Shownotes Transcript
大家好,欢迎收听圣诗出品的播客,置身其中第八期本集录制于 7 月 20 日我们再次串台的财经播客投资实战派与主持人永庆一起聊聊当下的热点话题 AI
在对谈中,我们简单回顾了自 20 世纪 60 年代以来的几波信息技术革命,这一轮 AI 浪潮的共性与不同,中美之间的差异,以及从产业和 2G 市场的视角,聊聊投资者关注的问题。以下是本期播客的实录,希望对大家有所启发和帮助。
欢迎收听投资 13 派,我是永庆今天我们主要是聊一期关于 AI 话题的主题我们为什么要聊这一期呢?其实有几个重要的原因一方面是我们看到最近一段时间尤其是二三年下半年以来有很多的 AI 行业的爆炸性新闻
无论是切特 GPT 也好或者是文本转视频也好等等都有很多的时不时的爆炸性的新闻第二个呢是我们看到一些很牛逼的公司比如说像英伟达或者是苹果等等在 AI 方面的持续进展
还有一个原因是我们看到这些公司的股价真的是遥遥领先你再对比一下 A 股的情况那就更是遥遥领先了所以说我们今天邀请一位资深的嘉宾从一个行业的资深从业者或者是投资者角度我们怎么去看待一些技术的变化或者是变革以及在这个变革中有什么样的投资机会和投资视角聊一聊他的经验教训或者是洞察
我们先请嘉宾做一下自我介绍吧谢谢永庆的邀请非常开心有机会做客投资实战派我自己本身也是听众之一吧也从之前的一些播客中学到了很多我简单介绍一下我个人的履历吧我的英文名叫艾斯大家有时候可能会俗称是叫宾格
我过往的职业经历呢简单点来说的话有很多一半一半吧首先一半是标评的职业经历一半是非标评的职业经历一半是在实业一半是在投资一半是在中国一半是在北国
最早我和很多留学生一样进入到了管理咨询行业从管理咨询行业进入到了一个产业里面管理咨询我是在艾森哲从艾森哲到了 S&P Global 标普全球大家如果是做投资的话应该曾经用过我们的产品叫 Capital IQ 也是全球最大的一个金融数据和金融软件的提供商从那里我又去的美国教师退休保险基金是管理 1 万亿美金 plus 的
一家大型的综合的资产管理机构和金融机构在那边是在 CEO 办公室 CEO 当时是前美联储副行长 Roger Ferguson 这是一段算是比较标评的职业理律吧从那之后呢就开始走野路子了走飞镖了
2016 年年底的时候回国创业前公司也是在数据行业吧 20 多年的从业经历呢一半是在实业一半是在投资那现在主要在做的事情的话是我跟我的合伙人永明我们在两年前成立的盛世主要我们做两件事情一个是资产管理一个是我们有
我们投资研习院呢其实这个本意是我跟永明都是哥伦比亚大学的 MBA 我们个人的成长其实深受哥伦比亚大学价值投资项目的帮助
我们也希望把我们内部一些培训分析师的方法和在各大学到的东西以及我们之前在实战中的一些经验结合起来能够开放给公众开放给社会这是我们投资研习院在做的一件事情那我们第一个产品叫盛世应用价值投资课永庆也是我们第一期课程的课友现在是在做这两件事情我的话平时关注的行业主要有
科技互联网消费工业和金融这是我们这个团队主要覆盖的四个行业艾斯之前也是哥伦比亚大学价值投资课的学习成员比较正统的价值投资者学派永明之前已经录制过一期播客了在那期播客里面我们其实也聊到了在中美洲价值投资的一些区别等等如果大家对上一期感兴趣的也可以去听一下我们那一期的播客我们今天的聊天主要是包括三个主要的话题
第一个呢想聊一聊互联网行业的技术浪潮复盘一下过去的艾斯看到的一些在互联网行业的技术浪潮有什么样的规律或特征第二个呢是再聊一聊本轮的技术革命尤其是 AI 浪潮的一些影响包括在中美市场的差异第三个呢聊一聊在市场当前的情况怎么样
看待一些行业的估值也好或者是我们在投资这一类公司这一个行业的时候有什么重要的注意事项或者是跟踪事项我们先请艾斯跟我们分享一下因为你之前在自己创业也是偏向于亿度互联网大的行业的浪潮的具体应用我觉得你可以给大家分享一下你自己看到这几波互联网行业的技术浪潮里面都有哪些浪潮以及在这些浪潮里面有什么样的特征也好规律也好
以及当时你的行动是什么?
一个新的技术出来带动一波科技进步的周期那我们如果从 1960 年到今天来看的话我们经历了有六到七波的这样周期最早的时候 1960 年到 1980 年我们大部分在座的人可能是 80 后 90 后偏多一些我们可能有肉体记忆的更多是
2000 年以后的这段时间但是咱们先把 2000 年之前看一看总结一下大致这里面有哪些核心的一些主题首先第一波浪潮其实代表的是计算的编辑成本逐渐趋近于零这样一波浪潮那就是从 1960 年到 1980 年 IBM 发明了这个 mainframe computer 到 1980 年个人电脑的出现再到可能在 2015 年到 2020 年这一波 SaaS 和 Cloud computing 的浪潮其实它代表的是什么代表的是
计算的成本逐渐的无限趋距引领最早说 mainframe computer 出来又重又笨价格又超贵但是到了 personal PC 再到我们后来手机的时候其实计算的成本无限趋距引领了
那第二波的浪潮的话其实跟互联网就有关了 1990 年到 2000 年的时候以 Cisco 为代表的发明我们有了 Networking 对吧首先是在校园内部在公司内部把诸多的电脑连接在一起电脑之间相互沟通我们叫这个 Wide Area Networking 之后再到了所有的这些电脑全都加入到互联网来了可能大家有时候会讲外部 1.02000 年到 2010 年
之后随着 iPhone 的发明我们又开启了移动互联网时代那这一步代表了什么是信息分发的成本无限趋近于零的这样一个过程首先计算的成本无限趋近于零能够帮助人更好地去生产信息化的产品和信息化的内容而当我们把这些互联网这些管道打通以后信息的分发成本其实又无限趋近于零了
后来的这个 Cloud Computing 啊和 SaaS 这一块其实只是我们从传统的数据中心搬到了云上但它整一个大的趋势共享趋势还是计算成本和存储成本在无限距离领这新一波的浪潮呢从 2022 年底到至今为止的我们叫 General TV AI 其实我们如果严格的定义下来说的话我们先不聊 AGI 啊
我们先只是说 generative 和以 large language model 为主的这一波呢其实代表的是以文字图片音频类似的这种内容的生产的成本在快速的降低所以首先是计算第二是分发渠道第三是内容的生产我们能看到目前迄今为止 1960 年到至今的这七个浪潮中三个主题
我在这个修诺特里面会放一个纳斯达克指数的变化一方面是很欣喜的能看到它几乎是以一个 35 度左右的角一路往东北角而去第二个能看到它过程中其实是有很大的波动的比如说典型的是在 90 年代底
尤其是 2000 年刚开始的时候的互联网泡沫当时的跌幅其实也很大刚才您提到说有好几波技术浪潮但是每一波技术浪潮只有少数公司感觉能够活到了最后或者是过得越来越好回顾这么多浪潮我们从投资角度或者是从产业角度有什么样的重要的启发吗
或者是说怎么少踩坑多赚钱呢光这一个问题就价值千金了我在联系刚才永庆提到了一些问题我发现我好像没有完全答完科技的浪潮伴随的是什么另一个概念叫 technology hype cycle 对吧咱们先不说科技实际进步是怎么样的咱们是说大家对它的期待和激动程度刚开始一个新的科技出来
大家充满无比的期待但是可能对它预期过高了然后这个预期开始回落咱们再慢慢地爬升预期和实际之前发生了错配然后再一起偶合再慢慢慢慢地一些进步所以我觉得每一个新的科技出来或多或少
可能都会有这样的一个周期,那没有这样的一个周期的话,可能我们也不会看到今天这么大的一些投入了,但我想区分的一下就是,不是所有新的技术出来,都会像 Generative AI 一样,有如此大的这个欢呼雀跃,大家有如此高的期待,我就给大家举一个例子,就是说我们在看这些不同的新科技出来的时候,咱们先从一个类比的角度来看,因为过往 20 年吧,我们有几个时刻,
首先第一个是我们有 iPhone 时刻我们有区块链 blockchain 时刻后来就要 ChatGPT 时刻对吧我们 iPhone momentChatGPT momentand blockchain moment 周末的时候我跟另外一位朋友在聊天的时候我们发现其实不是所有新的技术出来都会出现一波 hype
我刚才提到这三个时刻里边有一个刚开始出来的时候没有那么多的这个 hive 但实际上产生了巨大的社会价值商业价值以及投资价值是什么呢是 iPhone 对吧大家想一想 iPhone 刚出来的时候应该是被很多老牌公司嘲笑的一个产品包括 Steve Ballmer 当时的 Microsoft CEO600 美金的一个手机
而且还没有键盘怎么可能呢对吧其实大家对 iPhone 当时的市场对比一下跟现在大家对 General TBI 的态度其实是不太一样但实际上 iPhone 基本上算是打开了移动互联网的大门没有 iPhone 可能就没有今天的比如说小米智能手机没有今天的 Uber 没有今天的 iPhone
App Store 为生态的构建起的一个虚拟和链接现实世界的这么大的这样一个新的 economy 我觉得 iPhone 出来的时候是非常非常被低估的
那极度被高估的是什么呢我可能要冒犯一些人其实就是 blockchain 对吧承诺了非常非常非常多的东西但是实际给大家带来的社会价值以及给大众带来的商业价值其实没有那么多 general TVAI 其实这一波呢我们理性的来看的话它可能趋近于两者之间目前来说 general TVAI 的话
肯定是有社会价值也有一定的商业价值但它会像 iPhone 一样真的是把我们引领到一个平台级的机会呢如果只是 large language model 的话不一定所以说我觉得我们如果一个新的事物出来的时候或多或少都会有预期过高但也有被低估的时候
我这边补充一下在 2010 年的时候 iPhone4 正式发布因为 iPhone1、iPhone2 感觉一开始确实产品没有那么的超预期但是 iPhone4 是挺超预期的那个时候的纳斯达克指数在 iPhone4 发布的时候是 2000 多点现在是 1.7 万点
也说明如果一个行业从仅是概念到它这个行业真的产生巨大的收入利润对社会产生广泛的影响之后其实它这个影响力是巨大的创造的价值也是巨大的对比了利益权现在还是处于一个投资和交易为主的驱动但是还没有进入到大众的生活里面
也是觉得说 AI 产业包括这一波的 AI 浪潮是处于这个当年的手机跟现在的比特币中间的一个技术应用
似乎已经过来了但是也是过来了一部分大概是这么一个时间节奏对吗如果从时间节奏上我们先不从最细节来说但如果从他给我们带来的体感和质感的话我觉得可能是在两者之间不代表他未来不可能成为一个平台性的机会只是那可能需要有一些其他一些必要条件被满足吧刚才您提到有好多技术浪潮有一些技术浪潮真的还挺厉害的
有些技术浪潮可能还在故事层面当然过程中又夹杂着很多小的技术浪潮那我们从投资角度在辨别哪些是真的技术革命哪些是技术泡沫哪些是要走一步看一步的时候有什么样的方法或者是规律可以追寻的吗这个我们从底层来思考的话就 bottom up 一点因为从上面讲的话有点太宏大叙事了如果从底层来讲我永远认为是痛点为先而不是概念先行
任何主打讲概念的最后可能都会一个新的科技出来一定是首先解决了某一部分人的问题刚才永庆提到非常好其实真的到 iPhone4 的时候才真正的被大众所接受但是 iPhone1 出来的时候其实已经有一部分非常忠实的粉丝了
那这个其实跟另一个概念有关就是叫 Technology Adoption Cycle 就是一个新的科技的扩散的这样一个周期那我跟另外一个概念相结合的话我们叫 Product Market Fit 产品和市场的这样一个需求的一个偶合那第三个概念我们把第一个概念抛出来吧那就是痛点先行然后概念靠后所以我们会看到
产品出来以后它有没有解决一部分用户的核心问题有没有把一个非常痛的痛点解决好了首先抓住了一部分核心用户且形成了非常强的粘性的话起码在小范围内有一部分的 product market fit 那至于这个新的科技这个新的产品能不能够从我们叫 early adopter 对吧
最早的这些想要长线的用户扩散到下一部分人群再下一部分人群再下分人群那其实就是看这个产品它有没有足够的生命力或者它从一开始抓住了用户需求的最大公约数或者是在之后的不断迭代当中能够抓住大众的最大公约数回到创业 Peter Thiel 的书里边从零到利益里边他分了两个例子一个叫 Global Climax 一个叫 Local Apex
本地化的一个小高峰还是一个全球化的一个大浪潮我觉得这个我们在看不同的科技不同的公司冒出来的时候我们可能要带着这样一个视角它是解决一个小的问题解决得非常非常好还是找到了大众需求的一个最大公约数然后剩下的话如何去辨别什么东西靠谱什么东西不靠谱我觉得这个可能就是需要具体问题具体分析了但是这种视角起码能够帮助我们在思考的时候带上一些滤镜吧
可以这么理解吗一个投资者他在面临着新的技术革命的时候因为我们现在处局的世界太多人都要告诉你有很多技术革命了核心要有两个思考正面的思考是找到合适的一拨人的痛点
把这个生意搞起来或者是说进入一个小的闭环让第一波人开始用起来将来有更大的机会可能进入到第二波人第三波人第四波人的这么一个跨越大概是这么一个场景第二个呢是我们要规避一些风险只有概念它没有落实具体的应用场景或者没有具体的产品只是就概念论概念这个是容易让大家赔钱的大概是这个意思吧
对那我们再代入到我们刚才举的三个时刻 iPhone 时刻用两个极端的例子 iPhone 时刻和 blockchain 时刻我 2015 年的时候就买了第一个比特币当时在纽约的时候跟很多做区块链的人聊过那是典型的概念先行大家还记不记得 DAODecentralized Autonomous Organization 各种各样的概念有解决什么痛点吗其实真正解决的痛点是什么
甚至包括比特币白皮书里边曾经提过的支付这一个场景痛点都没有解决好你自己去下一个区块链的一个 client 自己装在电脑上你会发现非常非常难用在这种情况下我们怎么去期待大众
能够去接受它能够把它使用起来对吧区块链能做什么 It is what it is 那 iPhone 呢我们可以看到从第一代第二代然后不断地在核心人群商务人群中已经被用起来了有非常忠实的粉丝然后到了 iPhone4 真正进入到大众视野到
我们现在 iPhone 每年的出货量是多少全球 iPhone 的保有量应该有 31 台吧那这个其实已经是一个大众性的产品它所追寻的是一个非常典型的一个 technology adoption curve 那我们看到 Chad GPT 呢先不说 AI 咱们只说 Chad GPT 其实我们也能够看到在核心人群中已经形成了一定的粘性
但是有没有往犯人群中扩散呢我们还有待观察吧因为能够掌握好语言能够非常有技巧的给大模型 prompt 这部分人其实在总人口中其实还是少数的
能够用 Mid Journey 来创造一个图片能够用 Sono 或者是其他的这些音乐 AI 软件来制造音乐其实这些人都还是相对是比较少数的所以我们即使是在 Generative AI 这一块的话在 Adoption Curve 上我们其实还是在相对一个早期的过程中但是从区块链的社会影响力和交易的层面它其实已经进入到犯人群中了因为我们的父母有时候也会来问对吧我们应不应该买比特币
但起码在概念的传播上其实已经到大众层面了但是只是在实际痛点的解决上没有我们之前也录了一期关于数字货币的可能那期会比咱这期要提前发布市场上有一波观点就是我们普通人理解的生意应该是说这个生意在现实世界里面已经做得还不错最后这个生意赚了钱
市场给了估值给了金融的交易但是感觉比特币或者是数字货币相关的行业呢有点反过来是先形成了某一种共识共识之后先做金融端的交易包括 ETF 啊包括资产配置然后呢大家在看说这个东西能不能进入了大家平凡人的生活能不能变成了比如支付口径也好或者是组织结构去给大家去做定价也好
感觉好像跟普通的行业不太一样这个也是行业特征但是比如说我们看苹果手机做出来卖了很多手机然后它的 iOS 系统它的游戏音乐视频它的内容最后包括它的 APP 去分大家的钱苹果税它的生意模型是普通的投资我们在看到这些生意的时候是更容易理解的
如果是这样归纳的话或这样推导的话相当于说是任何一个技术大爆炸产生的对现实世界有巨大影响的前提要有一个足够牛逼的产品出来牛逼到让大家都开始使用你的观点或者是目前的观点是说可能现在 GPT 已经发布了但也没有看到出了 AI 产业里面出来一个超级大的产品真的实现了大幅度的跨越鸿沟可以这么理解吗
目前起码没有吧明确一点观点吧也许可能是错了现在可能暂时没有跨越这个鸿沟这个就是我们的一个嘉宾观点吧咱也不构成投资建议我再补充一下关于浪潮这一点吧因为也提到了一些规律和特征有几个规律我想先提一下然后咱们可以进入到下一个环节从鸿沟的规律上咱们怎么来说呢我刚才提到了一些就是科技其实它的作用其实是降低成本的以及科技的进步是非线性的
它有时候会突然跳跃性的发生一些新的变化也正是因为如此在科技行业投资其实非常非常难的包括巴菲特其实不轻易碰科技投资因为变化实在是太快了那在这种情况下的话包括我们之前看过的几波浪潮这一波 Genitive AI 和 2000 年的互联网泡沫大家会做一些类比
有一点我觉得是僵死的我们知道最近尤其是过往这一年以三大云厂商为主我们如果算上 Oracle 的话是四大就是亚马逊微软和谷歌还有 Meta Facebook 然后还有 Oracle 其实花了大量的钱差不多 250 个别列美金在数据中心的建立上
那这么大的一个资本开支我们目前为止可能从全行业来说没有看到足够的收入的生产来证明这些投资是对的但我想提出了一点就是和科技浪潮相关的是供给和需求永远不是完美一匹配的一定是投入先行然后这之间有一定的时间间隔那我们简单回顾 2000 年互联网刚出来的时候其实有一波类似的这种基建狂潮
当时是什么呢当时是各大电信运营商开始疯狂的做基建铺宽带对吧大家说我们所有人都要上网了网上会有各种各样的内容但实际上其实当时的很多这些铺宽带其实打水漂了
但你说长期来看它是错的吗长期来看是没错短期来看是错确实我们过度投资了咱们想想更早的时候当时还是门户网站时代在互联网时期大量的产品冒出来商业模式冒出来以广告为主订阅为主游戏各种各样的商业模式和新产品冒出来真正取得商业化成功的时候中间有很长的间隔这个也是行业的一个规律和特征之一吧
它跟个人的行为和机构的行为其实是相关的那为什么现在我们会有这么大的一个资本开支我们一会儿也可以聊一聊就是机构性的行为我想提到这一点最后一点我想提到当我们在看到有新的 disruptive technology 出来的时候一个核心问题当一个新的科技到来的时候永庆刚才也提到了公司分为两类
一个是现有公司会不会被新的科技所影响到,还是这些老的公司能够适应新的一波浪潮,然后再去进行进步,进入到下一个时代,还是新的公司冒出来创造了全新的产品和商业模式,所以这是两个单独的问题。
新的科技到来的时候只有极少数的公司能够利用新科技创造出全新的产品和商业模式互联网出来的时候零售端起码在美国主要是亚马逊利用互联网成为一个全新的网上的这样一个百货商店沃尔玛呢 Sierce Target 呢他们也在用互联网对吧
但是他们更多是偏一个传统的这样一个零售商的模式大家也很期待这一波 AI 能够出现一些原生的 AI 公司但起码目前我们没有看到那在投资的另一个思考就是 OK 新的公司咱们先不说那老的公司呢老的公司是会被这些新的科技取代掉还是老的公司能够适应这是我们在投资时候需要思考的一个核心问题因为我们作为二级市场的投资人更多的还是看现在已经上市的公司嘛
最新最前沿的东西其实我们是可以了解但是从投资的角度我们是触碰不到的给听众做一个小的总结供给和需求它不一定是完整匹配的有时候可能是要先做供给要等需求出来但是如果你现在不搞供给或者是不搞资本开支万一真的需求大爆发你又没有供给到时候你可能就被淘汰出市场了
当然你从资本开支到形成商业模式到最后再形成收入利润现金流它可能需要很长的时间周期以及在这个周期里面是不是估值是 OK 的有没有很好的投资机会可能还都是需要考量的我们只是今天先聊的技术的变化到商业模式形成以及要不要值得关注的这个模块
剩下来的时候利润现金流估值我们可能探讨的少一点这是我们的技术革命周期里面的关注点之一就供给跟需求的匹配问题还有一个是艾瑟刚才提到的产生的投资的机会可能就两类一类是新技术的拥护者并且还活下来活得好的公司
第二类是老公司但是它嫁接了新技术并且用的也比较好的公司当然它的前提是这两类公司都要有明显的竞争优势最后能活下来活得好这些公司才是值得投资和关注的只是吹牛逼的公司可能也就听他吹吹牛逼就好可以简单这么理解吗可以啊
第一个模块我们就主要是聊一下这个技术革命的浪潮的一些规律我们为什么把这个地方作为第一个模块呢主要是觉得普通的投资者或者我们的听众很容易受到一些媒体的蛊惑就是听到一个东西的时候就觉得说牛逼要改变世界就觉得说所有的东西都可能会被替代掉但实际上我觉得说无论是新技术的革命就是巨大的技术革命它也不是说经常有的
比如说我们新能源汽车也就搞了二三十年可能最近三五年集中大爆发了当然 AI 可能也搞了好几十年现在是不是集中大爆发这个是我们今天聊天的话题当然提醒我们的另外一个点就是说很多时候它一个好的投资机会它可能是需要等待的第一波的投资机会你也许没有赶上我觉得第二波机会你就要知道说在什么地方更容易出现
也不用说第一波机会没赶上你非要 100 倍 200 倍 P 要猛干我觉得那也没必要对吧风险跟收益要相对匹配不要觉得是这次真的出来技术革命尤其中文财经相关的自媒体里面太容易出现技术革命和替代了给人感觉是天天技术革命天天这个时代在变化这是我们第一个聊的话题
第二个聊的话题其实我想请教的一个点就是爱知事在过程中当时是去做创业能不能谈一谈你当时看到了什么样的时代机会以及是你们是怎么去构建你们的商业的小闭环的或者 PMF 的这个做一个简单分享相当于说是举一个案例给听众知道说我们在碰见这种技术变革的时候怎么去思考问题
我们还是带入到一些相对比较简单的概念中来,因为我认为创业和投资有点一体两面,像巴菲特曾经说过,你如果真的懂商业的话,你可能就懂投资,我觉得这里边我们经常会提到价值投资的一些核心原则里边有一个叫能力圈,对吧?
那为什么我会在数据这个行业去创业其实有运气成分在内也有历史的路径依赖因为刚才提到了我在美国的时候第二份工作是在标普全球市场材质 S&P Global 我们是全球最大的金融数据和金融软件提供商之一其他大家知道比较熟悉的有空博有 Faxet 有汤森路透国内是万德我本身是在这个行业中从业过的
这个商业模式和这个产业呢它应该算是我的核心能力圈吧之所以会去创业首先在我能力触及的范围之内我没有做能力范围之外的事情第二呢就是时代的机遇了时代的机遇是什么呢比如说 2015 年之后移动互联网这一波这个大的浪潮实际出现了哪些痛点是我们可以去解决的呢
海外的话主要是以这些大型的这种又贵又重的这些终端金融终端为主但国内的市场是完全一个全新的市场虽然也有万德但是在另一端比如说在工商信息的查询之上之前是没有一个产品去满足这个需求的之前的话如果律师查一些工商信息数据的话他需要去工商局去调档真人跑过去
这是其实一个很大的痛点 2014 年的话克强总理当时让国家的各个机构把一些数据和信息开放出来在这样大的时代背景之下给了创业公司去解决这样一个痛点的一个机会再带入到另一个概念哈佛教授克雷腾克里森在《创新者的窘境和创新者的解决方法》里面提到了很多情况下一个新产品冒出来的时候因为之前是 non-consumption
之前没有这样的产品满足这样的需求那所以等于是我们这个产品当时出来的时候很好地满足了这样一个之前是 Zero Consumption 一个需求同时它又足够的好已经足够好用了那同时大家又愿意为之付费对吧那所以这个商业模式的话首先从 Potter Market Fee 上是通的第二是它的商业模式是通的所谓的商业模式我们从价值投资的角度来思考
所有企业的价值是什么未来现金流的折现那这里边核心是什么现金流有多少企业公司是真正见过这个 net earnings 见过 free cash flow 对吧 positive free cash flow 我觉得核心的话就是在我们有了 product market fit 之后需要主动的去设计或者构造一个可持续的商业模式那就是起码在未来可见的时间范围之内
有路径能够达到正向的单元经济能够达到正向的现金流能够自我造血持续走下去能够不再依赖下一吨融资还能够继续活下去了这不是商业的基本原则吗不短是对科技公司对任何公司都是一样的所以温生说投资和创业有时候是相通的因为商业的本质它就是那样的
除非我们靠讲故事去吹泡泡依赖下一轮把一个故事做大那这种情况下我们会发现为什么我刚才提到了永远是痛点先行而非概念先行因为万一概念被证伪了还有就是你如果自己提前相信了概念给大家讲那么多遍你可能自己都信了投资和创业其实都是一体两面因为我们要对自己诚实有一句话叫什么 You can fool most people
你不能够在长时间内骗过所有人所以最终它是一个好的商业我觉得能够有自己的生命力可持续下去能够有机会活到下一轮
他的创业案例也是我们做基本面分析的商业结构或者是商业建构的一部分我觉得很多人他在做一个公司的商业分析的时候可能更多是在做终结就是说这个公司有了 ABCD 然后 NUBE
他不是站在一个生意角度说这公司当时面临着什么样的时代机遇这一波是什么样的人具备了什么样的能力大家一起满足了一波什么样的人的需求搞了一个什么的商业模式然后从最小经济模型或者是收入利润现金流等等角度也是可行的
他不是从这些维度分析他就有点像事后总结我觉得这一类的商业分析跟这种从假设了这个历史场景这个人做出什么样的选择当时的时代背景是两类思考方法为什么请艾斯分享这个点呢我是觉得说我们在做商业分析或者我们在研究产业的或者是浪潮的时候就是需要清楚的知道时代和技术都走到哪儿
还是回到了用户的需求 PMF 或者是他的这个商业分析的视角他不是一个总结的视角也不只是说这公司资本开着很大我们应该按照 PS 或 PE 估值我觉得这个是需要注意的思想刚才你讲了说你创业的过程中那我们怎么界定说这个公司从没有竞争优势到有竞争优势这个临界点怎么判断呢
就好比说如果我们判断一个传统的公司或者这个行业它就已经很稳固的公司我们可能看它的竞争格局或者是竞争格局背后的几个原因或者是它的市场占有率或者用户心智等等那如果这个公司一开始没啥竞争优势
到一个节点的时候它具备了竞争优势在这个时间点我们最早看到它的时候就赶紧投进去有点像这个 Costco 商业模式才成立没几年然后呢芒格看到了说这个模式太牛逼了将来一定很牛逼我想请教艾斯的一个点是您在创业的过程中从一开始可能同样有好多家都搞了类似的生意到后来卷来卷去可能只有三家或者五家了这个临界点怎么去判断和理解呢
首先怎么思考竞争优势吧我把这个问题拆成两部分来回答我们来拆解一下首先永庆提到的是竞争优势对吧这也是一个我们价值投资或者是商业中的概念那首先我们聊一下竞争优势这件事情吧就是跟永庆刚才提到的先验视角后验视角我们联系起来大家很容易去事后做总结对吧但是做投资做创业
我们核心做的是什么在面对未知的未来去做商业判断且下注且行动起来的这样一个过程回头看历史大家都能看得门清对吧
我们如果现在当下此时此刻我们面对未来的时候选 A 选 B 还是选 C 美食每个面对的永远只是这些问题所以我觉得不管做投资还是创业其实都是在冒风险回到竞争壁垒和竞争优势上来说的话我们先讲竞争优势吧绝大部分公司在初创时期还没有资格谈自己有什么竞争优势没有
我们是在活下去了这样一个状态下但是不代表一些行业最终不能够形成竞争优势对吧这是我觉得是回到两个点一个是行业的本质决定了这个行业可能不可能形成一个可持续的竞争优势第二是这个行业允不允许在这个行业的公司形成良性可持续的商业模式
我们之前在课上经常会讲的就是比如说餐馆对吧大家进进出出进进出出是一个充分竞争的一个市场如果是科技型的公司比如说我们做数据或者做金融数据金融软件的这些你会看到在海外我在用海外的案例来说的话
已经很多东西被验证了彭博 Capital IQFaxAppTonson 路透甚至还有下面那些 Morningstar 这么多企业在金融数据金融软件里边都活得好好的
每一家公司基本上都有 15%到 20%的 net margin 每一家公司占据了自己在这个产业里边一个独特的生态位 Bloomberg 是什么 Bloomberg 是 on trading floor 在 Hedge Fund 和交易员这边大家用了很多 CaptiveQ 是什么是 PE VC 用的非常非常多 Investment Banking 用的非常多 Flexa 是什么是 Asset ManagementTangson 路透的话其实跟彭博有点像但是大家都活得非常好首先 CEO 的数据是有一定的壁垒的第二的话
是用户使用这些工具的时候是有一个 learning curve 是有一个学习曲线的尤其是彭博当你形成了这样一个很强的这样一个已经花了很长的时间来学习它的时候不会轻易变的那在这里边有几个壁垒对吧一个是我们叫内部的 data network effect 第二是用户的使用习惯的锁定我们再拿彭博举例它是有一定网络效应的彭博的这个 bloomberg chat
很多的这个 Faith and Common 的交易员在彭博的 chat 里边是做交易的而在这个 chat 里边做的交易是被市场认可的是合规的其实能够看到就是在海外它其实已经验证了我们不是说把海外的东西再平移到国内但是起码这个商业模式它有它的 unique economics 它的单元经济
其实在国内依然是适用的比较少有这样的行业是能够是这样的但是在国内的话我们用的是什么我们不是卖给 B 端对吧我们其实是走的是直接 to C 端的这样一个 go to market 的一个路径我们不是卖给公司你买一堆账号然后给你员工用吧大家自己掏钱对吧自己用支付宝和微信支付我讲的两点就是那些壁垒使用习惯的使用粘性
以及可能形成的一个壁垒之一不能说壁垒啊并不算是一个很强的壁垒但起码是一个竞争优势那第二点还是我们当时是有先发优势的因为是全国第一家做这个的企业嘛是有先发优势的那先发优势不代表就是会可持续因为毕竟有同质化的产品尤其在中国互联网这种竞争你的优势即使先发的话可能也只有不到半年的时间吧
我们联系到 AI 里边来说科技性的产品新的一个产品出来了这种先发的优势可能也就半年甚至两到三年你的这个壁垒就没有了或者你的优势就没有了你若做了这些软件研发的这些投入可能两到三年之后它其实就不值钱了那所以说创业公司的话我们在早期的时候一定是思考如何先比对手跑得快先拼的是过程拼的是效率
但在这个过程中如果到中后期的时候一定会是思考在中局的时候我们在早期有哪些动作是能够帮助我们构建起一些可持续的竞争优势的那我们这里提到了一些用户使用习惯的粘性当你的用户量大的时候像一个消费品一样对吧当你的用户基数大的时候你的 revenue 规模上来的时候
我的货客成本和我每个用户能够花出去的营销成本其实是要比新来的竞争对手要更高效的所以这些都是后来可能让我们能够起码比竞争对手做得好的一些原因吧我觉得这些也其实对于现在的创业公司来说底层逻辑其实都差不多
我刚才为什么要问这个问题因为我看到的一个情况就是经常出来某个小公司搞出来一个技术很牛逼过几天说某个大厂这个技术也很牛逼小公司的这个技术就已经被淘汰了当时那个技术大家讨论的也很多也有人写文章或者说写这个公司又融了多少钱
直到一个大厂又把它搞出来的时候形成了互相替代关系可能类似于 Chad GPT 出来之后发现很多之前类似 Chad GPT 做的事情或者平台做的事情很多都被它替代了
然后我觉得还有一个点也是挺有意思的就是艾斯刚才讲到的所谓的我们说一个公司有竞争优势的时候往往这个公司可能是把过去埋下来的很多的点串起来了形成了一个线又把线扩宽了形成了一个河很多公司可能这个行业的不允许比如说像餐饮或者一些竞争格局太卷的行业或者是没啥技术壁垒的
就是没有机会让你串成线也没让你机会去搞成河那你就变成了一个普通的生意就陷入了无限战争但是只有少数的生意它有行业的特征创始人的特征最后才能有可能把最后的竞争优势搞起来
当然现在我们谈论的很多 AI 公司它可能还是处于一个很多的点的状态把新的技术搞起来把这个用户搞好看起来还没有进入到是这个呼称和肉眼可见当然除了英伟达或者类似的这种大公司可能明显一点就是
普通的或者是 AI 行业里面的这种公司可能一开始的这种竞争优势并不太明显可以这么理解对吧这是很自然的我们在另一个框架什么企业也有生命周期对吧早期的公司跟中期的快速成长期的公司和成熟的公司我们看的东西是不一样的
早期公司就像说的其实更多还是在寻找 How to market fit 去创造可能现金流先活到下一轮对吧先比对手跑得快那成熟型的公司的话我们才会可能对竞争壁垒以一个后验或者视角去回顾它的竞争壁垒但对于很多创业公司我们可以以一个鲜艳的视角去研判去思考这一个赛道或在这个产业里边或者在一个锤类的产品的细分领域里边
被允许构建的竞争壁垒是什么因为很多技术的话技术变化实在是太快了只有极少的产业可能技术因为 IP 保护或者因为技术英伟达是一个例子技术是一个壁垒但绝大部分很多企业尤其很多纯软件企业有时候是没有的它可能需要依靠技术之外的比如说这个 network effect 或者是比如说这个软件之间的这种协同或者锁定了用户的数据来构建起一些壁垒
我们在第一个模块主要讨论了其实不只是 AI 行业更有点像说科技变化比较大的行业我们在投资的时候应该关注的什么维度或者什么视角应该用什么样的心态去看待这些行业然后第二个模块我们聊聊具体的 AI 的浪潮了我觉得可以请艾斯讲一讲因为你最近也在美国可以讲讲你在美国看到的美国那边的 AI 行业的一个
那我们先从宏观层面再往下抽丝剥茧的一层层往下下沉然后咱们再从底层再聊一聊一些见闻吧咱们刚开始开头的时候聊到了很多大的几波这种科技周期对吧那我们先从宏观层面再往下抽丝剥茧的一层层往下下沉
那我们其实在 AI 层面其实也能够看到只是在 AI 这个领域其实可能也会有四个阶段吧首先我们现在的阶段是什么现在阶段其实还是疯狂的做基建的阶段我先说四个阶段是什么吧第一个阶段的话是在 AI 的这个核心的这个围绕数据中心的这样一个大的一个基建一个浪潮第二的话
我借用一下这个 Cultor,Cultor 的内部的一个文档,我觉得这个是 make sense 的,它叫 Edge AI,叫这个边缘计算,那边缘的话其实就是我们的边缘设备,加载了 AI 这个 feature 的手机,加载了 AI feature 的 PC,这些能够被 AI empower 的这些终端设备,那第三个可能是我们想要的是应用层面,就是各种各样的 application 出来,比如说,
微软的 Copilot 呀然后在 ChatGP 之上构建出来一些软件当然我们现在没有看到很多啊那第四点的话可能就是从纯电子的数据闭环的智能虚拟的 AI 到现实世界的扩展其实会进入到机器人
自动驾驶进入到其他对现实世界的一些发现和探索的这样一个过程所以这可能分成四个阶段不一定是完全连贯起来必须要先完成一个再到下一个其实都在同时发生但我们现在所处的阶段呢从前的流向来看的话其实更多还是我们在一个很大的一个基建狂潮和海外大厂为主的军备竞赛的这样一个阶段
在这个里面呢那么咱们再进入到下一层下一层是什么呢那我们先把 IgAi Application 和现实世界的这些东西先抛开我们只看基建那基建其实就是围绕 Data Center 来的
然后数据中心下面其实又分为几个模块那数据中心核心的东西是什么因为给我们大家提供了什么不只是一个芯片它是提供一整套的解决方案一整套机甲那这里边我们叫 Server Rack 对吧一整套服务器的组合那服务器这里边我们就要分为服务器之外的东西和服务器之内的东西服务器之内的东西核心东西是什么首先是有芯片是有 High Bandwidth Memory
高带宽的这个存储有涉及到芯片之间的沟通叫 networking 对吧 NVIDIA 的 NV-Link 解决了就是 networking 这一块机架之外呢是有哪些东西呢首先是发电对吧发电和温度控制大家都知道 Data Center 是非常非常耗电的且产生大量的热量那这里边给机架降温然后管理数据中心的这个 Power Supply 也是一个模块还有就是上游的
像 ASML 这种生产设备后面还有封装还有测试之类的所以其实如果我们再去交到旗舰这一块下面又分成很小的一些子模块所以说我们能够看到在二级市场其实围绕 Data Center 这一波的所有这些公司英伟达台积电 ASML 然后做夜冷的 Vertiv 做 Memory 的 Micron 三星 Hynix
甚至还有这个 Blockcom 这些其实都在这一波浪潮中享受到了很好的股价的上涨那还有就是我们很熟悉的三大云厂商主要受益的是这两拨公司这个就有点像前期的军火提供商或基建服务商不管搞不搞资本开始先搞起来
对所以这是一个供给端驱动的对吧如果到这个 application 层面的话围绕大模型的可能又有一个但我们先不详细的过了现在从二级市场的话大部分的这个钱是流向于这个模块再聚焦一点的话主要就是云厂商在花大量的资本开支建数据中心就是那几家公司受益的最多的其实英伟达咱们只聚焦这两点对吧
那目前供给端在发生的事情是什么呢我们再提一个概念叫个体以理性的方式去行动的时候可能在一个群体行为整体来看可能是非理性的如果 AI 是下一波的浪潮或者是 large language model 会成为用户交互界面中非常重要的一环甚至能够被结合到操作系统的时候
那所有包括谷歌包括 Microsoft 这些没有一家公司是能够允许自己错过这个机会的那就像任何一级市场的公司一样没有任何一家一级市场投资公司希望错过字节这种公司
你为了能够抓到这样一个机会你可能需要容忍你很多撒的网是没有回报的在这种情况下的话没有任何一家大型的厂商起码在现阶段一年多之内能够冒这个自己落后的风险还有一点是什么你如果不投入基建或者投入 AI 的话你的人才会流失的雷军雷总不是说过吗如果我不造车我的人才都会从手机流到车厂去了
这就各种各样的原因造成了大家现在在做这样的军备竞赛那从整体来看首先我们定性的是供给驱动对吧
那有没有回报呢现在是一个极大的问号市场现在是没有共识的你不管是买方还是卖方投资人去聊的话其实是两波都有包括 VC 有的人会相信这是一个 super cycle 但有的人会包括最近的麦肯锡最近的 Goldman Sachs 包括红杉也发文章出来对吧觉得这个以下 600 个别人砸下去了现在还没有那么多的 revenue 所以对于这一波的话基建我们核心问题是什么我们叫 the durability of demand 就是
就是你的需求端的可持续性而需求端分两层传导第一层是这些云厂商 2025 年不说了 2026 年 2027 年是否还会继续花这么大量的钱去建数据中心而这个问题又依赖于可能是在 C 端和 B 端能不能够有实际的应用和场景出来能够支撑这些 Kapex
也就再回到了我们最早刚才所讲的供给和需求的错配所以目前来说的话从宏观层面现在在发生什么我们处在这样的一个状态
那实际微观层面是什么呢讲一讲我会怎么做我觉得我们需要去边缘去看而这个边缘分成两端英语叫 go to the fringeto find out what's happening 一个是最前沿的创业公司或者是最前沿的 AI 的研究实验室跟他们去聊因为 AI 下一波的浪潮可能涉及到基础科学的进步可能全新的算法也需要出来
在这些大家看不到的角落里面最新的事情在发生就像 2017 年 Transformer 出来的时候学术界已经意识到它非常非常重要了但是实际在产业里边就三年之后等 ChatGPT 出来的时候大家才真正意识到哇 Transformer 是这样一个重要的 paper 这个科技原来已经真正给了我们一个小 wow moment 那从这些科技的进步再传导到实际的场景和应用的时候我们应该去哪呢去大公司
去 JP Morgan 去 GoBank Sachs 去保洁去这些最大的这些有钱的这些传统公司和科技型公司去看他们在做什么咱们先不看云厂商了咱们去看真正有钱的这些大公司是在做什么
那目前在发生的是什么呢我先定性的说吧这个很像当年我们叫云转型 Cloud migration 因为我 2011 年的时候在埃森哲做科技战略咨询的时候一个项目就是给美国的现在反正过去十几年了我可以说客户的名字了美国银行 Bank of America 就在纽约给他们的 CTO 做一个整一个 Cloud strategy
而做这个 cloud strategy 是什么是当时 AWS 其实还没有云台不像现在这么普及 AWS 刚才才出来几年 CTO 的核心问题是什么艾森哲这些你们咨询顾问里边我每年要花 50 亿美金在我的 on-prem data center 上把我的
一些东西转型到云上面会给我带来什么样的好处光这一个课题的论证从定性和定量的论证我们花了半年时间这代表什么这代表是大公司尝试和部署一个新的科技其实周期是有多长的光论证先把一个几百页的 pct 做出来跟几十个部门协同就花了大半年的时间
那你别说去实验再去真正部署到生产环境里边这个周期是非常非常长的甚至可以说从 2021 年做的那个项目至今现在这个事情还在发生那所以说实际上底层从 bottom up 实际在发生什么大公司的角度基本上美国大陆公司都在或多或少的在内部有实验性的 AI 项目
但很多这些 AI 项目并没有真正进入到生产环境当中并没有真正的进入到部署和交付环节还没有真正的应用起来大家都在测试和验证的过程中而且很多这些用力相对比较垂直一些比如说我的一个爱森哲的前同事现在在一家公司是一个 Chatbot 聊天机器人的产品经理
他们是做什么呢他们是做我们叫 HR Benefit 就是帮助很多客户管理他们的这个医疗保险后面的一些服务他们当时在验证的是什么呢是用了我在前端加了一个 Chatbot 以后加了一个基于弹幕型的聊天机器人以后能不能够帮助我减少
到客服中心真人服务的时间和真人服务的成本光这个验证可能又花了大半年的时间最后得出来是结论短期内如果在前面加一层拆报这只是一个案例可能能给他们减少真人接通的电话到了 20%再从我们叫产生新的收入拆 GP 是产生新的收入对吧
那在降成本上面提效方面有些是其实能看到一定的结果但这个结果是不是已经开始有大量的案例这样出来去证明这波 AI 浪潮能够 justify 现在的 250 个别人一年的这个 KFX 现在还远远没到那个时候从一个事实的角度来说有可能这波浪潮会持续 10 年
而这个底层的条件是什么可能我们会有新的 AI 技术出来因为现在 Large Language Model 只是 by itself 其实有很多很多的局限性的以 Large Language 为基础的这些其实还远远没有达到满足我们真正在大公司里边很多我们期待的一些使用场景可能满足不了的我一会儿给大家举些详细的例子
如果是按照这个逻辑推导现在资本市场当然关心的是数据中心关心芯片公司因为基建先行这些公司短期的业绩也好或者是从二级市场角度短期的业绩兑现程度是最有确定性的
或者是说订单给的短期比如说看到明年尤其是 25 年甚至 26 年都能看到一定的确定性当然大家也愿意给估值给比较乐观的东西但是放眼一段时间中期因为资本开支它不会是一直搞它还是要看最终的需求因为云场上的需求其实背后还是 B 端的企业或者是 C 端的用户的需求
以及说这个行业会不会出来革命性的技术供给推动着像 iPhone4 这样的超级时代的牛逼的产品引爆这个市场的需求对吧那我们接下来就变成了跟踪技术的进展跟踪当前有钱的金主们愿意不愿意在这个领域多花钱
然后他们只有多花钱了他们才去搞云服务云服务厂商一看说我过去一段时间花的钱真的产生收入利润现金流了那我再去买服务器再去买芯片再去买光模块再继续建产它有点像房地产开发 172737 一样 17 先建好看看卖的好不好然后再看情况搞 273717 发现卖的不好 2737 可能就是画蓝图用也不真的搞大概是这么一个情况是吧
是的美国的 B 端可能是大企业有可能是中小企业以及美国的 C 端是个人用户从你的观察在那边生活包括你看到的情况来看他们真的是已经把一些 AI 的应用嵌入到他们的工作里或者是生活中了吗有什么有意思的发现吗不需要发现因为我就在
你的在那边的 AI 体验大概是什么样的我觉得绝大部分用户其实还没有受到影响听众朋友们其实都是算是 early adopter 吧我们都属于早期的人但实际上我们的使用场景不代表他已经进入到大众视野了我觉得不管在国内还是在国外现在最快的被 adopt 的其实都是面向 C 端用户的不说 C 端用户就说个人用户 B 端的解决方案可能距离还相对比较远
B 端的话是什么?B 端其实现在就是卖 API,对吧?咱们就从 ChaiGPT 来说,3.4 个 billion 的 ARR,今年的这个数据已经出来了,可能差不多有三分之二是个人的付费的,订阅的,三分之一是 B 端的。B 端这边是什么?其实就卖 API,对吧?那只是一种产品形态,然后大量面对 C 端的就是它的订阅。那还有就是面对个人用户是什么?现在出来很多,其实就是 copilot,对吧?包括。
包括微软的在 GitHub 里面加入 Copilot 帮助用户写代码还是回到我们刚才说的第一点最早刚才说的我们给这一波的浪潮我们做了一个定性它做的是什么是大幅的降低了内容生产的成本
任何数据闭环的场景就是我们现在在做的是什么呢现在就是降低了写文章的时间写代码的时间降低了文字图片音乐数字化的这种内容的生产的成本所以这种的话使用场景它是确确实实是有需求也有用力也产生了一定的 revenue 但是它离我们市场所期待的比如说大家在讲的现在是 agents 对吧
大家想我作为一个主人去使唤各种这样的 AI 机器人和 agents 去帮我完成任务 Large Language Model 现在还没有办法真正满足那样的需求因为 Large Language Model 有很好的内容生产的能力但是 Large Language Model 缺的是什么缺的是 reasoning skills 真正的逻辑推理能力缺的是什么缺的是记忆能力 memory 缺的是什么缺的是对真实现实物理世界的了解
还有一点是什么这个弹模型还有 hallucination 对吧咱们假想一个我们实际要指派一个机器人不管是虚拟还是现实世界去完成一个动作的时候大部分情况下是不能够出错的它需要能够有规划能够有逻辑思维能够去按照
你既定的标准去固定的完成一个任务的这样一个能力需要有能够基于底层给它喂给一些底层逻辑它基于去现实世界的一些数据能够自己去生长的这样一能这个现在还达不到的那这个可能就需要算法层面有新的一些进步了人做都不一定做得好也确实
但是人起码成本还相对比较便宜吧尤其是在国内刚才咱们聊到的像 AI 类似的应用包括在美国的 C 端其实也都是面向个人为主或者是收入这样来自于个人为主已经影响到了一部分的早期的人或者是早期的用户了
无论比如说编程也好或自媒体也好或者一些内容的应用也好我的问题是说接下来我看到的一个情况比如像马斯克说他们的自动驾驶技术进展的比较快这个有点像 AI 在模拟
某个领域的具体应用了 AI 在自动驾驶行业如果是得到了一个验证或者是真的证明了它的技术逻辑要比像比如说靠雷达靠高级地图的这种模式更有先进性能不能代表着是说 AI 接下来
可能在未来一段时间比如说两年或三年在各个垂直领域的应用遍地开发有可能是在自动驾驶领域有可能是在做新药研发有可能是说什么做视频做电影做电视剧等等
这个问题我可能不是最好能回答他的这个人吧我尝试回答一下我觉得这个需要一定的对前沿技术有更深入的理解那首先我觉得回到自动驾驶上来说的话这个不一定是 Logic Language Model Base 对吧它是端到端的这样一个技术但是现实实际存在的问题对于自动驾驶来说跟现实物理世界是非常一样的就是你有太多的边缘案例 Edge Cases
现实世界跟一个语言世界的环境还是不太一样的你有太多的常委案例常委情景我试图去回答一下第二个问题会不会有遍地开花我觉得遍地开花就像通用计算一样你可能真的需要 AI 技术在不同的场景下不同的案例下是有一定的通用性的再
在语言层面内容生产层面它可能有一定的通用性但是这种通用性现在还没有办法完全良好地用到物理世界我觉得这里面可能需要有一些我们之前提到的可能继续进步的话需要算法需要数据需要算力这三波同时都往前进展吧这个问题我不一定能好好回答我先只说这么多吧
我记得我们在一个群里,一开始还是付费使用 Chad GPT 的,后来发现有其他平台免费提供的这个文本模型也很 OK,后来就把 Chad GPT 就停了。从你的观察来看,在美国市场这种是一个比较普遍的情况吗?这个我没有读过的数据来说吧,我只能说我从我个人的角度,因为我上个月刚从 Chad GPT 换到了 Perplexity。
我的日常工作其实更多的是偏研究性质我发现 Perplexity 它对于研究和多轮问答给我一个比较好的答案的这样一个场景之下对我的日常的研究工作其实帮助是比 ChatGPT 更大的从个人角度而言我发现我用 ChatGPT 更多是用来做翻译更多是用来让它帮我批改我的写作
但我实际最核心的我的一些使用场景中我的痛点是我想快速地找到信息我想快速地找到答案如果我是一个基金经理的话我希望能够有一个助手能够帮助我很快地去找到我想要的东西不只是原始的数据而是能够很快地帮我提取出一些 insight
或者能够帮我在一个新的话题里边很快的了解它最核心的问题和信息我发现 Propensity 在这个场景之下其实是比 Tragic BT 更好用的说 Tragic BT 有没有壁垒有没有用户粘性有可能在一定使用习惯但都不代表类似于我这种用户今天发现更好用的一个产品产生迁移对吧
包括前段时间我看网上有一篇有个大 V 去美国考察了一圈写了一篇调研的文档传得比较宽我想请教一个点是你在那边看到的美国的企业也好刚才你提到像有些公司在转型才开始使用了一些这种 AI 的应用帮他们降成本
从观察角度或者说你在美国的朋友们或者在硅谷看到的一些现实的情况来看你觉得说这个进展或者这个体感有哪些跟媒体的报道尤其中文媒体的报道或者是这种吹牛逼的角度它有巨大的不一样的地方是什么就是你看到的现实跟网上的各种流传的情况有什么巨大的不一样的地方
首先你认为网上流传的是什么东西呢我反问一下我可以给你感受一下当然不知道是因为英伟达或者是这些公司长得太猛了的点有几个事情我回答一下第一个是觉得说美国整体的 AI 的进展要比国内要领先好几年包括无论是从芯片角度无论是应用端角度无论是这种付费生态角度
等等这是一个事情第二个呢是说美国的这些企业们国内还有各种控成本降本增效人家在 AI 角度遥遥领先了已经抓住了下一波时代革命的潮流美国的互联网公司或者是这些科技龙头公司要继续引领整个时代当然他的这个潜台词可能是说美股很牛逼还能涨第三个呢有点像什么呢有点像这个美国的 AI 技术的浪潮
或者是这一波技术革命是一个在普遍展开并且进展很顺利的一个状态无论是企业端无论是运动端包括当然他们的员工比较贵等等就有点像一边在拆一边在搞 AI 大概总体的感受就有这三点正好我们也带入到我们可能最后一个主要的话题就是中美之间的一些差异国内可能大家最近这几个月可能比我更熟悉的
我觉得首先美国的很多投资者可能对于国内的进展其实并没有像想象中对我们那么低估咱们只说在大模型层面吧其实也许 TRACKGP 刚出来的时候我们跟 TRACKGP 的距离还有两年但实际现在差距没有那么大甚至是在某些应用场景当中或者一些产品比如说最近我们看到快手也出了可灵这个视频生成工具对吧
其实并不差我们在一些方面起码在这个层面在应用层面在某些产品层面我们其实并没有落后美国咱们从整一个 tech stack 上面来讲芯片层面有没有那肯定有啊
咱们只讲模型层对吧以及围绕模型的一些 feature 和一些应用我们其实跟美国差距并没有那么大的在芯片层我没有落后在实际的 B 端和 C 端的商业化上 Market fit 上面我不能说我们落后但是因为大家都还在早期包括美国其实也是在很早的早期
大家脑中想象的是什么啊拆 GPE 出来然后 3.0 出来了 3.5 出来了 4.0 出来了大家现在知道什么 5.0 要到明年了对吧 5.0 到明年它潜在意味着什么
有可能在持续堆算力不 work 了还有一个原因是什么 ChatGPT 已经把所有人类过去 3000 年创造了所有的数据网上的数据都已经使用过一遍了没有太多新的人类创造的数据来喂给模型了那接下来可能需要的是什么呢首先这个也是一个核心的观点就是 Scalning Now 还能不能延续大家也有分歧市场也有分歧新的数据从哪来可能会从公司内部来
所以说我们期待的非常稳步的迈着稳步的节奏持续前进的步伐在美国也没有发生呀对吧包括我们刚才提到了弊端的这些落地其实也没有大家想象中那么快所以我觉得大家可能看到了文章写的是这样但实际在发生的是我们给人工智能的落地去去妹吧因为科技进步就是需要这样的反复失措对吧
你刚才提到一个点就是中国跟美国的对比举个例子比如说像 AI 进展节奏也好或者是行业也好它会有什么样的不同我记得咱们之前聊过你提到一个点是说美国的人工思爱太贵了你要去减少一个人把其中的成本拿出来去支付给 AI 公司其实能够买很多 AI 股票
当然你在国内你发现说买 AI 的钱不如你再多招几个人我觉得这个视角也挺有意思你能不能分享一下说中国跟美国在 AI 方面的发展可能会有什么样的不同方式去展开以及这两个市场在 AI 的需求方面或者行业方面有什么明显的不同的地方我觉得大的技术层面进步方面和其他方面我觉得其实可能会相似吧毕竟是别人把模型开源了以后也引领我们的进步嘛对吧
但我们这个我就不说了因为技术层面的话我觉得更多是基础的研发和工程化工程化和应用化我们其实是非常非常强的我们在国内也有好的环境和大量的数据帮助我们落地在移动互联网和在互联网时代也已经得到验证了互联网最底层是什么是美国在控制对吧如 server 也都是美国控制的互联网
互联网在底层这些当时的研发也都是西方做出来但是不管是在互联网的应用上我们是不输国外的对吧包括我们的微信是一些支付这些我们有跳跃式这么进步我们能跨过那个但是现在可能在 AI 这个我们有可能又重新回到一个同样的起点了但我想强调我觉得我们更多的是从第一心原理聊一聊中美市场的商业环境和社会环境可能有哪些不同吧
了解这些不同了以后大家自己可以推导出来可以去自己去思考一下就未来在落地应用的时候商业化的时候会有哪些不同我曾经好像在技科上写过一个帖子我大概给大家总结一下有几点吧首先美国 60 年代其实很多军方和企业其实就已经 IT 化了然后从银行开始台湾大量的电脑系统开始 digitize
伴随着整一个这一波在联系到 mainframe 用的最多的就是银行军方和银行是最早开始 IT 化的那伴随着 IT 化你要做不只是交付技术不只是技术落地
你还要去改变大家的使用习惯改变一整个组织一个大公司的文化和工作流程到适应数字化这其中有很多服务成分包括大模型的部署它不只是你装一个模型就完了其中有很多很多的服务成分那伴随着 IT 技术的进步也催生出了海外的服务业那服务业
那服务业代表有哪些呢其实就是我的老东家艾森哲之一对吧帮助很多的传统企业做系统的集成落地帮助做企业的变革管理之类的那围绕这样出来的它形成的是一个完整的生态 IBM 戴尔这些大的厂商做解决方案做产品上的研发
埃森哲德琴麦肯锡 Bain 这些在服务端帮助他去落地同时也作为一个新技术的一个销售渠道那这是有一个完整的从产品到销售渠道到服务的一个链路的
那反观中国的软件企业最早是什么是帮大厂帮 Oracle 这些做渠道和做工程队的我们所有的这些正企大客户其实多多需要定制化和本地化需要按人天算成本所以造成的一个结果就是我们可能在软件的底层的研发层面可能缺少一部分这种人才那同时中美两国的付费意愿弊端的
付费意愿和 C 端的付费意愿也是不太一样包括现在 ChatGPT 大家可能很多人用付费在用但国内的大模型有多少人是在付费用的呢为什么因为当年咱们中国的互联网网民是被盗版软件养大的在海外奈飞大家都是用订阅的但实际在腾讯视频这个优酷这些大家有多少付费呢
就是付费习惯是我们自己的社会环境文化环境造成的正起大客户的习惯呢就是所有的都需要定制化而且我们也没有成熟的销售渠道和服务渠道造成的是什么呢我们很多的软件企业或者科技型企业自己要建工程队自己要建一个服务团队比如说飞书对吧
前几年招了很多很多资讯行业出来的到传统企业去帮助他们部署这个系统所以说造成了就是中国的企业什么东西想要做大可能很多东西都需要自己做
但这些挑战和投入是非常非常非常大的最后一点的话那尤其是在当下这样一个环境之下我们能够看到其实不管是一级市场也发生了很多变化对吧钱是从哪里来的哪些客户是有支付意愿的我觉得这也跟当下的环境也发生了一些变化基于这些底层的不同不光只是技术的进步整个产业会以什么样的方向发展不光只是技术的进步还有商业和人文还有整一个大的环境是
所以基于这些不同我们可以自己去推导试图去思考两边会产生什么样的不同的商业形态有一点我觉得是共通的就是像刚才提到的面向个人用户的产品其实都比较容易被大家最先采纳
一个程序员自己刷信用卡买一个 Copilot 用起来永远比你从最上面找公司高管去卖一个大项目要来得快对吧这在国内在美国应该都是适用的因为我之前也看过一些 SaaS 服务而且
就会对比国内的情况跟这种国外的情况会有一些明显的区别比如说国外它会有这种 shopify 这种电商的服务 SaaS 软件包括像裁结这种裁税类的 SaaS 软件第一个是我觉得很认同艾斯说的两个国家的国情它背后有巨大的不同比如说像美国的电商行业就是一家独大剩下来都是一堆小弟小弟比较多就很需要第三方服务公司
国内的电商行业就是平台之间都很绝平台也就三家四家较有领先就没办法提供很好的这种社会生态的客户环境因为大家都去这种平台上卖货了还需要你这个友战也不太需要对吧友战一开始还是抱着快手大腿快手搞了一段时间发现说那我爸钱为什么让你友战赚就
就把友在一角踢开了自己搞国内的企业因为我们的佣金率也没那么高赚钱也不容易工程师成本又在这那对任何一个有流量的这种平台来讲他的理性决策就是说我自己搞我自己搞还更便宜还更好我也不想给其他人分钱我这个只是想延伸一下说两个国家的这个背后这个生意环境它有巨大的不同
包括我觉得在上一波的时候这种 AI 四小龙的故事我一把好朋友就在 AI 四小龙里面做产品经理他说一开始 AI 四小龙想得很清楚比如像人脸识别这样的技术去卖给政府部门理想情况下说我去服务了多少人次按照多少人次收个服务费一开始想得很好收服务费
后来呢生意模型搞着搞着现实情况就变成了卖集成了主要是卖硬件加上软件服务一起了
就有点像说一开始你想变成一个清资产靠技术研发的有规模效应或者有技术积累的一个公司搞着搞着大家都变成一个投标公司去搞项目公司了那你这种生意模型就跟你之前的预想会有巨大的区别我正想补充一下或者是也验证了一下艾斯说的就是说那边的发展是那边的现实情况它是跟比如说像劳动力成本包括它的企业的运作模式
包括他的员工之间的关系包括 IT 背后的组织机制或者是流程化管理或者是管理的经济程度其他都是相关他不是说我们一个新技术我们上来就搞的而是比如说尤其是一个大公司他想去采用一个东西的时候他需要论证他需要判断业务流他需要判断风险他需要判断这个组织机制怎么去设定他没那么简单我觉得是这么一个感受包括
包括我觉得艾斯提到比如说人工成本的问题或者是说在应用的时候需要无论是一个 B 端的老板或者是一个 C 端的个人可能对他来讲他还要算个账就是说我花了这么多钱对他的实际的工作效率有没有实际的影响或者是成本有没有明显节约如果是发现说只是节约一点又没有那么明显他可能就犹豫
如果发现真的降成本遥遥领先贼明显它可能用起来也很快实际上我觉得也挺认同艾斯说的要跟踪一些代表性的技术的进展如果真的出来了一个很牛逼的技术极大提高了效率或者是极大的降低了成本我觉得你那个时候买也来得及
我觉得他就把这个从一个小众群体到大众群体这个陡峭程度或者渗透率提升的速度一下子就提升了我觉得这个是我们也是需要注意的对我觉得艾瑟的分享挺有启发性的
我们怎么做一个普通的投资人我们也没有金伟达的朋友也没有微软的朋友我们怎么去跟踪它的一些具体的应用变化呢我怎么知道那个技术发布的时候我一看说真的很牛逼有个公司发展一个新产品很牛逼对一个普通投资人怎么去跟踪这种技术变化首先这样说吧 AI 是一个非常非常宏大的话题而且产业链大家看的其实是非常长的
一个专业的投资人跟一个普通投资人可能都只是像盲人摸象一样我们只看到了整个产业内的一个环节很难有从宏大层面开上帝视角把很多东西看清楚
而且还有好的一面是什么很多最早的科技的进步我们和其他投资人一样都感受到了对吧当 TRACKGT 出来的时候我们用的是相同的产品那对这个件事情我们的判断解读是怎么样的是区分了可能投资人与投资人和个体之间对这件事情不同的理解尤其是在当今信息维度其实大家是拉平的咱们即使回到 2B 层面
2B 看不懂大家都看不懂啊为什么因为 2B 没有 visibility2B 没有透明度每一个企业每一个企业的需求都不一样即使在一个企业里边你在英伟达里边在微软里边一个员工其实看到的东西跟咱们没有什么太大的差别它不会有太多的 information edge 和信息上的那其实这里边
我觉得我们肯定要保持对一些变化的敏感度,我们要保持自己摄取有效信息的这种渠道,听一些 podcast,比如说不同的 podcast,创始人的分享,自己亲身的去体验一些产品这些微妙的不同,你去硅谷绕一圈,其实可能还没有,把所有大公司的记报读一遍,多听几个创始人的 podcast,
尝试不同的产品自己从宏观层面和微观层面去感受它因为最终你想想除非有一个人是真的在 AI 的非常非常的前沿绝大部分人其实通过我觉得通过这些日常这些信息摄取可能已经比 95%的人要强了
持续跟踪筛选出来靠谱的优质信息源找到最核心的那一小拨人的最左侧的最尖端的有可能是在 AI 创业公司或实验室的这些技术大拿们对 是的就还是那句话 Go to the fringe 到世界的边缘去
之前我们聊过整个的新技术革命会有两种公司嘛一种是采用了新技术的纯新的公司比如说这一波可能就是典型的像 OpenAI 这种组织第二个呢有点像这种老公司但是开始去搞新技术比如代表性的今年最大的变化我觉得就是苹果啊对这种公司在研究的时候或者跟踪的时候您是怎么看有什么有意思的经验吗这
这一块的话我觉得是这样的首先 AI 创业公司死亡率会非常非常高就像所有的创业公司一样死亡率会非常非常高反而这一次我觉得其实是从去年开始去年 6 月份有一个帖子我在想其实很多 AI 的先发优势并不成立但这个也要看是谁相对于谁而言比如说谷歌 Meta 和微软亚马逊这些甚至是 Adobe 甚至是 Intuit
其实你是可以等的为什么首先当时的一个判断你可以用 barbell strategy 雅林两端我觉得雅林的两端可能现在依然会适用但是我们要看下一波浪潮是往哪个方向走两端的话肯定是越接近底层的芯片端像英伟达是有实际的需求的第二种需要抓住的是现在的老的成熟公司有的优势是什么有的是产品场景现有的大量的用户基数还有一个是
非常重要的分发渠道分发渠道在 distribution 在互联网时代跟线下生意零售其实是相通的当你的产品谷歌你的新的 AI 产品能够直接推给你全球二十几的用户
这个分发渠道是创业公司没有办法比的所以我觉得是拥有数据必还拥有产品拥有使用场景然后有强大的分发渠道的这些老公司他们相较于初创公司是有极大极大极大极大优势的所以我们也能够看到起码在二级市场很多价值其实是流向了这些所谓的传统公司对吧所以我觉得就是这一步的话要么就是离底层芯片近要么你就在应用层有我刚才提到的这些东西
对于一个普通投资者说白了就是第一先排除这种高风险的反而是最重要的比如说没有什么特殊情况的或者没有什么特点的这种创业公司或者是说明眼会被技术替代的公司我觉得先把这两拨排除掉或者是自己投资的时候需要注意这两类前提的情况下才能筛选出来谁可能会干得更好或者谁会活得更好
这是第二阶段第三阶段有点像说某些公司可能会是老树开心花我觉得就是先做排组法可能会比先筛选出来谁将来会更牛逼更重要大部分公司可能是先被技术革命替代的公司这种公司可能占比更多一点那种既有数据又有模型又靠它分发的这种坦白讲是属于很牛的老公司了
这种老公司可能本来就稀少的存在说白了它不需要超越市场也要领先它只需要跟上技术变化它就能享受到技术变化带来的这一波的 Beta 再加上它原有的 Beta 其实就很强了大概是这个论据对吧对包括苹果对吧
老的公司这里边你可以问这个问题当 AI 出来了哪些公司的商业模式是被 AI 挑战了哪些公司其实是能够享受到这波红利的第一次想到的肯定是谷歌对吧搜索被拆 GPT 可能被影响到了但影响也没有那么大对吧对 出来的时候大家觉得影响很大过一段时间发现说谷歌自己搞得也挺好模型搞得也很好有一个核心的一个点就是不是最好的产品就一定是能够赢到最后的
而是足够好的产品
有足够强大的分发那谷歌的话 Transformer 那个 paper 就是谷歌写的对吧谷歌的这个内部研究能力是一点不差的谷歌的分发渠道也很强那唯一的可能大家担心的就是当 ChatGP 出来以后首先大家会不会从传统的搜索使用习惯迁移到通过良心精神来获取信息了那如果谷歌也要迁移到这样的模式的时候
那一个聊天机器人一个问答的成本每一条的成本可能是一个搜索成本的十倍以上那它商业模式首先大家担心的是它的毛利可能会受到影响但现在依然可能会存在这样的担忧但不可否认的是谷歌依然是世界上有两个公司可能能形成 AI 数据完全的闭环就是非常大的那种闭环一个是谷歌一个是特斯拉苹果的不帅吗苹果是另一个苹果核心竞争力是来自于哪里呢
首先它掌握了终端掌握了分发渠道掌握了用户然后底层又有自己的芯片所有的芯片是自己设计的所以你要从 Test stack 这个角度来看的话苹果其实掌握的是最核心的东西你在乎 Siri 背后到底是 ChatGPT 还是 Cloud 还是 Mistro 还是其他大模型吗其实普通人可能也不知道用的是啥反正是苹果自带的普通用户不 care
所以说这个苹果自己研不研发大模型可能目前起码过往来看它不去烧钱研发大模型对于苹果这家公司来说是一个可能合理的资本配置的方式同时也是因为苹果占据了如此强大的一个生态位没有因为 AI 出来而大家怀疑苹果的商业模式对吧当上一次发布会出来以后大家突然又意识到也许苹果是能够真正从中获益的大家又要重新有一波换新机的这样一个需求了
包括我觉得现在大家讲的具体应用包括 AI 的 PC 包括 AI 的手机我觉得但这种换机就跟你说的一样还需要等一些一看就是很牛逼的技术以及具体的应用我发现是实在太好用了吸引大家去换手机我觉得技术的这个东西吧很难叫提前预判如果我们都提前预判了那我们就是创业了呀我们预判不了我们就等嘛
我觉得等待也是挺重要的,尤其是研究一些技术变化比较大的行业,去等一些重要的技术的突破。我觉得尤其是很牛逼的技术突破,可能是一个全网报道或者人尽皆知的一个情况,不会说只有几个人看到发现说这个东西超级牛逼,其他人都不知道。当然可能是那种超级大佬提前看到了这个技术真的很牛逼啊。
我觉得这个也是在研究这些公司的时候需要注意的等待着一些巨大的事实的出现也是挺重要的但是咱们回头去看的话不一定哦不一定哦 2017 年 Transformer 出来的时候大家都已经知道 Transformer 是一个革命性的新的技术对吧但直到让大家看见 2022 年我们看到 GPT 的时候大家突然忘了但是其实 GPT2.0 可能三年前就已经出来了
你的新技术出来的时候不是被大众所看见的一定还是少部分人见到了但新技术出来的时候一定要被封装成大家可用的产品所以大众肯定是滞后的那我们作为个人的话即使是在 AI 同业人员当 Transformer 这个 paper 出来的时候也只是小部分人认为它是革命性的很多人没有预见到 ChatGPT 能够如此成功
如果是这样的话是不是实际上的技术的发展过程中它会分成三个关键节点第一个节点是真正的技术原型成立就有点像你提到说 2017 年川普这个技术原型或者这个关键论文已经发表了有点像从 0 到 1 的这个 0.5 已经形成了第二个阶段有点像什么呢它真的证明了自己
让一部分人看到它比如说应该是 20 年年初的时候切得 GBT 类似的核心的产品让肉眼可见说哇原来这么强大了第二个阶段的时候真的是技术层面让大家有明显的感知第三个呢就是从投资角度技术出来了并且核心产品搞出来了商业模型也很 OK 然后呢才形成了从投资角度确定性的时候是不是在第三个阶段
风险投资是在第二个阶段作为个体的普通人的话就保持敏感就好了回到咱们课上的曾经聊过的那个框架我们看公司的视角是社会价值你可以把它理解成用户价值商业价值和投资价值那我们如果把一个公司的价值拆分成这三段的话再结合自己的风险偏好我觉得每个人有自己的判断不给监督人建议了
最后一个模块我们想简单的聊聊怎么看待这些公司的估值或者是市场的变化对于这个事情呢我觉得我先抛一下市场的观点第一个呢是技术很牛逼第二个呢看估值的时候出来两类人一类的观点是说你看无论是标普也好或纳斯达克也好在过去比如说 10 年或 20 年的周期里当前的 PE 是绝对高的
第二种情况是说代表性的龙头公司虽然涨了很多但是你考虑到它明年后年的增长其实也不贵我想请教艾斯的一个问题是怎么看待这些比如说像 AI 产业链的公司的估值呢或者是说我们在做这一类公司的估值的时候跟那种传统的比如说竞争格局很明显的公司很稳健的公司比起来有哪些是差一点
我们只是简单拿最标杆案例英伟达来讲吧这个要具体案例具体分析吧总体来说的话比如说七姐妹吧首先估值的话肯定不算便宜对吧现在不算便宜但也没有说高到天际这一波 AI 浪潮我们看到的相关的公司的估值并没有达到当年 2000 年 Cisco 或者是 2022 年
很多不赚钱的 SaaS 公司动辄 100 多倍 PS 估值 150 倍 PS 的估值没有到那个层面对吧而且这一波就拿英伟达来说它的估值是有实实在在的盈利支撑的那唯一我们需要考虑还是刚才提到这个问题就是这个需求可不可持续这个 capacity 可不可持续
那如果是可持续的话其实英伟达的估值也不算贵对吧 Forward Earnings 40 倍的 PE 这么快的增长又有那么高的 margin 很高的 ROICPeter Thiel 也说过你如果假设英伟达像谷歌一样有这么高的这种竞争壁垒且它的需求是可持续的那这个估值不算贵对吧
它也不是算极度的便宜又要回到商业上的分析了所以说大家现在处在这样一个包括谷歌 Microsoft 这些也都没有说贵到离谱它也不是一个现在要喊着你买买买买买对吧它也没有那么多便宜还是一个回到商业 fundamental 的一个问题这个问题的更重要的关键是说
这个投资者在自己做这个公司的投资的时候需要算清楚利润表也好以及利润表的关键假设也好这些假设相对的持续性也好是需要他们的注意思想对吧
对比如说谷歌明年营收会不会持续的增长后年大后年会啊大概率会对吧英伟达呢我们对他的竞争壁垒其实是有很强很强的竞争壁垒但是 26 年 27 年的未来增长了一个可见性和均衡性大家现在是存在这个争议的我觉得这个是大家各自去判断吧
选择相信哪一边或者是基于自己的理解还是基于信仰自己选择自己站哪一边吧举个例子比如说像最相信的那一拨人可能发现说现在 GPT 很牛逼就冲进去买了我是说这种代表性的 AI 公司我们就不是聊具体个股我是从一个投资行为上最相信这个行业的技术革命的可能是看到 GPT 也说太牛逼了将来一定会改变世界然后他们就先盘了
第二波的人呢可能是看到说这个云服务公司都在搞资本开支哎这个产品的订单或者是收入利润指引数据很好
觉得是很不错买了第三波的人可能是说过去一段时间涨得都很好买了以及各种媒体都在报道说这个技术很牛逼买了我想请教的是说对于现在这些公司来讲它会存在像 A 股的很明显的那种编辑定价吗
或者是这种七姐妹类似的 AI 公司它的边际投资者的定价会变得很重要如果是边际投资的定价很重要就会很容易存在一旦说像局数据与服务公司发现说我稍微要减点资本开支的时候产业链上游的公司可能的股价就会有比较明显的回撤我这是一个疑问你所谓边际投资者什么意思呢
比如说市场上有 100 个投资者对于 AI 的观点车子 GP 出来的时候有 10 个人相信已经买了进展到比如说文本可以转成视频或者是几个大模型公司都在搞的
可能加一起又有二三十个人买了这时候有四十个人都买接下来就看剩下来的六十个人有多少再进一步相信了我的意义说是如果是存在着接下来一段时间这个 AI 的进展还是很猛 CHATGPT5 啊或 CHATGPT6 或者是苹果的 AI 都是如火如荼搞起来可能剩下的六十个人里面又有二三十个人去买 AI 产业的公司这是情况一
情况二是说剩下来的 60 个人发现 Citigpd 这个进展很差大家都去空他们这个公司的股票又进一步下跌我的请教的问题是说这种边际就是最后的波动的那一拨人或者是不太相信就要看情况决定的人
他会不会现在已经很充分的体现在了这种七姐妹的股票定价里我没有数据支撑我理解你的意思但是这个没有数据支撑所以说我也不太好回答这个问题我们再换一个视角吧首先行动的一般是 elgos 对吧是做量化的
看到一个趋势先买了然后剩下的是可能有一些 convention only 还放 SMN 进来了最后到顶部的时候通常都是散户对吧错过的时候都是散户你具体到这个阶段的话我没有数据支撑现在这个估值算是便宜呢还是算贵呢还是像 OK 还是在一个中间的一个区间那核心的问题是什么那我觉得围绕核心的问题去做一个研判那更多可能是我们像价值投资的一个方法吧
如果我去研判 money flow 我去研判这个就可能进入到交易层面了我可能没有太多的 insight 说说我们整体的这期播客的逻辑推导还是更多是从第一个是聊了互联网技术革命的锤子类的技术每一波有什么有意思的进展以及有什么的特征第二个是聊了艾斯过去创业的威力
探讨的时候我们在做这些公司研究或者是分析的时候要回到历史的情境中去思考它的商业模型怎么构建的第三个呢我们聊了这波 AI 浪潮在美国或者是在中国有什么明显的区别这些区别是我们需要注意的以及如何去跟踪这些行业的进展
有什么有意思的一些方法包括第四个部分聊了一些中国跟美国的 AI 发展有什么样的不同或者是艾斯看到有什么有意思的现象以及到最后简单聊了一下整个市场的估值的情况当然我们需要说明的是我们不是一个建国的节目本期聊的更多是偏商业分析偏基本面的部分以及在做这些产业分析的时候
需要找到最关键的问题所以说我们更多的聊的是方法框架以及一些举例大概是这么一个情况最后的话艾斯可以简单的讲一讲在做这些行业研究的时候有什么好的信息源或书籍推荐以及可以讲一讲你们现在在做哪些有意思的事情大家可以进一步来参与因为信息变化尤其在 AI 领域变化实在是太快了
我觉得我们现在新上一门课明年可能就过时了就推荐一些相对不太容易过时的一些书吧叫 Data Science for Business 我觉得它是非常好的从一个商业的视角去如何落地到商业应用场景中的这是一本 NYU 的教授写的书我依然觉得它是一个非常非常好的一个启蒙就是你真的落地一个项目需要做哪些事情从数据到项目规划到具体落地
如果从哲学层面偏硬核一点的推荐《极异币》吧这本书不知道大家听过没有如果从历史的角度的话我就推荐《Chip Wars》《芯片战争》这是 2022 年出版的一本书我觉得还没有完全的过时能够帮助大家很好理解整一个半导体产业的前世今生以及当下在地缘政治的环境下我们面临很重要的一些问题吧
信息源的话大家如果有翻墙的话可以在推特上多 follow 一些不同领域的 KOL 其实我觉得推特也是一个很好的信息的一些来源去推特上去关注一些产业大佬代表性公司 CEO 和 CEO 关注的人还是挺有意思的方法
包括大家经常会听的一些海外的和国内的播客我觉得其实这些信息源你如果都能够跟踪很紧的话已经比绝大部分人的信息掌握程度要高了更专的那些比如说 Semiconductor 这些太专业了可以讲讲你们现在在做的事情怎么去参与
如果想跟我们产生互动和联系的话可以关注盛世的公众号叫盛世的伙伴们我们会不定期的跟行业内部的人士进行一些交流做一些投资方面的分享会不管是公司基本面的研究还是也许从资产配置层面或者从其他一些层面然后包括我们的三周前刚结束了我们第三期的盛世应用价值投资课然后我们
我们应该会在今年下半年末再举办我们的第四期如果大家有兴趣的话可以去关注公众号然后我们视频号了解更多的信息以及跟我们取得联系
谢谢对于艾斯包括这个用价值投资客感兴趣的朋友他们的公众号我都会放在小诺特里面大家可以自己关注如果对应价投资客感兴趣也可以联系我我也可以给你做一些介绍做一个过来人以上就是本期节目的内容感谢你的收听期待你的评论转发和支持