我们应该如何投资人工智能?如果能投,又该如何以智慧的方式参与?这是本文探讨的核心议题。
尽管笔者并非科技行业从业者,也非AI领域的顶级专家,但鉴于AI是当今时代最深远的发展之一,投资者无法回避这一课题。本文旨在梳理关键问题,聚焦AI的长期前景而非短期股价波动,帮助投资者在充满不确定性的环境中寻找定位。
投资的本质是将资本配置于能从未来获益的位置。面对AI这一变量极多的领域,预测的难度呈指数级上升。我们需要思考的不仅是未来可能是什么样,更是我们判断正确的概率有多高。
AI 的运行机制与“黑箱”困境
在深入具体投资问题前,需先理解AI的本质。正如Anthropic的Claude所指出的:我们清楚AI的构成和构建方式,却对其“如何实现智能”知之甚少。规则并非由人编写,而是在数万亿次参数调整中自行涌现。这种系统更像是“生长”出来的,而非“设计”出来的。
目前,连AI自身对其决策过程的解释也往往与内部实际运行机制不符。这意味着,即便是创造者,也无法完全透彻地解释AI的思维过程。对于投资者而言,承认这种认知的局限性至关重要:几乎没有人对AI的未来演进、用户接受度及盈利影响拥有确定性的认知。
AI 的能力边界与伦理挑战
AI正从识别历史模式向具备“推理”能力进化。其最终潜力取决于以下几个核心问题的答案:
-
AI的思维能否与人类的价值观和目标保持一致?它是否会保持诚实、客观,还是在特定情况下产生偏差甚至威胁人类利益? -
在创造力、直觉及“第二层思考”等高阶认知领域,AI的表现如何?它能否进行真正的原创性构想? -
人工通用智能(AGI)的标准是什么?是达到普通人水平,还是顶尖精英水平?不同层次的智力将决定其替代人类工作的范围。
这些问题的答案,将直接决定社会愿意将多少工作交给AI,以及AI在价值链中的地位。
谁将成为最终的赢家?
技术进步并不必然转化为投资回报。巴菲特曾指出,互联网革命虽改变了世界,但许多投资者并未获利。AI领域同样面临以下抉择:
一是商品化风险。如果多个模型能力趋同,服务可能沦为价格战的商品,利润流向使用者而非供应商,导致巨额基础设施投资回报率低下。
二是垄断溢价。若少数公司形成护城河,使其产品成为企业生存的必需品,它们将拥有极强的定价权。目前Nvidia和TSMC的高额利润正是这种竞争地位的体现。
此外,税收政策也是潜在变量。鉴于AI可能替代劳动力,政府为弥补税收损失,未来是否会对AI征收类似个人所得税的高额税率,仍需关注。
竞争格局的快速迭代
AI行业的显著特征是进步速度极快。几年前还默默无闻的OpenAI和Anthropic如今已是领军者。这引发了一个关键疑问:今天的巨头是否会被迅速取代?
回顾20年前的互联网时代,Yahoo和Netscape被淘汰,而Microsoft、Amazon等脱颖而出。在技术快速迭代的背景下,维持领先地位极为困难。投资者需审慎评估:当前AI领导者五年或十年后仍能保持优势的概率有多大?其现有估值是否已充分反映了被颠覆的风险?
盈利预测的极度不确定性
价值投资依赖于对未来现金流的折现,但在AI领域,基础假设极难确立:
-
产品的最终形态、客户使用方式及定价策略尚不明朗; -
芯片寿命、数据中心折旧速度及资本开支竞赛的持续时间难以预估; -
巨额投入能否获得合理回报,以及回报归属于哪类参与者,仍存巨大疑问。
相比70年代的综合企业或2000年的互联网泡沫,AI的不确定性更为复杂。若无法对五年后的每股收益做出高置信度的预测区间,投资者应重新审视其估值逻辑。
数据中心:算力基础设施的投资逻辑
数据中心已从单纯的数据存储演变为生产算力的“AI工厂”。部分投资者倾向于通过基础设施间接参与AI红利,类似于淘金热中出售镐和铲子。然而,这一路径并非毫无风险:
-
成本结构失衡:建筑本身占比小,主要成本在于易过时的芯片和GPU,且技术贬值风险主要由使用者承担; -
建设瓶颈:面临土地获取、监管审批、居民抵制、电力供应及冷却设备等多重限制; -
融资约束:高昂的建设成本和融资利率可能限制扩张速度。
值得注意的是,上述供给端的限制反而可能提升现有数据中心的盈利能力和价值。但投资者需警惕过度建设导致的供过于求,该领域的胜负差异可能远超传统基建行业。
经济与市场对 AI 的过度依赖
AI对美国经济和股市的影响已呈现不成比例的特征:
-
AI贡献了大部分GDP增长,主要驱动力为数据中心资本开支; -
“Magnificent 7”等科技巨头的盈利增速持续跑赢大盘; -
自2024年以来,AI相关公司贡献了标普500约三分之二的涨幅。
这种高度集中使市场脆弱性增加。一旦芯片寿命、企业战略或算力需求出现负面变化,后果将极其深远。当前市场缺乏多元化支撑,犹如建立在单一支柱之上,风险敞口异常巨大。
信用市场的潜在风险
AI相关债务发行规模激增,占美国投资级债券供应量的五分之一以上。 hyperscaler(超大规模云服务商)为满足算力需求,不得不成为融资市场的“价格接受者”,这可能推高整体利率,甚至对政府借贷成本产生挤出效应。
此外,行业内存在复杂的“循环交易”现象:芯片商、云服务商、初创实验室和数据中心之间相互借贷采购。这种内循环是否掩盖了真实需求?表外融资是否隐藏了杠杆风险?债权人需高度警惕借款人的信用状况及贷款结构的稳健性。
可预测性评级与投资启示
根据分析,AI各细分领域的可预测性差异巨大:
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Frontier Lab(如OpenAI、Anthropic)的可预测性极低,接近二元结果,但目前却在私人市场享受高估值。同时,地缘政治因素(如中美芯片博弈)也为行业增加了不可控变量。
AI 是泡沫吗?
判断AI是否为泡沫,需从三个维度考量:技术是否被过度炒作?资本投入是否过量且回报不足?投资者是否支付了过高价格?
目前看来,AI技术本身的变革性是真实的,但其商业变现路径尚不清晰。核心问题在于:AI能否创造足够高的价值,以支撑数万亿美元的基础设施投资并获得合理回报?在当前阶段,这更多是一种基于信仰的判断。正如名言所述:“对相信的人来说,不需要证据;对不相信的人来说,任何证据都不够。”
投资策略:在不确定性中保持谦逊
面对AI这一极具影响力但难以预测的变革,投资者的正确姿态并非回避,而是保持“经过校准的谦逊”:
-
明确自身优势:识别哪些问题是机构擅长回答的,哪些是不确定性强需规避的; -
注重价格安全边际:在可预测性低的领域,只有当价格足够低廉时才具备投资价值; -
风险评估:思考需要多少假设同时成立才能获得回报,以及核心假设错误时的最大损失。
引用沃伦·巴菲特1979年的智慧:“未来永远不会清晰;而在股票市场中,当所有人都形成乐观共识时,你往往需要支付非常高昂的价格。不确定性实际上是长期价值买家的朋友。”在AI浪潮中,承认无知并谨慎行事,或许是应对意外的最佳策略。

