2024 Q3财报分享会纪要-软件主题、Palantir、Datadog、英伟达&AMD、半导体&AI

软件主题：如何投资AI时代的【认知即服务】？

结论：看好AI切入用户决策层，软件指数考虑25Q1入场

为什么要看软件？因为容易出10倍股。

为什么容易出现牛股？因为生意模式牛，涨的快，很赚钱。

用户体验感好，不会轻易更换产品。叠加现在的AI加成，软件更是如虎添翼。比如原先只是利用软件整理文档，但是现在可以直接进行创造并生成。

现在产生了一个新的名词，叫做CaaS，上一代是SaaS，CaaS即Cognition as a Service认知即服务。

落地到投资策略上，拉长看软件的指数ETF IGV，基本上和QQQ同涨同跌，换句话说我们可以买入后闭眼躺平。不过目前看K线，涨的很高，买入点不是很好，那什么时候能买？明年1季度。

大牛股

Service Now，Palantir，Datadog这些公司过去都翻了好几倍，它们有一个共同的特点：增速很快，之前年化增速普遍30-50%，且未来可能持续以20%的速度增长，普遍快于指数。

重点公司

以上是各个指数的重点关注公司，这里包括我们耳熟能详的拼多多、苹果、英伟达。但是我们会发现其他指数的公司增速还是会比软件慢一些。

软件生意

像这种高成长股在熊市大概率会出现暴跌。但是拉长看，我们认为这种翻倍回报率本质来源于生意模式很厉害。

软件，是开发一个信息化工具，为企业、个人提效。这个行业，有三个特点：

一、高成长性，高扩增性

软件可以通过互联网进行销售，所以获客可以非常快。但问题是，需要一直投流，一直花很多钱获客，营销费率高达30%，甚至50%，互联网公司可能才10~20%，如果想要做到和互联网公司一样裂变的很快，可能需要花很多钱在广告投入方面。

二、高利润率天花板

公司毛利很高。卖copy软件，几乎没有边际成本，运维、开发、数据中心这些成本会随着规模变大，逐渐摊薄。如果公司不增长，还可以通过裁员稳定盈利，比如马斯克对推特进行80%裁员。

三、护城河：转换成本和学习曲线

转换成本高，用户使用频繁后，数据都会留存于软件中，加之如果体验感也较好大部分客户不会轻易更换产品。或者不断开发软件，往原有的软件里面追加模块，就可以出个专业版，这样就无需从0到1再开发底层代码。

对比行业

如何理解软件行业和其他所有行业的区别？

毛利率50%以上属于最赚钱的行业，而软件行业位列Top 5。不是那么赚钱的生意，比如打车、外卖，工业，毛利率普遍低于50%。当然，我们这里需要注意一个口径问题。抽佣的电商，佣金是收入，自己卖货的电商，货物的价格是收入。不具备可比性。

对比行业 & 回报率

投资一个毛利率高的生意，是不是一定会创造回报？不一定。

举个例子，海底捞60%的毛利，但是在疫情期间依然亏损；奢侈品50~60%毛利率，经济疲软时回报率20%左右相较低毛利率的工业这几年回报率高达89%要逊色的多。

所以具体问题需要具体分析。

成长性

数据显示半导体未来成长性可能是最强的，增速15%。软件也不错，成长性13.4%左右。

数字是这样，那么软件股背后成长的逻辑是什么呢？

成长逻辑1

量的增长，本质是软件增长的三大范式。

2000s【云基建时代】2010s【云软件时代】2020s【AI 时代】

【云基建时代】：企业和个人的 IT 基建平权 ，通过云，小公司也可以有自己的数据中心。

【云软件时代】：IT开支增加，我们使用软件整合、呈现信息。

【AI 软件时代】：Cognition-as-a-Service（认知即服务，软件创造信息）。

云软件和AI软件有什么区别？

云软件SaaS：我们可以使用这些软件来记录信息，呈现信息，比如做一个word文档，一个excel看板，软件本身不创造信息。

AI软件：软件本身可以创造信息，甚至帮助用户做决策。

举例：生成图片，生成方案，生成ppt，生成一个口语对练老师，图片、方案、ppt、老师，本质上都是创造的信息。

成长逻辑2

价的增长，本质是软件生成的信息可以为用户降本增效，帮助用户提升体验，提升效率，解决问题自然可以加价。

目前单独为AI功能付费普遍的加价率是10~100%。比如最夸张的加价100%，能带来怎样的降本增效？

代码由AI提示写作，节省程序员30%时间；

大模型算法做广告推荐，转化率提升7%，落地到收入上就是上百亿。

帮客户赚钱、省钱，客户自然就愿意接受加价。当然，现在可能也有一些困难，比如模型还不够聪明，愿意付费的人还是很少。走一步看一步，看看未来有没有更厉害的模型，如果没有的话，可以进行成长证伪。

估值

清楚软件股潜在成长驱动之后，当下的估值怎么样？很贵，软件公司市盈率普遍七八十倍，一百倍。

这么贵的前提下，回报率还一直和QQQ齐头并进，很不容易。估值越来越高，我们首先需要考虑这会不会存在很大的风险。

估值2

软件公司估值不仅越来越贵，还比QQQ贵近70%。

我们做了一个数学的回推，这么贵的估值，实际上是打入了很强的成长预期，或者实际上在假设软件公司未来的盈利能力可以比现在强很多。

当下估值隐含假设：增速翻倍到 30% (vs 现状13%)，预期利润率30%+（vs 现状11%）。增速假设激进。

利润率倒是可以通过摊薄固定成本，勉强达到30%的水平。

所以总结来说我们认为这个高估值还是有不错的支撑的，除非遇到熊市。

投资策略：指数IGV

在高估值的前提下，很难给出一个客观的假设，但相对客观的是，市场对于基本面趋势把握的还是很准的。

根据基本面趋势，目前比较好的入场时间点是25Q1也就是明年1季度。

按照这个方法，假设我们只做QQQ和IGV，1年可以实现多赚10%。

Palantir：马斯克老战友的公司，跑赢英伟达？

为什么关注Palantir？

Palantir算的上是明星科技股，大选以后直接迎来爆发性行情，股价年初至今翻了4倍，已经跑赢英伟达。

同时，这家公司是一家快20年的黑科技公司，经常做出一些惊艳全球的高光操作，比如08年帮助美国监管机构识破前SEC主席麦道夫的庞氏骗局，2011年帮助CIA击杀本拉登。在11年，PLTR的技术就可以在卫星图中凭借别墅附近的垃圾分布、周围的人物关系、地形关系等一系列高度非结构化数据且逻辑关系复杂的数据中找到本拉登的线索，可见其技术强大。

当然，我们并不会因为股价高涨，充斥着各种传奇故事就选择投资它，而是发现了该公司政府关系网的独特优势以及自身AI Agent的高成长性。我们认为，在合适的时间买入Palantir，长期有10倍的空间。

Palantir的价值主张

首先来看一看Palantir具体是做什么的，它能提供什么样的价值？

Palantir是一家大数据分析公司，是和数据打交道的公司。

那么对于大数据领域，企业最大的痛点是什么？

我们认为就是数据孤岛问题，也就是一个大型企业往往都有天量级别的数据，这里面必然孕育着大量的有价值的信息，但由于数据以不同形式存储在不同的系统中，且被不一样的专业背景的人使用，一个企业往往很难把所有数据综合起来分析，并做出决策。实际上综合所有数据做出的决策一定是最好的，但显然一个人，或一个管理团队，很难对所有数据有全部的理解。

所以Palantir要解决的就是传统企业大数据利用效率低的问题，它的offering也特别符合第一性原理，就是直接把决策相关的所有数据以决策者最高效理解的方式展现，并直接给出最佳解决方案，最后一站式执行。

接下来再看下Palantir自身的价值主张：

我们先思考大数据对于企业的本质意义，实际上理解数据自身的含义以及逻辑固然重要，但是对于企业，大数据的终极目标只有一个，做出更好的决策。

而对于绝大部分企业来说，这个终极目标其实很难实现，因为一般企业很难有能力去处理这些大数据，把他转换为利于决策的东西，最后往往还是靠senior的个人经验，大数据的优势往往发挥不出来。

但我们回归到大数据对于决策者的第一性原理来看这个痛点，如果决策者知道这些数据是可信的，而且明确知道这些数据的含义，并把不同的数据通过业务逻辑结合到一起，把这些结果清晰的展示出来，决策者就可以根据这些简单易懂的结论做出最好的决策。

其实这也符合人类的决策逻辑，理解信息，分析信息，做出决策，只不过放在大数据中，有三个地方是较大的痛点：

第一，对于天量级别的数据，很难知道每个数据的具体含义。并且不同类型之间的数据，逻辑关系也很难界定；

第二，对于这种复杂的数据分析，很难找到一个统一的框架，根据实时变动的数据并做出最佳的分析与预测；

第三，对于不同的分析和预测结果，往往企业领导者做决策要综合多个分析和预测共同判断，怎么把这些分析逻辑有效的展示给决策者也非常困难。

因此在市面上，其实有很多大数据公司，但是基本上都是只解决这三个痛点的其中一个，但Palantir的独特之处在于早在05年就开始做大数据分析，积累了足够的数据和经验优势，通过自身研究的本体论，同时解决了这三个痛点。

本质上，Palantir是唯一一个可以只用这一个数据分析平台，就可以结合企业的所有数据和运行逻辑直接生成决策，原来需要2000个人做的决策，现在只需要20个人加上一个palantir platform。而且这样可能效果还更好，因为人脑肯定是没有机器考虑的全面。

总结来说，palantir就是个傻瓜式决策工具，但决策质量又快又好，背后是结合企业实时的真实数据和大量自身业务模型的支撑。

那为什么说只有Palantir能做呢？

首先来了解一下Palantir是怎么做的？本质上是源自一个叫本体论的平台技术结构。

本体论简单来说，就是能把企业所有的数据通过预先整理后，输入到一个企业内部业务逻辑的模型组合中，这些业务模型组合输出的结论是结合了企业所有实时数据变化和考虑了企业所有业务的，本质上就是给真实世界中的企业创造了一个数字本体，让这个数字本体直接给决策者出具方案。

创造数字本体听起来简单，实际上是一件极具壁垒的事情。举例来说：

比如，如何把天量的企业数据融合到一起呢？Palantir的做法是从08年开始就对每一个使用pltr软件的企业派驻一个onsite工程师，和企业在同一间办公室里工作，这位工程师手动给企业数据打标签，并且使用同一套打标逻辑。同时，PLTR采用的是知识图谱型数据库，因此不同之间的复杂逻辑关系也是需要不断的实际经验迭代积累的。所以这16年的标签库和数据逻辑积累是PLTR独有的。

第二点，我们以数据处理举例，即使知道了数据之间的逻辑和数据自身的含义是远远不够的，这些还要和企业的业务逻辑结合起来，将这些有含义的数据输入正确的模型，并且将这些模型整体联系在一起，才能作出最终决策，那么这些模型之间的逻辑关系和具体的数据通道设计，也是核心壁垒。PLTR有自身一套document，model，metrics的模型决策逻辑，这些也都是专利保护的5，因此也很难被其他竟对复制。

因此总的来说，PLTR能做这一套全流程决策是存在多重技术和数据/经验壁垒的。

实际应用案例：PLTR在战场上的应用

我们可以清晰的感觉到，PLTR可以快速分析实时的多维度数据，并且在任何一个决策链路中，在每一个阶段，给到决策者综合了所有数据和业务逻辑的最佳结果，本质上是在决策者的每一个决策步骤上都给予了最必要的信息，并综合了所有实际情况的最优解，再结合决策者个人经验，做到最大化利用企业大数据和综合业务逻辑的最优、最快决策。

效果上，以前2000个人做战斗计划，现在20个人即可；原先3到5分钟索敌发射导弹，现在只需1秒。

通过对比PLTR的竟对也可以发现PLTR是更优的选择。

商业模型

既然PLTR有这么好的产品价值，那么落地到投资上，好的产品有没有让PLTR成为一个长期赚钱的生意，在我们看来，PLTR是有的，本质上这是一个小而美的生意，收费能力极强，但是成长并没有大家直觉上的那么快，尽管它已经很快了。

首先先来看看palantir的生意属性，简单来说，palantir的收费模型是目前我们所接触到的最好的软件公司。

palantir一共只有600多个客户，其中130多个政府客户，剩下的都是企业客户。这600多个客户全部都是超大型公司或者政府部门，大客户对于软件公司来说意味着更强的付费能力和更强的稳定性，一个软件公司的大客户越多，这个公司的生意模型就越稳定，是典型的优秀生意模型质地。

分析企业的生意属性，一方面关注量，也就是客户数，一方面关注价，量价齐升是更好的生意模型。

对于Palantir，这也是目前我们见过的最高的收费标准，PLTR的大客平均客单价可以达到5500万美元，平均客单价也是500多万美元，这什么概念呢？office的客单价是100美元，这是一个典型的企业级收费模式，也就是说，PLTR的数据平台会涵盖企业的所有数据，且高度定制化，而一半软件只会cover企业一部分业务，这就解释了为什么PLTR的客单价如此之高，同时也有一半收入来自政府，政府订单的客单价于企业高4倍左右，有1000万的量级。最后，对于大客来说，全平台定制化软件，叠加PLTR提效明显以及高技术壁垒，PLTR有更优秀的议价能力和客户留存率。

所以综合来看，palantir具有最高质量的客户结构，同时收费能力和可持续性都是行业顶级，在确定性上具有显著商业模型优势。

但在商业模型的成长性上，我们需要理性看待。

我们在做投资分析的时候，会把成长性和确定性分开分析，我们刚才讲到PLTR的商业模型在确定性上具有优势，但成长性是另一个角度的话题，需要分别考量。

分析确定性时我们会看PLTR的客户构成，看客户留存，看利润情况，而分析成长性时我们就要看PLTR客户增长的速度以及涨价的能力，看它是不是一个能持续的量价齐升的生意。

通过这个框架，我们会发现，PLTR的收入长期是一个30%左右的复合回报率，对比之前的大牛成长股，比如snowflake，mangodb这些差不多80%，100%的复合增速，PLTR并不算快。而且从客户体量和客单价上看，PLTR就600多个客户，每个客户asp 500多万美金，对比mdb，datadog这种几万个客户，客单价7万美金左右，量价增长空间都较小，本质上是因为客户体量太大，单价太高导致。

所以我们拆开PLTR的量价，就可以看到虽然客户数持续大幅增长，但是客单价在不断下降，这是一个取舍问题，想要快速增长客户数，就要下沉市场，导致客单价降低，这也是目前PLTR的获客战略。

总结下来，PLTR是一家小而美的公司，收费能力和客户结构非常好，但是成长性不算顶级软件股，只能说是一个合格的成长股。而未来怎么让收入进一步加速，怎么能尽快做大客户数量而保持高收费能力是目前PLTR的核心矛盾。

商业模型2

PLTR的增长驱动力来自哪里？

首先，我们进一步拆分PLTR的收入。PLTR的收入是政府和商业基本上还是各占一半的水平，因此政府收入和商业收入的增长都非常重要。

整体看下来，PLTR的政府客户和客单价处在量价齐升的趋势上，同比增速也维持在30%左右的高位，本质原因还是PLTR背后独有的政府资源渠道，政府收入预计持续保持稳定的量价齐升态势，但幅度不会很快，属于稳定增长的现金牛业务，贡献PLTR将近一半的收入是公司的基本盘。

而未来加速的核心驱动力主要是商业收入。PLTR采取的战略是快速扩张商业收入的客户数，但是牺牲客单价，也就是说下沉到一些收入量级不是特别大的大型企业中。PLTR在去年下半年推出了AIP bootcamp来吸引更多商业用户购买，目前来看效果也比较突出，商业收入在AIP推出以后重回30%以上的加速轨道。

因此，PLTR未来增长的核心驱动力主要在于商业收入，政府收入只会是它的基本盘。

政府关系

为什么PLTR政府收入稳，是它的基本盘？

主要原因有两个：第一个是政府软件采购本身就是个单价极高，周期长的生意，一半政府订单普遍在2000万到1亿美元之间，部分可以超过5亿美元，且持续周期是5到10年，一般软件只有3年，因此和政府做生意往往利润很足，而且更持久，难点就在于如何能和政府做上生意。

一般美国政府的软件生意主要由传统国防巨头和内部自研构成，为什么PLTR可以获得美国政府，甚至是对信息最敏感的军方订单呢？一方面是因为数据的安全性通过CIA标准，另一方面就是PLTR的关系网。从PLTR核心人物和美国国防部和政府的关系网整理中我们可以发现创始人Peter Thiel，以及公司早期的高管，比如Michael和Louie，都是存在利益关系的。

这两个人，一个人是美国CTO，总统技术顾问，可以直接影响国防部，另一个是CIA旗下创投机构IQT的创始人，他们都能直接/间接影响美国国防部旗下软件采买部门DIU的决策，而Peter Thiel自己是特朗普背后的金主之一，是过渡委员会的一员，因此Thiel背后实际上有一张紧密的政府关系网，能直接影响到国防部采买权，属于“自己人”。这也是为什么PLTR能持续在美国政府内部渗透的核心原因。

AIP Bootcamp

接下来看看商业部门的成长性。

回归第一性原理，为什么AI应用在企业内会有渗透率瓶颈，为什么企业对AI相关的投资决策周期普遍都比较长呢？我们认为本质原因是企业无法对AI项目的ROI有比较清晰的认知。

这个认知建立的难点在于AI数据中枢系统都比较抽象，而且高度定制化，企业很难知道自己的什么数据有用，什么数据没用，哪些业务逻辑可以模型化，实际的使用效果又如何，因此很难预测ROI，无法评估ROI，就没法立项分配预算。

那么Palantir是怎么解决这个问题的呢？在23年下半年，PLTR推出了AIP Bootcamp，让企业花5天的时间使用palantir的软件在自己的业务上，palantir的工程师上门辅导，让他们只管感受AI ROI。Bootcamp的落地效果非常理想，一年时间有1000多个组织参与。

具体的效果怎么定义呢？从结果上企业可以清晰的理解PLTR在具体的业务流程上有多少提效，比如对仓储分类提效99%。而对于客户转化效率来看，此前普遍购买palantir的业务成交决策周期要半年180天左右的时间，在AIP后，决策周期缩短到2个月到14天，效果还是非常明显的，解决了企业了解和接受AI比较抽象业务的门槛问题。

回到公司增长层面上，实际数字表现如何呢？不光是决策周期的缩短，对收入加速和获客效率的加速也十分明显。对于美国本土企业，在23年Q3以后，获客速率开始大幅加速，收入也开始大幅加速。AIP Bootcamp虽然落地很好，但是主要集中在美国，目前国际收入还在下降趋势，而且获客速率也在进一步下降。

所以综合来说，AIP Bootcamp为Palantir的加速增长创造了非常高的想象空间，但是对国际收入的加速还未被证实，这是一个好的开始，但我们仍需等待国际商业收入在bootcamp提振后加速的evidence，这会是一个很好的catalyst。

基本面和估值错配

综合Palantir的基本面的成长性和确定性，能得出什么结论呢？

简单来说，我们认为Palantir是一个小而美的商业模型，基本面在确定性维度非常优秀，是头部的软件股，独特的产品定位和最佳收费模式，以及政府收入，是它的优秀基本盘。

但是基本面在成长性上方面还需要进一步证实，在我们激进假设国际商业和美国商业收入都在bootcamp效果下长期加速，得到的也就是30%的年化复合增速，并不属于超高速增长的软件股，本质原因是稳定的政府业务对高速增长会形成一定拖累，而背后是客单价过高导致客户数量增长有限所致。

总结Palantir的基本面，它一定是一个护城河强，基本面优秀的成长股，但增速需要理性看待。

对基本面有了深入理解后，我们应该匹配估值。之所以提到增速需要理性看待，实际上背后也是认为目前palantir的增速无法撑起40倍以上的市销率估值。市场上目前看palantir的增长是不理性的。

具体怎么说呢？首先我们可以复盘一下palantir的股价增长历程，可以看到在美国大选结果出炉以前，palantir还是跟随着软件股一样的涨跌逻辑，也就是奖励好的业绩，惩罚坏的业绩的态势来走，基本上和meta的回报率类似，是一个跟着基本面涨跌的优秀成长股走势。

但这一切在11月trump赢得选举以后发生改变，palantir在此后的增长我们认为主要和trump交易有关，因为peter thiel是Vance的金主，属于和比特币类似受情绪助推；其次palantir Q3财报宣布纳入标普500，同时AI Agent加速成长，叠加当时的市场情绪，整体成为重点炒作对象而带来的加速增长，这是不健康的。

为什么说不健康呢？对于长线的机构投资者，是非常看重估值和长期增长之间的逻辑的。我们来对比一下PLTR和关键竟对的估值水平差距。

PLTR当前市销率44x，也就是说，市场需要花44美金买它1美金的收入，这个估值水平是其他同类型股票的2到5倍，是纳斯达克估值的8倍，而我们仔细看这只股票的基本面质地，毛利润81%固然优秀，但是同样毛利润的datadog只有17x市销率。而且看未来的增长，PLTR30%的复合增速也并不出彩，远期利润率也低于crm等老牌软件质量股。

如果我们把各个股票的估值根据未来基本面成长进行调整，我们发现PLTR比其他同类型的股票贵2到3倍，这显然是非常不合理的，而且还有一个关键信息，比如像crwd、snow这样的大牛股，超过40x的PS是基本没有的，所以PLTR整体处在一个史无前例的高估状态。

另一方面，我们看palantir基本面的成长，Q3财报bootcamp加速北美收入，AIP高增长逻辑被证实，利好基本面毋庸置疑，但是我们必须知道的是，美国商业收入就占总收入的25%，国际和政府收入还没有加速的态势，甚至国际收入在放缓。

所以这两个点综合起来意味着什么呢？PLTR基本面确实在健康增长，甚至AIP有加速的态势，但是市场过度price in了利好，基本面利好被price in以后又被打入了过多预期，比如AI Agent让收入明年翻倍，比如4年后jd vance当选美国总统，这些不实的期望占了PLTR至少40%的估值，并不持久。未来30%的复合增速无论如何也撑不起44x的市盈率。

结合公司的基本面和估值，以下是我们对Palantir的长线投资思路。

这是重点中的重点！

基本面优秀，成长性确定性兼具，基本面加速但仍有需要被证实的地方。

我们认为短期证实需要时间，长期商业收入增长空间被证实概率更高。

但是短期被市场过度price in乐观预期，需要找到合理估值区间，买入后长期持有，长期有10x空间。

Palantir合理估值

如何看待Palantir的合理估值？

对于palantir的估值逻辑，先通过生意属性定位可比公司，后进行仔细分析，最后，我们初步根据可比公司和palantir自身基本面情况，定量 + 定性的给出palantir的核心估值逻辑和范围。

PLTR 的核心估值逻辑：以纯成长股属性定价，计入收费模式和政府护城河溢价 15%，不计入利润提升溢价，其余核心参考 CRWD、SNOW、MDB、NET、MSFT 生意属性和周期性定价。

基本面强，但被错误定价，投资的核心目的是找到对的公允价值，在低估区间买入，长期持有

结论

总结：palantir具备一个非常好的生意模式，而且在不断健康增长，当下的问题是市场对于它打入了太多不切实际的预期，我们需要做的就是持续等待，等待估值回归到低估区间以后再进行买入，并长期持有，长期预期会有10x的增长空间。

Datadog：云原生，数据板块的后起之秀？

为什么Pick Datadog？

复盘上一轮2020年的疫情降息大牛市，我们观察到数据infra板块涨势是top3，而本轮AI+降息，数据infra依然是高受益的板块！

（支撑案例：近期IGV涨幅中，市场用脚投票也是最猛的板块之一！）

在这么多细分的数据板块中，为什么先选DDOG？而不是其它公司？

最直接原因是Datadog竞争格局站位最好，长期更不容易受到大厂的竞争威胁。

从基本面角度来看，在100多个saas公司中Ddog的未来3年/5年收入增速是少数仍能保持在20%+的稀缺标的。估值方面，Ddog处于分歧成长区，未来会有更大的补涨空间。

Datadog的价值主张

Ddog的产品具体是做什么的？

DDOG总共有3大支柱产品，比如一家企业是一个餐厅，其中：

IM就是监测各种烤箱温度、煤气罐剩余量，监控一切基础设施是否正常运行；

APM是收集跟踪用餐用户的数据，比如最近的翻桌率、用户平时最喜欢点什么菜品；

Log是每天的流水账，带时间戳地去记录厨房中发生的各类事件。

那这3个功能联动起来有什么用呢？

比如企业最近通过APM发现点披萨的人数减少了，就可以顺着日志Log去找到前几天有客户抱怨披萨烤糊了，然后再看IM会发现，这并不是新来员工不熟练的问题，而是这个烤箱过于老旧了。

这就可以实现通过数据监测，帮助企业正确归因，减少80%的debug的时间，为企业规避了大量debug的成本损失，保证一个企业稳定运营。

Datadog为什么可以成为后起之秀？

复盘历史会发现这是一个选择比努力更重要的事。

DDOG做对了什么关键选择？主要有以下三件事：

一开始就走平台化底层架构路线，而不是专精大单品；

一开始就切入中小企业市场（也就是SMB）；

一开始就先做IM产品，再逐步扩张品类。

做对一个选择可能是运气，多次做对选择，说明DDOG的底层基因、逻辑是有值得被学习的地方的！

帮助DDOG不断选对的底层基因是什么？

高R&D投入+低营销投入   但同时：业绩收入关键指标却远超竞对，这些数据让我们得出一个假设：DDOG是靠产品力跑出来的！

为什么会有这么亮眼的业绩？

总结起来就一句话，DDOG是一帮懂市场需求的务实工程师！

他们不是拿着锤子到处找钉子，而是根据客户存在的问题去设计产品，坚持用高R&D投入，导致快速推出的每一款产品都能很快受到市场的欢迎。

可能有人会问做到这件事很难么？难道不是一个常识么？

有时成功需要的不是自己多么厉害，而是尽力去避免竞对犯的各种错误。

简单举例：

竞对会因为创新者困境，在传统架构、云架构的资源投入上不够专注…

竞对被思科收购后沾染了大企业病，被PE控股后，CTO难以得到发声…

Datadog和AI的故事

AI story和其它竞对有什么不同？主要是因为DDOG有2层的AI story，当其它软件厂商还在给Open AI付费去做Agent时，DDOG已经在让open AI向它付费了。在24Q2发布大模型监测产品后，AI story对业绩增量有了一个显著提升。结论：AI依然还处于非常早期的阶段，未来AI业绩释放的跟踪拐点，主要看推理端何时能达到大规模应用。

结论

基本面层面：

未来3年，我们认为DDOG通过它的核心竞争力，主业能保持在20%+的增长。AI业绩方面，我们倾向于目前当作一个free option，如果AI得到大规模推广，DDOG一定是业绩受益最直接、显著的数据infra个股之一。

估值层面：

我们认为DDOG有2轮潜在的估值提升空间：

一是今年降息、板块资金从semi向软件的轮动下，软件板块总体的估值中枢上移；

二是25年AI业绩兑现、IT budget提高业绩加速带来的估值提升。

英伟达 & AMD：成长到2030年+？

财报回顾

关注中短期的核心矛盾。

英伟达中短期的主要矛盾在于供给限制，比如说它的 B 系列芯片会不会脱产不出来以至于延期。然后导致他收入增长进一步放缓。

这次财报其实还是比较中性偏正面的。首先，大厂在需求这一部分还是比较稳定的，还在持续的加大资本支出。目前来看需求比供给大，所以在需求这一部分，短期维度我们是不需要担心的。

在25年供给问题被解决的前提下，我们认为在中短期的维度下，基本面是没有问题的。长期来看主要是需求能不能持续。在会议中黄文轩认为需求还是可以继续增长的，比如说salesforce做了ai agent；比如说OE这边带来的 influence可能会有一个十倍的算力需求。基于目前的信息和对未来的展望，其实长期的这个可持续性是可以维持的，所以整体上来看，不管是中短期还是长期英伟达的投资逻辑是没有改变的，而且它的逻辑还是很正面的，我们不用对英伟达的基本面有一个比较大的担心。

英伟达 VS AMD

AMD的产品力是全方位弱于英伟达的。

英伟达更强的产品背后就是更强的赚钱逻辑，英伟达的基本面增长也会大幅优于AMD。

英伟达的收入增速基本上是50%以上，AMD勉强能达到20%，这个差距就很大了。利润率，英伟达50%多利润率，AMD长期只有20%。最后我们再看AI的收入，英伟达90%的收入都是AI相关，但AMD只有20%的收入是和AI相关的。

所以我们认为，在这一轮 AI 周期中，AMD 可能不是一个更好的选择，而英伟达可能是在同系列里面唯一的一个最优选择。

2027会怎么样？

长期来看，我们还是会维持之前的判断。在27年的时候，AI GPU大概会有3000亿的市场份额。这其中绝大部分会被英伟达所占有，大概有70%左右的market share。

AMB可能会在中低端市场有一定的市占率，然后可能在下一轮周期的时候，会有一个比较好的回报率。简单来说就是英伟达在本轮牛市中一定是最强的。

结论

英伟达：本轮牛市的最强AI股，本质上是AI行业早期进入门槛高，主要以研发为主导，是大厂竞赛的阶段，因此对计算性能要求更高，对成本考量边际较低，英伟达在高端计算领域形成垄断，获取几乎所有增量和存量份额，25年收入超2000亿确定性高，本轮周期超配。

AMD：本轮牛市持续跑输，本质原因是高端计算领域无法和英伟达竞争，但是在中低端市场通过高性价比形成差异化竞争，预计在下一轮AI周期发力，或是2年到3年后的配置选择。

半导体 & AI：2025年隐忧，但AI潜力是否被低估？

2025存在基本面大幅恶化风险，关注重点股票上车机会

半导体目前主要是担心周期性。整体收入增速在2025年都会呈现一个放缓的趋势。而且股价往往就在放缓以后见顶，大幅下跌。最近几个月股价表现就比较差，可能是个季节性的回调。但长线还是看涨，下跌后可以关注买入机会。

重点关注自选股：NVDA、AVGO、TSM、MRVL、ASML、MU。

AI S-Curve

今年市场是在轮换着炒，炒完AI 基建英伟达、炒AI手机、电脑，比如高通、戴尔，再炒AI应用，比如palantir、实体智能特斯拉自动驾驶、人形机器人。

好像，没啥可炒的了，可以收工了。

移动互联网

但其实每一个环节，不是说炒完就不能继续投资了。

参考移动互联网时代，上图中这些颜色图形的高低，高出0，就是比大盘跑赢多少。

当年，移动互联网，基建、手机终端、手机应用，其实都有持续地跑赢大盘的回报率，也就是说并不是基建炒完就没有空间了。

AI

AI也是一样，我们认为，不论是哪个AI板块，基建、终端、应用，都有持续的机会。

背后是三大底层逻辑：摩尔定律，反摩尔定律，安迪比尔定律（产品工程）。

摩尔定律：现在已经不奏效了，芯片密度迭代没有那么快了，所有人不用内卷，整个硬件行业的利润率提升一个平台。

这个时候，就比如英伟达去研究加速计算，物理世界不能直接解决，就通过算法来解决。而这个加速计算路径，其实可以克服反摩尔定律的。

反摩尔定律：科研的边际效应是在递减的。

举例：10亿美元，1970年，可以研发10个新药，现在却只能研发出不到一个新药。本质原因是，知识累计起来是有信息负担的，光是去学就要花很长时间。这个时候，如果使用ai去尝试新药的研发，会非常迅速。

当研发足够强大，出了一个爆款产品，比如手机，比如大模型，这个时候消费者开始用起来。然后就需要更快、更强的功能，这个时候又触发了安迪比尔定律。安迪，英特尔前ceo，比尔，比尔盖茨，微软前CEO。微软的软件越来越强，吃掉了硬件的性能。所以就是，软件和系统的迭代，又出来一波硬件的需求。

大模型，新的强化学习路线，需要10倍GPU时间，苹果iphone 16，apple intelligence AI内存最低要求8GB，上一代是6GB，进一步反哺硬件的需求。

所以，摩尔定律、反摩尔定律、安迪比尔定律，互为开头，互为结局、互为因果，逻辑闭环。

AI时代，硬件、软件都有持续的投资机会，百花齐放。

华尔街创新渗透

在逻辑很强的前提下，即使我们觉得k线很高，估值太贵，还是有必须具备一些更长线的思维。

要知道，华尔街，是经常低估创新的。

通过观察之前的数据，比如PC、互联网、智能手机、云，都被低估了，平均低估38%。尤其是互联网，华尔街认为2000年1.5亿用户，最后到了3.6亿用户。

所以有的时候，抓住风口、模糊的正确，才是正确的心态。

软银的传奇投资人，孙正义追悔莫及“错在把英伟达的账算的太细，错过6倍回报率”。2011年高瓴资本的张磊，和京东的刘强东青梅煮酒，东哥：给我几千万美元；张磊：你要么别搞，要么就来2亿，当时也并不是说把电商仓库账算太明白，就是对标2000年代的亚马逊。

所以做投资，有的时候，长线的心态就是，模糊的正确，抓住风口，现在AI就是风口。

模糊的正确，重点的软件、硬件股，都放一些钱，长期持有。

熊市来了，逢低加仓。

没有所谓最好的什么互联网黄金时代，没有最好，只有更好，我们要持续地投资风口，持续地押注未来。

                              往期精彩文章推荐

关于鹿可

鹿可是一家在新加坡注册和成立、并且拥有新加坡资本市场服务（Capital Market Service）牌照的联合家族办公室，由顶级海外金融机构和一线科技互联网公司专业团队组成。鹿可专注于服务新经济高净值人士，以科技助力金融，为科技新贵提供从海外金融法律基础架构搭建到投资咨询、资产配置以及全球前沿行业研究、投资的一站式服务。

免责声明：本公众号文章仅供交流，并非鹿可对任何人的投资邀约或建议。