代。這5個因素，給了人工智能，或者我更願意稱它為“數據智能”，帶來了極大的商業機會。很多投資人也開始關註並進入這個領域。

但是我認為，不能走偏。現在也有很多項目，並不是很“智能”，而是努力向這個概念上來“靠”。所以，要同時具備三個要點：大數據、應用性、智能性的項目，我們才會投。

數據智能只有技術是“然並卵”

我們聚焦的領域，概括起來其實是Applied Data Intelligence——業務性的數據智能。立足於大數據的應用，去解決實際商業的問題。我們投的項目，是以技術為核心，但我們的關註點在應用上。我不會單純因為這個項目的技術牛而去投資，它要將自己很牛的技術應用到我們認同的問題上。

大數據應用一定要解決實際的商業問題。很多SaaS只是數據和數據應用，把傳統的、低效的東西在線化，但沒有思考如何處理數據，從中做些文章。比如稅收類應用，如果只解決數據問題，那是很普通的SaaS。而我們在意的是，它能不能進一步提供增值服務，比如能夠準確反映出企業健康狀態來。

從我們投的公司就能看出我們的邏輯。我們的投的神策數據是數據服務公司，可以通過用戶畫像，從而分析公司的發展趨勢；智能機器人Rokid，它是基於數據的智能實體化，但它的核心仍然是AI的軟件，並非單純強調硬件；地平線機器人提供的AI解決方案應用點也非常廣，比如它目前在輔助駕駛ADAS這方面的應用，就體現了這一點。它們能提供應用，解決一些有用的問題，而不是只有技術但“然並卵”的東西。

在Applied Data Intelligence這個大的架構下，我們主要投三大類的項目：泛智能、基於數據的Fintech（金融科技）和VR/AR的核心技術。前兩類我們投了不少。

我們所謂的泛智能，就是與大數據、雲計算、雲存儲、人工智能、機器人、IoT（註：Internet of Things，物聯網）等相關的項目。我們之所以這樣劃分，是因為我們有自己的一套邏輯鏈：有雲技術才能實現大數據的存儲和處理；在數據基礎上才能做機器學習和人工智能的開發；而開發出來的模型需要落地，它們要麽讓數據流通得更快，要麽讓決策做得更好，也就是說，這些終要變成服務，我們把它稱為DAAS（註：Data-as-a-service，數據即服務）。

*線性資本合夥人王淮（受訪者供圖）

在泛智能的硬件領域里，我們認為，機器人有很大的機會。機器人可以分為兩大類：一類是家庭型、娛樂消費型，也就是2C的，另外一類是B端的。而我們目前關註的中心在前者。

我們非常看重IoT。但我們不太關如何心聯網的問題，我們關心的是Ineternet of  Intelligence，真正讓不同的智能設備為一個場景服務。不然我回到家，空調打開一個App，電視打開一個App，窗簾再打開一個，我就累得半死了，這哪是物聯網智能家居，變成我為家居服務了。這是目前IoT的最大問題，每家都要自己搞一套，體驗就很差。

但這樣的狀態持續不了太久，大家一定會尋求聯盟，形成交叉協議，這是必然趨勢。但是，這並不是會非常順利的過程，中間肯定會有博弈。在國外，已經出現了一些聯盟，國內雖然現在還看不出來，但肯定將來是一定會出現的。

人工智能會在哪些領域爆發？

人工智能會先在一些具體領域爆發。

金融是一個強數據的領域，智能化能夠加強數據的作用，所以在互聯網金融里面應該有很強的應用。另外，數據性很強的消費領域，從消費品、安全等相關角度，例如用戶畫像、智能推薦，以及智能導購，都是基於數據可以用AI機器人來幫助實現的。

ADAS輔助駕駛也是一個典型的場景。其實，我們發現，很多行業，最大的市場都在“吃喝玩樂行”，對於人工智能而言，“行”現在是最容易被影響的，因為它是強技術性的。“吃喝玩樂”，雖然技術會給它們帶來一定幫助，但是內容和渠道方面，它是有很強的反向控制性的，人工智能要切入是一個巨大的問題。而“行”是一個全新的領域，因為原來像地面交通、空中交通這些都是傳統公司來做的，滴滴這些新的公司的進入，為它們帶來一個巨大的顛覆。

在數據層面，我認為，滴滴肯定是傾向於自己去做的。但是不要忽略了傳統渠道的威力。像OPPO、VIVO、小米、華為它們的“戰爭”形態，我覺得是很有意思的。互聯網讓世界成為平的，但是人口數量和層次的差異、城市之間和城鄉的差異，給中間過程帶來了很多的機會，只要你抓住了，能夠做不少事情。所以不要小瞧傳統廠商，它們中有很多其實非常技術化，只不過它們的傳統技術是跟車相關，互聯網不一定擅長。百度做無人車，它擅長的還是數據的收集和導航、服務，以車為核心的部分，我估計還是要跟傳統廠商合作，所以最後大家會是一個混合體。

智能生活這塊，我認為也是有很大的機會的。如果把出行加進去，就是一整套了。如果撇開它看，就是智能家庭生活，我們覺得這一塊很有機會。

還有一些我們零星的思考。比如說，健康相關的，不僅限於監測，而是回歸健康的本質，比如對人的健康產生預警作用的。只是監測，比如你一天跑了多少步，意義不大；但如果你能對我的健康預警，告訴我現在過勞了，要趕快休息，這種情況下猝死的概率是多少，才是有價值的。但現在技術還達不到。

我們投了一個做女性體溫計的項目，通過體溫曲線，可以測出受孕、避孕幾率。這個項目市場很大，但目前有一半用戶在海外，因為國內要通過醫院渠道去推。這個領域我們不太了解，所以選擇跟投。對於不太懂的領域，我們會先跟投一兩個項目熟悉一下。這也體現了我們對於AI商業應用的態度：能實實在在產生作用的，才值得投，太遠的東西，除非相信它的未來，否則我們大多持懷疑態度。

像Seeta中科視拓做的是人臉識別。它能切入生活的方方面面。人臉識別的核心是身份問題，什麽時候你需要證明“你是你”，都可以用得上人臉識別。但現在技術還不成熟，還沒有真正爆發。另外，人口數量太大了，即使人臉識別的出錯概率低到千萬分之一，那出錯的人數也很多。所以它現在只能在一些限定條件下輔助人力。未來，在銀行、公共安全監控等領域，人臉識別都會有大量應用。而且，人臉比起其他的識別方式，能夠做到自然的、無監督的、安靜這種模式下的一種識別，所以還有很大商機去挖掘。

在國內，人工智能領域創業面臨著兩個最大的問題，一個是數據，另一個是應用。很多創業者，他擁有的是算法、是技術，但是數據不在他這里，應用也不在他這里，這兩塊還要去說服別人，是典型的兩座大山。這些數據源人家為什麽要給你？這有一個信任成本的問題，要麽是我相信你一定個比我強，要麽是我沒有辦法了，不得不試一試。這是個難點。另外一個就是應用，你得解決一個實在的商業問題，但商業問題並不在人工智能行業的人手中。比如自動駕駛，車廠是控制方，它是有話語權的。你要找到商業場景，並說服它們應用你的技術，這又是一個難點。

i黑馬與今日頭條-科技聯合出品，合作多家業界頂級媒體、投資機構，邀請人工智能領域專家、大咖一起來評選的《人工智能創新公司TOP50》榜單已經啟動，我們收到了來自不同投資機構、第三方的推薦以及公司自薦報名。接下來，評委評選之外，候選公司的投票也即將開始，敬請期待！

文章評論

匿名用戶

發布

全部評論：10

發布

反脆弱與指數型思維和線性思維 一只花蛤

原創 2017-05-24   姚斌
個人微信公眾號：pubanyaobin

《反脆弱：從不確定性中獲益》是納西姆·塔勒布探討如何對抗隨機性、不確定性和混沌等脆弱體系的一本書。是繼《黑天鵝》之後的最重要的著作。在這本書里，塔勒布建立起他的反脆弱理論。

反脆弱是一個直譯過來的外來詞。在英文里，脆弱、易碎可以直接用fragile來表達，但它的反義詞卻不是堅強、強硬或堅韌。沒有哪個詞能夠表達脆弱的對立面，於是塔勒布創造了反脆弱（antifragile）一詞。他認為，有些事物能從沖擊中受益，在壓力、曲折中，它們反而能茁壯成長。這些是具有反脆弱性的事物。反脆弱性不同於堅強，也不同於複原力，後兩者只能使受到重創的事物保持原狀，抵抗沖擊；而反脆弱超越了複原力，它讓事物變得更美好，讓事物在壓力下逆勢生長、蒸蒸日上。

一個玻璃杯，很容易被打碎，那麽它就是脆弱的，相反，若是橡膠的，它就不易被打碎，那麽它就是反脆弱的。一個機械體，它的結構若容易磨損，那麽它就是脆弱的，相反，若是一個生物體，它的結構相對沒那麽固定，能夠根據外界變化作出調整，甚至具備了自我修複或者再生的能力，那麽它就是反脆弱的。一家企業若經不起風險，經不起外界環境的變化很容易倒閉，那麽它就是脆弱的，相反，若它經得起風險，能在外界環境不斷變化的同時，不斷的作出調整，很好的生存下來，它就是反脆弱的。

指數型組織是指在運用了高速發展的技術的新型組織方法的幫助下，讓影響力或產出相比同行發生不成比例的大幅增長的組織。這種組織的增長性通常會呈現出神奇的摩爾定律。所謂的摩爾定律，是指每十八個月計算能力的性價比就會大約翻一番。指數型組織也稱為獨角獸企業，就是指估值超過10億美元的創業公司。指數型組織可以成倍增長，而且一旦這種倍增規律開始成型，就不容易終結。因此，美國奇點大學的薩利姆·伊斯梅爾認為，指數型組織是撬動世界的新杠桿。

指數型組織完全有別於傳統的線性組織。其差異來源於思維。所謂的指數型思維是指以次方的方式思考問題，它可以讓產品或者運營工作、社群等，以指數型的方式上漲，讓用戶以指數性的方式拓增，用魔鬼式的傳播，使內耗成本、運營成本以指數性的方式下降，其增長以病毒式傳播。運用這種思維經營的公司就是指數型組織。所謂的傳統線性思維是指思維沿著一定的線型或類線型（無論線型還是類線型的既可以是直線也可以是曲線）的軌跡尋求問題的解決方案的一種思維方法。線性思維在一定意義上說來屬於靜態思維。過去五萬年中人類就是運用這種思維來考慮問題。因為它很簡單、而且直觀。運用這種思維經營的公司就是線性組織。

摩托羅拉是傳統線性組織的典型。1980年代，摩托羅拉將銥星業務從公司中分離出去，使之成為一家獨立的公司。摩托羅拉是銥星最大的股東。截止1996年底，摩托羅拉對銥星投資超過5.37億美元，並為銥星公司貸款7.5億美元，總金額超過利潤的總和。1996年銥星業務開始實施，但需要的投資比之前要多得多，畢竟發射66顆衛星可不是便宜的試驗。那時傳統手機業務已覆蓋全球，使得銥星業務的獨特性大為下降。摩托羅拉在其年報中誇耀說，銥星將創造一個新的產業。然而僅僅過了一年，銥星公司就申請破產，欠下了15億美元的貸款。投資人的100多億美元也打了水漂。銥星的慘敗是不願意調整商業期望，使用線性工具和過時的趨勢來預測加速變化的未來。

摩托羅拉絕非個例，類似的線性組織還有柯達、雅虎等等。2011年，巴布森商學院的一份研究顯示，在現有的財富500強公司中，有40%都將在10年之內消亡。耶魯大學的理查德·福斯特則估計，標普500指數中的500家上市公司的平均壽命已經從20世紀20年代的67年降低到如今的15年。薩姆利·伊斯梅爾在《指數型組織：打造獨角獸公司的11個最強屬性》中指出，我們已經步入10億美元級別的創業公司時代，再過不久，又將會是萬億美元公司的時代，彼時，最優秀的公司和產業將會以近乎閃電般的速度成長。正如谷歌和騰訊的崛起那樣，這些新型公司的創始人將會在可預見的未來成為世界經濟領導者。

彼得·戴曼迪斯在《創業無畏》中發現，如今的競爭越來越多地來自於那些由兩個人在車庫起家，運用指數型增長技術的創業公司。這在傳統經濟中是不可想象的。YouTube最早是一家資金全來自查德·赫利個人信用卡的創業公司，僅僅過了十八個月就被谷歌以14億美元的價格收購了。Groupon在不到兩年的時間里就從藍圖搖身變成了價值60億美元的公司。Uber公司目前的估值已經超過了170億美元，而在區區的兩年前，這個數字只有目前的1/10而已。這些指數型組織或獨角獸公司，在我們這個商業世界里以前所未有的速度不斷擴張並產生前所未有的價值。

傳統線性組織與指數型組織涇渭分明。之所以如此，就在於不同的思維導圖。在《指數型組織》中，伊斯梅爾給兩種組織進行區分。

線性組織的基本特性是，其組織結構自上而下，等級森嚴。它們由經濟產出來驅動，采取線性的、順序的思維方式，創新來自於內部，戰略計劃基於過去的推斷，無法容忍風險，流程僵化、不靈活，擁有大量的全職員工，然後控制或擁有自己的資產，為維持現狀，它們必須大量投入。傳統公司基本上都歸屬於這類。指數型組織的基本特征是，其組織結構采取自治、社交的技術，領導和員工平等，由MTP（指數型組織最重要的屬性，指崇高而熱切的目標）和儀表盤（指讓組織內每一個人都能了解所有關鍵的公司和員工的量化指標）驅動，思維方式是實驗和自治（即自我管理），創新來自社群與大眾，員工沒有固定，而是隨需隨聘，成員來自社群與大眾，沒有所謂的戰略計劃，一切皆來自於MTP和實驗，容忍風險，鼓勵失敗，流程靈活，以自治和實驗為主，沒有自己的資產，也不想擁有。谷歌、亞馬遜是它們的代表。

這兩者中只有指數型組織符合納西姆·塔勒布的反脆弱理論。反脆弱理論的基本要點是，著眼於長期目標，而非只是經濟利益和短期目標，組織內保持小規模和靈活性，有選擇性地發展。在算法上，有壓力地發展比簡化和自動化重要，采取啟發式教育法，減少依賴性和IT，在研發、在數據和社交基礎設施中投資。簡化和自動化，克服認知偏差，縮短反饋回路，僅在項目完成後獎勵。在實驗中，采取多樣化，在破解和自我壓力中快速發展，容許頻繁地失敗，重冒險而輕安全，避免過多地關註效率、控制和優化。員工自我管理，去中心化，不要管得太緊，可以挑戰高層管理，劃分區塊，在指數型組織內部共享所有權。“一切均可度量，一切均可知曉”。好像一個生命體。

在塔勒布的定義中，脆弱的反義詞不是強韌，而是“反脆弱”，也就是在沖擊中受益壯大。在投資領域，我們無法預知公司未來會發生什麽，但不可預知不等於事物無規律可循。面對無常，通常有兩種反應：或崩潰（脆弱）或堅挺（不脆弱）。不過塔勒布給出了第三種：反脆弱。即愈挫愈強，在沖擊中受益。“凡是殺不死我的，都能讓我更強大。”塔勒布說，任何有生命的物體在一定程度上都具有反脆弱性。如果公司具備生命體的屬性，也就具有了反脆弱性。因為他們與生命體有著某種程度的相似，能夠繁衍和複制。當生命體註入公司時，它就有了第三種選擇：在混沌中的成長。而那些不願讓生命體註入的公司，將會逐步消亡。前者正是我們所要尋找的，後者需要我們放棄。