夜读 | “每个人都有AI焦虑”！中信建投武超则详解普通投资者该如何抓住这轮科技浪潮……

“每个人都有AI焦虑，这恰恰说明这个行业还处在快速变化和迭代的过程中。”

“估值永远是有效的，它是对行业基本面或者所谓回报率的前瞻定价。不看传统估值，并不代表不看基本面。”

“技术迭代越快，对于服务全球第一梯队客户的头部供应链公司来说，反而越可能构成估值的安全边际。”

“这一轮AI带来的分化，无论是幅度还是速度，都会比过去更快、更极致。”

“从投资研究的角度看，某种意义上，这可能是最不好的时代，但也可能是最好的时代。”

“最重要的仍然是保持学习，并且持续向正确、优秀的企业家学习。”

以上，是中信建投研未来产业和政策研究院院长武超则，在6月23日线上交流中分享的最新观点。

这一轮AI行情走到现在，市场似乎陷入了一种集体焦虑。

没有上车的投资者担心踏空，已经持仓的人担心估值过高。产业趋势越来越清晰，但技术路线、竞争格局和最终赢家，仍在快速变化。

武超则表示，焦虑恰恰说明这轮产业趋势还没有结束。

但她也并不认同“大产业趋势面前估值无效”的说法。

武超则强调，估值永远有效。对于AI产业链，真正需要判断的是，不同环节分别走到了哪个阶段。

在她看来，科技投资最危险的，就是估值方法与产业阶段发生错配。

比如，脑机接口尚处于初创期，重点不应是利润；智能体仍在快速扩张用户规模和Token调用量，强行看PE意义不大；但光模块、PCB、服务器、GPU和存储等算力环节，业绩已经开始兑现，就不能再只讲故事。

武超则认为，AI更大的投资机会并不只在传统意义上的科技行业。

随着模型能力逐渐普及，AI会进入更多的传统行业，比如汽车、医疗、制造、农业等，并推动这些行业的重构，其中她最看好的三个方向分别是，自动驾驶、AI硬件和AI医疗。

此外，在交流中武超则用了很大篇幅来为普通投资者解析，如何不错过AI时代的投资机会。

她给出的方法并不复杂，亲自使用AI工具，长期聚焦，把公司与所处产业阶段对应起来，并在情绪波动中检验自己的认知。

更重要的是，AI本身正在降低研究门槛。

但武超则也表示，工具平权并不等于认知自动平权，AI会放大每个人已有的知识、思考和专业能力，会加速奖励那些拥有专业知识、较强认知和学习能力的少数人。

小编整理了这场对话的重点内容，分享给大家。

每个人都有AI焦虑，但这轮产业趋势还没有结束

 主持人  对于当下的科技行情，你的整体感受是什么？

 武超则  我觉得，无论是普通人、专业投资者，还是身处产业中的从业者，大家或多或少都有一种“AI焦虑”。

产业里的人可能会担心，自己是不是没有赶上最好的创业时机；已经创业的人，也可能觉得自己进步得还不够快。

因为过去24个月里，市场上很快就出现了一批ARR（年度经常性收入）增长几十倍的公司。

对投资者和研究员来说，同样会感到焦虑，我们觉得自己已经站在了“光”里，但好像并没有推到最好的股票，或者在行情走到一半时，就觉得已经差不多了。

在对产业链跟踪的过程中，每个人都有AI焦虑，这恰恰说明这个行业还处在快速变化和迭代的过程中。

我研究科技行业这么多年，最大的感受，是当一个行业仍在快速变化，还没有“水落石出”，每天都有新东西出现，需要不断学习时，至少说明这轮产业趋势还没有结束。

相比急着判断很远的未来，更重要的是把握当下最新的产业形态和投资趋势。

估值永远是有效的

 主持人  市场上有一种说法，在大的产业趋势面前，估值是无效的。你认同吗？

 武超则  当然不认同，估值永远是有效的。估值本质是对行业基本面和未来回报率的前瞻定价。

当然，科技行业的估值方法与传统行业有所不同。

比如我们经常会使用PEG或PS，但当一个行业可能“三个月河东、三个月河西”，甚至“三天河东、三天河西”，很难用传统模型进行定价，但不能因此认为科技行业不需要估值。

我很早以前就提过一个观点，不看传统估值，并不代表不看基本面。

最根本的，还是要判断产业发展到了什么阶段。

有时我觉得，估值就像一个人的影子。中午的时候影子比较短，傍晚的时候影子比较长，但它不太可能完全脱离这个人。

这就是估值、基本面、公司自身之间的关系。

回到AI，毫无疑问，它的产业趋势非常清楚。

很多人会用十年前的移动互联网行情，或者二十年前的PC互联网行情作为参照。但我最近也在思考，这样的对标可能并不准确。

它们同样是产业革命，但我认为，AI这一轮产业革命的量级，明显大于上一轮移动互联网。

一个简单的例子就是资本开支，看究竟有多少真金白银投入产业。

移动互联网时代，美国一年投入大约1000亿美元，中国一年投入四五千亿元人民币，用于3G、4G网络建设。

而现在，美国AI相关资本开支一年大约达到7000亿美元，中国一年也有六七千亿元人民币，即便不考虑通胀和货币因素，这也已经是量级上的变化。

再看头部公司。

上一轮移动互联网时代，A股围绕苹果产业链、云计算产业链成长起来的公司，普遍是千亿元市值。

但今天，美国头部公司达到万亿美元，中国头部公司也可能达到万亿元人民币。

因此，不能简单拿十年或二十年前的情况进行线性对标。

现在很多人仍然根据移动互联网泡沫时期的估值方式判断今天的AI资产，但无论是过度乐观地外推，还是过度悲观地外推，我认为都不准确，因为这个行业仍处在非常活跃的变化过程中。

如果只是套用历史估值去“拍脑袋”，最后得到的可能更多是市场情绪。

目前能够明确看到的，首先是资本开支发生了量级变化。

美国AI资本开支今年仍可能保持较高增速。从2022年底OpenAI引发生成式AI浪潮至今，整个产业的资本开支仍在高速增长。

另一端则是ARR（年度经常性收入）。很多人讨论AI是否存在泡沫，或者认为AI只是为了缓解传统经济增长放缓而制造出来的一种幻觉，但显然不是。

国内一些头部大模型公司的ARR已经快速增长，像智谱等公司，ARR可能在一年内增长几十倍。

12个月前无论使用什么估值方法，都很难准确预测它现在能够达到这样的收入水平。同样，我们今天也很难准确预测它12个月以后会达到什么规模。

因此，估值很多时候只是我们内心的一个锚。

大家也一直在寻找，AI时代有没有类似移动互联网时代微信、抖音、快手这样的杀手级应用。

但我认为，人工智能应用的发展方式，可能与上一轮移动互联网也不一样。

上一轮更多是商业模式创新，基础设施建设完成后，大家再思考如何利用网络和终端解决问题。

而今天是一种过去科技革命中很少见的快速循环。

从底层基础设施投资开始，英伟达生产GPU和服务器。

大模型厂商，如OpenAI、Gemini，以及国内的MiniMax、DeepSeek，用这些算力快速迭代基础模型。

模型的基础智商在迅速跃迁，然后快速应用于编程、智能体、营销等商业场景。

Token调用量增加后，算力需求进一步上升，底层GPU、服务器和算力厂商再继续迭代产品。

这是一个快速迭代的响应过程，过去3G、4G网络建设完成后，基础设施可能十年、二十年都不会发生太大变化，分析师主要测算折旧和财务报表。

但今天，基础设施、模型和应用形成了一个高速迭代的闭环。

所以，估值只是心里的影子，本质还是产业走到了哪里。行业会阶段性过热，也可能出现错杀，但显然这件事情还没有结束。

而且我认为，它与过去任何一个十年的科技周期，都很难简单类比。

 主持人  如果无法参照过去的估值体系，怎样对AI资产进行具体定价？

 武超则  从应用来看，比如AI短剧我非常有共鸣，很多人很难想象，究竟是什么人在制作AI短剧。

我原来以为是拍电影、做影视的人，后来发现，很多是原来做手游的人。

过去这两个行业可能并不相交，专业能力、资源禀赋、工具和团队都不同，但有了AI以后，做游戏的人可以用游戏设计的逻辑来拍短剧。

过去拍剧最重要的壁垒，包括摄影、演员和制作流程等，现在都可以部分由AI工具和引擎解决。

真正重要的，反而变成能否像设计游戏一样，持续设计兴奋点，让观众愿意一直看下去，并找到情绪共鸣。

这就是AI应用的特点。

未来，不同行业之间的跨界会越来越多。

现在很多做AI音乐的人，也不是传统音乐人。在过去的人类社会中，这是很难想象的。

过去，一个人能够成为两三个领域的专家，或者掌握五种语言，就已经非常厉害。

但智能体的意义在于，在24小时无人接管的状态下，一个人可以同时调度100个智能体工作，相当于同时调用100个领域的专业能力。

在这种情况下，人的创造力和生产力会发生多大跃升，最终会创造出什么样的产品，现在很难想象。

当然，这背后也可能带来一些隐患，比如失业率和安全问题。这些问题可能阶段性影响市场情绪和估值，但我认为，这更像是成长的烦恼。

现在大家比较纠结于价格和定价，但这就像给一个小学生或初中生算命，判断他未来会变成什么样。

不是完全不能算，但准确率可能不会太高。

技术越快迭代，头部公司越难被替代

 主持人  中国科技公司很多是美股映射，或者全球头部企业供应链上的公司。但技术迭代速度很快，今天领先的技术，两年后可能就被替代。用很长的久期给这些公司估值，会不会风险很大？

 武超则  这需要先思考一个问题。

无论是光模块、PCB、液冷，还是苹果产业链，为什么美国最领先的科技公司要把供应链放在中国，而不是全部自己生产？

这些行业的利润率其实并不低，比如光模块公司的毛利率仍可能达到20%至30%。

它们之所以选择中国供应链，是因为科技行业存在一种“熵减效应”。谁能够又快又好又便宜，并以最快的响应速度完成任务，供应链就会向谁集中。

一种产品生产100个，美国可能可以完成；但如果需要生产100万个，往往离不开中国供应链。

中国作为世界制造工厂和高端制造中心，制造业占全球较高比重，这背后的壁垒其实很高。

再举一个例子。国内一些头部光模块厂商，既是谷歌的供应商，也是英伟达的供应商。这些头部模型公司彼此之间是竞争对手，但都可能选择同一批中国厂商作为供应链。

因为当大模型竞争非常激烈时，企业最简单的选择就是看哪一类供应链能够帮助自己保持竞争优势，这是市场化选择的结果。

中国头部供应链公司的核心竞争力，是能够跟上全球最领先客户的需求。

所以我认为，只要技术仍在快速迭代，这些公司的估值就有支撑。

相反，如果有一天技术不再迭代，比如1.6T光模块不再继续升级，硅光技术也停滞了，反而需要小心。

因为那时二线、三线供应商会快速进入，行业可能从三家供应商变成十家、二十家，价格战随之发生。类似的情况在2018年前后已经出现过，最终公司的估值可能回到8倍、10倍。

所以，技术迭代越快，对于服务全球第一梯队客户的头部供应链公司来说，反而越可能构成估值的安全边际。

 主持人  AI投资是否会进一步加剧市场分化？

 武超则  每一轮更高效的技术或新的文明形态诞生时，初期往往都会带来更大的分化，因为头部公司的效率更高。

比如纳斯达克，如果剔除“M7”（美股七巨头），过去十年是跌的；而把这七家公司单独拉出来看，它们的走势在很大程度上代表了纳斯达克。

分化会非常明显，可能不只是“二八效应”或“一九效应”，甚至会更加极端。

当然，未来这种分化可能会逐渐纠偏，但在产业发展的初期，头部效应很难避免。

这种分化也对应了指数的筛选机制。指数会把阶段性趋势最明确、表现最强的公司筛选出来并纳入其中。

这一轮AI带来的分化，无论是幅度还是速度，都会比过去更快、更极致。

从目前的美股表现来看，已经呈现出这样的特征。

把所研究的公司或细分行业与它所处发展阶段的典型特征对应起来

 主持人  普通投资者应该如何研究科技板块？

 武超则  普通投资者会觉得科技板块很复杂，技术迭代快，好像也没有统一的估值体系。

但其实有一个很简单的方法，就是参考Gartner技术成熟度曲线。

任何新兴行业大致都会经历五个阶段。

第一个阶段是初创期。

第二个阶段是快速成长期。这个阶段可能表现为收入高速增长，也可能还没有收入，只是用户量、流量快速增长。

第三个阶段是泡沫膨胀期。市场情绪快速升温，大家不再关心项目最终能不能做成，只要和热门产业发生关系，估值就会上涨。

第四个阶段是泡沫幻灭期。当行业边界越来越清晰、开始水落石出时，大家会发现，产业并没有此前想象得那么好，于是进入调整。

第五个阶段是成熟期。

最终，行业中的头部公司逐渐胜出，竞争格局变得清楚。

移动互联网时代，中国一度有接近两万家游戏公司，每天都有新的游戏公司成立，但最后真正跑出来的，还是少数几家公司。

当产业边界清楚以后，这些胜出的公司仍然迎来了一轮上涨。

所以，我觉得最基本的方法，就是把所研究的公司或细分行业，与它所处发展阶段的典型特征对应起来，重点是不能和产业阶段错配。

比如脑机接口目前仍处在初创期，如果一定要求它产生收入和利润，显然不现实。

智能体已经有部分收入，但大多数公司仍在快速投入，通过消耗Token、扩大用户规模完成成长。这个阶段如果一定要看PE，也没有太大意义。

但算力产业已经发展了两三年，包括光模块、PCB、服务器、GPU和存储，很多公司已经出现了非常明显的业绩增长，这个阶段就必须看利润和PE，不能再只讲故事。

认真看一下会发现，头部算力公司的动态估值未必很贵，可能处在20倍、30倍或40倍左右。

按照去年Gartner的判断，智能体可能正处在泡沫膨胀期，而算力则逐渐进入水落石出的阶段。

“水落石出”最典型的特征就是行业头部公司已经比较清晰。

你可以问自己或者和产业专家、创业者交流，这个行业的前五名是谁？

比如光模块、PCB，以及上游的半导体设备、晶圆代工厂，基本都能数出行业中最领先的几家公司。

这说明这些领域虽然还不能说已经完成淘汰赛，但前三名、前五名的格局已经相对清晰。

大模型也类似。现在无论在美国还是中国，基本都能数出五家左右的头部厂商。

当然，它和新能源汽车行业一样，最后谁能真正胜出，排名可能还会发生变化，但竞争格局再出现特别巨大的变化，可能性已经没有那么高。

但应用端不同。现在每天还有大量新公司出现，进入不同场景探索机会，所以在这个阶段，应用可能仍然更适合采用板块化的投资方式。

因此，只要认真研究基本面，并把行业放进相应的研究框架中，产业趋势和估值方法其实都是比较清晰的。

真正困难的是，在短期市场出现错配时，你能不能坚持自己的判断。

比如A股、港股、美股以及日韩市场出现阶段性分化时，你是否敢于加仓？你是否相信自己看到的中期产业趋势仍然成立？

这最终考验的是投资者的认知能力。而认知能力的背后，是专业能力、深度研究，以及是否在这个领域形成了超越市场的理解。

只有具备这些能力，才可能在市场情绪波动时，找到更合适的交易策略。

AI产业正在加速分化，算力和大模型逐渐水落石出

 主持人  现在大家非常关注算力、大模型和应用，它们分别处于什么样的产业阶段？

 武超则  先说算力，算力与十年前、二十年前最大的区别之一是国产化。

两三年前我讲过，大模型里的每一滴水，最终都会流向算力。根本原因是，只要大模型厂商仍在卷，算力投资就不会停止。

最近谷歌又发了一个800亿美金的定增，这场游戏可能没有结果，但不能缺席。

这种投入会不断向上游传导，带来算力产业链的景气和价格上涨，这也是过去两年算力资产大幅上涨的重要原因。其中可能存在过度投资，也可能存在泡沫化投资，但企业仍然必须投入。

因为大模型的竞争格局尚未固化，如果停止投资，就可能在竞争中掉队。

回到国内算力，我个人一直比较看好国产化。最主要的原因是中美科技竞争已经成为这一轮产业发展的重要背景，而十年前、二十年前并没有这样的环境。

当年大家在中关村讨论的是手机助手、应用商店，以及如何开发互联网应用。

如果当时有人提出要做自己的操作系统或GPU，可能会被认为不太现实。

但今天，中国需要拥有自己的英伟达、AMD，以及一整套自主算力供应链，这也是这一轮科技周期与过去不同的地方。

目前市场关注的卡点，包括先进制程、3D堆叠等技术。

算力本身也是一条非常长的产业链，不只有GPU，还包括光电转换、光通信和存储等环节。

从产业阶段来看，我认为算力已经逐渐接近水落石出。

前几年研究GPU，大家主要看单卡性能，比如与H200、H20相比，性能处在全球什么位置。

但到现在，重点已经不只是卡本身的性能。

第一，要看出货量和大规模量产能力。这背后考验的是供应链保障，以及企业能不能获得先进制程产能。在这一点上，厂商之间已经出现了明显分化。

第二，要看能不能获得顶尖客户的订单。尤其是头部大模型厂商的订单，公司一定要和最优秀的客户共同成长。

台积电的成功，也是在服务头部客户的过程中逐渐形成的，并不是一个单向发展的过程。如果没有顶尖客户的需求，或者缺少真正市场化的订单，企业的竞争力就很难持续。

第三，要看生态。英伟达的优势不仅在于GPU本身，还在于CUDA生态。算力厂商同样需要构建全栈式生态，我们经常把生态比作航站楼，不能只有一栋楼，还需要飞机、乘客、商业设施和廊桥，最终才能形成一个完整的机场。

所以，判断一家算力公司的竞争力，不能只看卡本身，还要看量产能力、供应链、头部客户和生态。通过这些维度进行分析，头部厂商已经逐渐可以辨认出来。

存储等其他算力环节也类似，因为这些领域同样需要巨大的资本开支。

我一直觉得，大模型有点像过去的操作系统，但这个比喻也不完全准确。

PC互联网时代，主要是Windows；移动互联网时代是安卓和iOS两个操作系统。

但到了大模型时代，中美可能都会保留自己的头部模型厂商，而且目前厂商数量仍然偏多。

过去两年，大模型的竞争格局也出现了一些变化。最初美国主要是OpenAI领先，现在谷歌等公司也迅速追赶。

国内同样如此，最初主要是几家互联网巨头，后来一些第三方模型厂商也表现得很好。

研究大模型厂商，现在需要关注的锚点也发生了变化。

第一，要有足够的资金和融资能力。大模型需要巨额资本开支，如果缺少算力保障，模型就无法持续训练和迭代。

它不像移动互联网时代，企业可能凭借一个很有巧思的应用，在短时间内实现逆袭，大模型竞争首先是一场资本密集型竞争。

第二，要有持续获得高质量数据的能力。这一点目前有些被市场忽略，谷歌的模型之所以能够后来居上，一个重要原因就是它拥有大量高质量的知识数据。

有些企业掌握的主要是社交数据，模型在多模态方面可能表现不错，但在知识和逻辑能力上未必占优。

AI的学习速度非常快，存量数据可能很快就会被消耗完。因此，大模型厂商能不能持续获得新的高质量数据，会越来越重要。

现在发展AI手机、AI汽车，一个重要原因也是希望通过传感器，持续获得新的真实世界数据，为模型提供数据回补。

第三，要看人才。这是我最近感受比较深，也认为需要认真研究的因素。

有数据显示，美国拥有全球很高比例的顶尖AI人才，中国也拥有较多，而美国的顶尖AI人才中，又有相当一部分是华人，甚至曾在中国接受本科教育。

算力和大模型的竞争格局，已经逐渐接近边界清晰。但应用端还没有，AI应用仍处在快速爆发的阶段，而且正在与越来越多传统行业结合。

应用端未来还会出现大量创业公司，也会在不同赛道中涌现出新的投资机会。

善于学习、保持聚焦

 主持人  很多投资者开玩笑说，选择AI标的全靠运气。你认为普通投资者应该怎么做？

 武超则  我觉得有两个方法。

第一，善于学习，并且亲自使用。不管怎样，先用一下AI工具，总是有帮助的。

当年投资游戏行业时，很多人觉得游戏公司都是骗子，但如果你真的玩过游戏，就会知道玩家为什么愿意付费。这种最朴素、最直观的常识性认知，有时反而能带来很强的信心。

比如自动驾驶，我个人比较看好。与其听很多分析，不如亲自开一辆具备辅助驾驶能力的汽车，感受L2、L3究竟是什么。

在快速变化的时代，要抓住机会使用智能体和各种AI工具，真实体验往往比听别人讲更加直观。

第二，保持聚焦。专业能力的前提是长期专注于少数几个方向，人的时间是有限的，不可能同时研究所有行业。

我们培养研究员时，最基本的要求之一就是不能频繁切换赛道，即使传媒阶段性没有芯片行情好，也不能因此频繁换道。

因为在大的产业周期中，各个方向最终都会出现机会。当机会真正来到你长期研究的板块时，建立在专业能力上的判断，才有可能帮助你抓住它。

对于个人投资者来说，也应该尽可能聚焦，不要把研究范围铺得太开。

可以确定的是，这肯定不是产业终局，行情也不会永远上涨，一定会下跌，也一定会波动。真正的问题是，当市场出现波动时，你应该怎么做。这对普通投资者更有意义。

 主持人  普通人是否可以利用AI研究AI？

 武超则  这是一个非常值得尝试的方法。3G、4G带来的是信息平权，所有人可以在很短时间内获得相同的信息。

而AI带来的是知识爆炸，以及阶段性的学习能力平权。

过去，如果没有上过大学，或者不是名校毕业，做投资时可能会觉得很多问题非常复杂。

但现在，通过MCP、Skills可以一键套用指数研究框架筛选指数，或者调用TMT研究员的分析方法研究公司，这有点像过去使用图片软件中的模板。

你不需要了解模型背后的每一个技术细节，也可以直接使用它的能力，边际使用成本非常低。

过去搭建量化模型，可能需要招聘十几名专业量化人员。但现在一个普通人也可以通过AI工具，搭建出接近专业量化团队想要实现的分析框架。

当然，前提是你自己要有想法、有思考，知道自己想验证什么，模型可以帮助你把想法实现出来。

从投资研究的角度看，某种意义上，这可能是最不好的时代，但也可能是最好的时代。

 主持人  AI对优秀人才是不是有放大效应？

 武超则  AI会加速奖励那些拥有专业知识、较强认知和学习能力的少数人。

过去，一个科学家或者某个领域的专家，会受到管理半径的限制，一般可以管理10个人，能力很强的人可能管理50个人。

但智能体可以在24小时无人接管的状态下持续完成任务，管理半径会被大幅扩大，这在过去的人类组织中是很难想象的。

传统大公司的组织架构，主要处理人与人之间的关系，包括同事关系、上下级关系，同时也处理机器与机器之间的关系，比如OA系统和ERP系统之间的连接。

但未来，还会大量出现人与机器的关系、人与智能体的关系，以及智能体与智能体之间的关系。

比如你的智能体与我的智能体进行交流，它们甚至不需要转换成人类能够理解的文字、数据或K线图，可以直接通过代码交互。

未来，每个人可能都像在游戏中拥有一个超级宠物一样，拥有自己的智能体。

组织架构一方面会变得更加扁平，另一方面也会变得更加复杂。

一个管理者可能拥有20名人类员工，同时管理200个智能体，他需要为人类和智能体分配岗位、职责和工作流；一个人的上游协作者可能是智能体，下游协作者也可能是智能体。

这些变化会对整个组织体系产生深远影响，而且现在已经开始演进。

有两类软件公司的表现仍然很好

 主持人  当AI技术逐渐普及、能力实现平权后，软件公司会不会被彻底取代？

 武超则  我认为软件公司不会被彻底取代，从硅谷来看，有两类软件公司的表现仍然很好。

第一类，是拥有B端内嵌入口的软件公司。这类公司很难被取代，因为它们与客户之间形成了长期信任关系。

比如一家企业长期使用SAP软件，不会因为出现了AI功能或智能体，就突然允许一家C端互联网公司或大模型厂商进入自己的内部系统，把整个软件体系重新做一遍。

更可能的方式，是在原有B端软件和流量入口中增加AI功能，或者接入当前最好的模型能力，这背后是软件公司与B端企业之间长期形成的信任。

就像手机中有大量隐私数据，用户不会轻易将这些数据全部交给陌生公司。

第二类，是拥有高质量数据的软件公司。数据质量是否足够高，以及能否持续产生新的数据，会决定软件公司的价值。

当然，“软件”本身是一个很宽泛的概念。

SaaS时代已经对传统软件重构过一次，现在AI出现后，SaaS可能又要被重新做一遍。

但中国和美国的情况也不完全相同。当年市场认为SaaS会重构所有软件公司，这件事情在美国发生得比较明显，但在中国并没有完全发生，因为中国To B、To G的客户结构和产业生态与美国不同。

软件行业未来一定会分化，不能简单地把所有软件公司放在一起讨论。

AI接下来更大的机会在传统行业

 主持人  你多次提到，未来AI最大的投资机会可能出现在传统行业，这个判断是怎么来的？

 武超则  AI的发展大概会经历三个认知阶段。

第一阶段，大家谈到AI，想到的就是AI本身，比如大模型。

第二阶段，大家认为AI就是科技行业，也就是TMT行业。

第三阶段，一定是所有行业都变成AI行业。

因为AI并不是一个平行世界的产品，它更像空气或者土壤，所有人、所有行业都会与它发生关系。

移动互联网最后也变成了基本生产工具。企业利用移动互联网，将原来的电商、零售等行业重新做了一遍，AI也会如此。

现在做汽车，不可能不考虑AI；农业、医疗等传统行业，也不可能不考虑AI。

这并不是赶时髦，而是组织架构、分工体系、生产流程和任务派发方式都在发生变化，企业不可能拒绝使用这样一种新的生产工具。

所以我认为，AI接下来更大的机会在传统行业。

一方面，它一定会与所有行业发生关系；另一方面，所有行业都可能被重新做一遍。

问题在于，是新公司、新团队完成这次重构，还是传统公司完成自我蜕变。比如现在做AI短剧的，不一定是传统影视公司，也可能是原来做游戏的团队。

当然，传统行业中也会有公司转型成功，而且传统行业还有一个优势，就是估值普遍比较低。

现在头部AI资产可能已经处在一种“投也不是、不投也不是”的状态。

但如果能够在传统行业中，找到真正理解AI、相信AI并且能够利用AI完成变革的公司，它们的估值可能还有很大提升空间。

 主持人  从投资角度看，你比较看好“AI+”哪些行业？

 武超则  第一个方向是自动驾驶，可能接下来非常重要的现象级产品。

第二个方向是AI硬件。如果未来模型能力逐渐平权，企业最终依靠什么形成差异化？

硬件的壁垒仍然比较高，因为硬件拥有大量传感器、隐私数据和本地化处理器。

广义AI硬件还包括AI玩具、AI眼镜和机器人等，这些都是我比较看好的方向。

第三个方向是AI医疗。过去我认为医疗场景比较复杂，对可靠性的要求很高，因此AI不会很快落地，但它的想象空间和市场空间实在太大。

AI可以帮助人类解决很多重大难题，包括重大疾病治疗，以及脑机接口等前沿方向。

持续向最优秀的企业家学习

 主持人  投资者应该如何把握投资节奏，并做好持有周期和仓位管理？

 武超则  我觉得还应该持续向最优秀的企业家学习。

现在很多伟大企业家都有大量公开发言，很多公司也是上市公司，普通投资者可以通过股东大会、公开演讲等方式了解他们的判断。

这些企业家站在产业一线，对行业的认知和感知，往往比普通投资者更早、更深。

不仅要听他们说什么，也要看他们真实做了什么。如果一位企业家持续在某个方向进行投入，甚至选择全力投入，说明他很可能看到了普通投资者还没有看到的变化。

现在AI工具又带来了信息和知识的进一步平权，普通人能够获得的公开资料越来越多。

所以，最重要的仍然是保持学习，并且持续向正确、优秀的企业家学习。

 

风险提示: 投资涉及风险，证券价格可升亦可跌，更可变得毫无价值。投资未必一定能够赚取利润，反而可能会招致损失。过往业绩并不代表将来的表现。在作出任何投资决定之前，投资者须评估本身的财政状况、投资目标、经验、承受风险的能力及了解有关产品之性质及风险。个别投资产品的性质及风险详情，请细阅相关销售文件，以了解更多资料。倘有任何疑问，应征询独立的专业意见。