夜讀 | 「每個人都有AI焦慮」！中信建投武超則詳解普通投資者該如何抓住這輪科技浪潮……

「每個人都有AI焦慮，這恰恰説明這個行業還處在快速變化和迭代的過程中。」

「估值永遠是有效的，它是對行業基本面或者所謂回報率的前瞻定價。不看傳統估值，並不代表不看基本面。」

「技術迭代越快，對於服務全球第一梯隊客户的頭部供應鏈公司來説，反而越可能構成估值的安全邊際。」

「這一輪AI帶來的分化，無論是幅度還是速度，都會比過去更快、更極致。」

「從投資研究的角度看，某種意義上，這可能是最不好的時代，但也可能是最好的時代。」

「最重要的仍然是保持學習，並且持續向正確、優秀的企業家學習。」

以上，是中信建投研未來產業和政策研究院院長武超則，在6月23日線上交流中分享的最新觀點。

這一輪AI行情走到現在，市場似乎陷入了一種集體焦慮。

沒有上車的投資者擔心踏空，已經持倉的人擔心估值過高。產業趨勢越來越清晰，但技術路線、競爭格局和最終贏家，仍在快速變化。

武超則表示，焦慮恰恰説明這輪產業趨勢還沒有結束。

但她也並不認同「大產業趨勢面前估值無效」的説法。

武超則強調，估值永遠有效。對於AI產業鏈，真正需要判斷的是，不同環節分別走到了哪個階段。

在她看來，科技投資最危險的，就是估值方法與產業階段發生錯配。

比如，腦機接口尚處於初創期，重點不應是利潤；智能體仍在快速擴張用户規模和Token調用量，強行看PE意義不大；但光模塊、PCB、服務器、GPU和存儲等算力環節，業績已經開始兑現，就不能再只講故事。

武超則認為，AI更大的投資機會並不只在傳統意義上的科技行業。

隨着模型能力逐漸普及，AI會進入更多的傳統行業，比如汽車、醫療、製造、農業等，並推動這些行業的重構，其中她最看好的三個方向分別是，自動駕駛、AI硬件和AI醫療。

此外，在交流中武超則用了很大篇幅來為普通投資者解析，如何不錯過AI時代的投資機會。

她給出的方法並不複雜，親自使用AI工具，長期聚焦，把公司與所處產業階段對應起來，並在情緒波動中檢驗自己的認知。

更重要的是，AI本身正在降低研究門檻。

但武超則也表示，工具平權並不等於認知自動平權，AI會放大每個人已有的知識、思考和專業能力，會加速獎勵那些擁有專業知識、較強認知和學習能力的少數人。

小編整理了這場對話的重點內容，分享給大家。

每個人都有AI焦慮，但這輪產業趨勢還沒有結束

 主持人  對於當下的科技行情，你的整體感受是什麼？

 武超則  我覺得，無論是普通人、專業投資者，還是身處產業中的從業者，大家或多或少都有一種「AI焦慮」。

產業里的人可能會擔心，自己是不是沒有趕上最好的創業時機；已經創業的人，也可能覺得自己進步得還不夠快。

因為過去24個月里，市場上很快就出現了一批ARR（年度經常性收入）增長几十倍的公司。

對投資者和研究員來説，同樣會感到焦慮，我們覺得自己已經站在了「光」里，但好像並沒有推到最好的股票，或者在行情走到一半時，就覺得已經差不多了。

在對產業鏈跟蹤的過程中，每個人都有AI焦慮，這恰恰説明這個行業還處在快速變化和迭代的過程中。

我研究科技行業這麼多年，最大的感受，是當一個行業仍在快速變化，還沒有「水落石出」，每天都有新東西出現，需要不斷學習時，至少説明這輪產業趨勢還沒有結束。

相比急着判斷很遠的未來，更重要的是把握當下最新的產業形態和投資趨勢。

估值永遠是有效的

 主持人  市場上有一種説法，在大的產業趨勢面前，估值是無效的。你認同嗎？

 武超則  當然不認同，估值永遠是有效的。估值本質是對行業基本面和未來回報率的前瞻定價。

當然，科技行業的估值方法與傳統行業有所不同。

比如我們經常會使用PEG或PS，但當一個行業可能「三個月河東、三個月河西」，甚至「三天河東、三天河西」，很難用傳統模型進行定價，但不能因此認為科技行業不需要估值。

我很早以前就提過一個觀點，不看傳統估值，並不代表不看基本面。

最根本的，還是要判斷產業發展到了什麼階段。

有時我覺得，估值就像一個人的影子。中午的時候影子比較短，傍晚的時候影子比較長，但它不太可能完全脱離這個人。

這就是估值、基本面、公司自身之間的關係。

回到AI，毫無疑問，它的產業趨勢非常清楚。

很多人會用十年前的移動互聯網行情，或者二十年前的PC互聯網行情作為參照。但我最近也在思考，這樣的對標可能並不準確。

它們同樣是產業革命，但我認為，AI這一輪產業革命的量級，明顯大於上一輪移動互聯網。

一個簡單的例子就是資本開支，看究竟有多少真金白銀投入產業。

移動互聯網時代，美國一年投入大約1000億美元，中國一年投入四五千億元人民幣，用於3G、4G網絡建設。

而現在，美國AI相關資本開支一年大約達到7000億美元，中國一年也有六七千億元人民幣，即便不考慮通脹和貨幣因素，這也已經是量級上的變化。

再看頭部公司。

上一輪移動互聯網時代，A股圍繞蘋果產業鏈、雲計算產業鏈成長起來的公司，普遍是千億元市值。

但今天，美國頭部公司達到萬億美元，中國頭部公司也可能達到萬億元人民幣。

因此，不能簡單拿十年或二十年前的情況進行線性對標。

現在很多人仍然根據移動互聯網泡沫時期的估值方式判斷今天的AI資產，但無論是過度樂觀地外推，還是過度悲觀地外推，我認為都不準確，因為這個行業仍處在非常活躍的變化過程中。

如果只是套用歷史估值去「拍腦袋」，最后得到的可能更多是市場情緒。

目前能夠明確看到的，首先是資本開支發生了量級變化。

美國AI資本開支今年仍可能保持較高增速。從2022年底OpenAI引發生成式AI浪潮至今，整個產業的資本開支仍在高速增長。

另一端則是ARR（年度經常性收入）。很多人討論AI是否存在泡沫，或者認為AI只是爲了緩解傳統經濟增長放緩而製造出來的一種幻覺，但顯然不是。

國內一些頭部大模型公司的ARR已經快速增長，像智譜等公司，ARR可能在一年內增長几十倍。

12個月前無論使用什麼估值方法，都很難準確預測它現在能夠達到這樣的收入水平。同樣，我們今天也很難準確預測它12個月以后會達到什麼規模。

因此，估值很多時候只是我們內心的一個錨。

大家也一直在尋找，AI時代有沒有類似移動互聯網時代微信、抖音、快手這樣的殺手級應用。

但我認為，人工智能應用的發展方式，可能與上一輪移動互聯網也不一樣。

上一輪更多是商業模式創新，基礎設施建設完成后，大家再思考如何利用網絡和終端解決問題。

而今天是一種過去科技革命中很少見的快速循環。

從底層基礎設施投資開始，英偉達生產GPU和服務器。

大模型廠商，如OpenAI、Gemini，以及國內的MiniMax、DeepSeek，用這些算力快速迭代基礎模型。

模型的基礎智商在迅速躍遷，然后快速應用於編程、智能體、營銷等商業場景。

Token調用量增加后，算力需求進一步上升，底層GPU、服務器和算力廠商再繼續迭代產品。

這是一個快速迭代的響應過程，過去3G、4G網絡建設完成后，基礎設施可能十年、二十年都不會發生太大變化，分析師主要測算折舊和財務報表。

但今天，基礎設施、模型和應用形成了一個高速迭代的閉環。

所以，估值只是心里的影子，本質還是產業走到了哪里。行業會階段性過熱，也可能出現錯殺，但顯然這件事情還沒有結束。

而且我認為，它與過去任何一個十年的科技周期，都很難簡單類比。

 主持人  如果無法參照過去的估值體系，怎樣對AI資產進行具體定價？

 武超則  從應用來看，比如AI短劇我非常有共鳴，很多人很難想象，究竟是什麼人在製作AI短劇。

我原來以為是拍電影、做影視的人，后來發現，很多是原來做手遊的人。

過去這兩個行業可能並不相交，專業能力、資源稟賦、工具和團隊都不同，但有了AI以后，做遊戲的人可以用遊戲設計的邏輯來拍短劇。

過去拍劇最重要的壁壘，包括攝影、演員和製作流程等，現在都可以部分由AI工具和引擎解決。

真正重要的，反而變成能否像設計遊戲一樣，持續設計興奮點，讓觀眾願意一直看下去，並找到情緒共鳴。

這就是AI應用的特點。

未來，不同行業之間的跨界會越來越多。

現在很多做AI音樂的人，也不是傳統音樂人。在過去的人類社會中，這是很難想象的。

過去，一個人能夠成為兩三個領域的專家，或者掌握五種語言，就已經非常厲害。

但智能體的意義在於，在24小時無人接管的狀態下，一個人可以同時調度100個智能體工作，相當於同時調用100個領域的專業能力。

在這種情況下，人的創造力和生產力會發生多大躍升，最終會創造出什麼樣的產品，現在很難想象。

當然，這背后也可能帶來一些隱患，比如失業率和安全問題。這些問題可能階段性影響市場情緒和估值，但我認為，這更像是成長的煩惱。

現在大家比較糾結於價格和定價，但這就像給一個小學生或初中生算命，判斷他未來會變成什麼樣。

不是完全不能算，但準確率可能不會太高。

技術越快迭代，頭部公司越難被替代

 主持人  中國科技公司很多是美股映射，或者全球頭部企業供應鏈上的公司。但技術迭代速度很快，今天領先的技術，兩年后可能就被替代。用很長的久期給這些公司估值，會不會風險很大？

 武超則  這需要先思考一個問題。

無論是光模塊、PCB、液冷，還是蘋果產業鏈，為什麼美國最領先的科技公司要把供應鏈放在中國，而不是全部自己生產？

這些行業的利潤率其實並不低，比如光模塊公司的毛利率仍可能達到20%至30%。

它們之所以選擇中國供應鏈，是因為科技行業存在一種「熵減效應」。誰能夠又快又好又便宜，並以最快的響應速度完成任務，供應鏈就會向誰集中。

一種產品生產100個，美國可能可以完成；但如果需要生產100萬個，往往離不開中國供應鏈。

中國作為世界製造工廠和高端製造中心，製造業佔全球較高比重，這背后的壁壘其實很高。

再舉一個例子。國內一些頭部光模塊廠商，既是谷歌的供應商，也是英偉達的供應商。這些頭部模型公司彼此之間是競爭對手，但都可能選擇同一批中國廠商作為供應鏈。

因為當大模型競爭非常激烈時，企業最簡單的選擇就是看哪一類供應鏈能夠幫助自己保持競爭優勢，這是市場化選擇的結果。

中國頭部供應鏈公司的核心競爭力，是能夠跟上全球最領先客户的需求。

所以我認為，只要技術仍在快速迭代，這些公司的估值就有支撐。

相反，如果有一天技術不再迭代，比如1.6T光模塊不再繼續升級，硅光技術也停滯了，反而需要小心。

因為那時二線、三線供應商會快速進入，行業可能從三家供應商變成十家、二十家，價格戰隨之發生。類似的情況在2018年前后已經出現過，最終公司的估值可能回到8倍、10倍。

所以，技術迭代越快，對於服務全球第一梯隊客户的頭部供應鏈公司來説，反而越可能構成估值的安全邊際。

 主持人  AI投資是否會進一步加劇市場分化？

 武超則  每一輪更高效的技術或新的文明形態誕生時，初期往往都會帶來更大的分化，因為頭部公司的效率更高。

比如納斯達克，如果剔除「M7」（美股七巨頭），過去十年是跌的；而把這七家公司單獨拉出來看，它們的走勢在很大程度上代表了納斯達克。

分化會非常明顯，可能不只是「二八效應」或「一九效應」，甚至會更加極端。

當然，未來這種分化可能會逐漸糾偏，但在產業發展的初期，頭部效應很難避免。

這種分化也對應了指數的篩選機制。指數會把階段性趨勢最明確、表現最強的公司篩選出來並納入其中。

這一輪AI帶來的分化，無論是幅度還是速度，都會比過去更快、更極致。

從目前的美股表現來看，已經呈現出這樣的特徵。

把所研究的公司或細分行業與它所處發展階段的典型特徵對應起來

 主持人  普通投資者應該如何研究科技板塊？

 武超則  普通投資者會覺得科技板塊很複雜，技術迭代快，好像也沒有統一的估值體系。

但其實有一個很簡單的方法，就是參考Gartner技術成熟度曲線。

任何新興行業大致都會經歷五個階段。

第一個階段是初創期。

第二個階段是快速成長期。這個階段可能表現爲收入高速增長，也可能還沒有收入，只是用户量、流量快速增長。

第三個階段是泡沫膨脹期。市場情緒快速升溫，大家不再關心項目最終能不能做成，只要和熱門產業發生關係，估值就會上漲。

第四個階段是泡沫幻滅期。當行業邊界越來越清晰、開始水落石出時，大家會發現，產業並沒有此前想象得那麼好，於是進入調整。

第五個階段是成熟期。

最終，行業中的頭部公司逐漸勝出，競爭格局變得清楚。

移動互聯網時代，中國一度有接近兩萬家遊戲公司，每天都有新的遊戲公司成立，但最后真正跑出來的，還是少數幾家公司。

當產業邊界清楚以后，這些勝出的公司仍然迎來了一輪上漲。

所以，我覺得最基本的方法，就是把所研究的公司或細分行業，與它所處發展階段的典型特徵對應起來，重點是不能和產業階段錯配。

比如腦機接口目前仍處在初創期，如果一定要求它產生收入和利潤，顯然不現實。

智能體已經有部分收入，但大多數公司仍在快速投入，通過消耗Token、擴大用户規模完成成長。這個階段如果一定要看PE，也沒有太大意義。

但算力產業已經發展了兩三年，包括光模塊、PCB、服務器、GPU和存儲，很多公司已經出現了非常明顯的業績增長，這個階段就必須看利潤和PE，不能再只講故事。

認真看一下會發現，頭部算力公司的動態估值未必很貴，可能處在20倍、30倍或40倍左右。

按照去年Gartner的判斷，智能體可能正處在泡沫膨脹期，而算力則逐漸進入水落石出的階段。

「水落石出」最典型的特徵就是行業頭部公司已經比較清晰。

你可以問自己或者和產業專家、創業者交流，這個行業的前五名是誰？

比如光模塊、PCB，以及上游的半導體設備、晶圓代工廠，基本都能數出行業中最領先的幾家公司。

這説明這些領域雖然還不能説已經完成淘汰賽，但前三名、前五名的格局已經相對清晰。

大模型也類似。現在無論在美國還是中國，基本都能數出五家左右的頭部廠商。

當然，它和新能源汽車行業一樣，最后誰能真正勝出，排名可能還會發生變化，但競爭格局再出現特別巨大的變化，可能性已經沒有那麼高。

但應用端不同。現在每天還有大量新公司出現，進入不同場景探索機會，所以在這個階段，應用可能仍然更適合採用板塊化的投資方式。

因此，只要認真研究基本面，並把行業放進相應的研究框架中，產業趨勢和估值方法其實都是比較清晰的。

真正困難的是，在短期市場出現錯配時，你能不能堅持自己的判斷。

比如A股、港股、美股以及日韓市場出現階段性分化時，你是否敢於加倉？你是否相信自己看到的中期產業趨勢仍然成立？

這最終考驗的是投資者的認知能力。而認知能力的背后，是專業能力、深度研究，以及是否在這個領域形成了超越市場的理解。

只有具備這些能力，纔可能在市場情緒波動時，找到更合適的交易策略。

AI產業正在加速分化，算力和大模型逐漸水落石出

 主持人  現在大家非常關注算力、大模型和應用，它們分別處於什麼樣的產業階段？

 武超則  先説算力，算力與十年前、二十年前最大的區別之一是國產化。

兩三年前我講過，大模型里的每一滴水，最終都會流向算力。根本原因是，只要大模型廠商仍在卷，算力投資就不會停止。

最近谷歌又發了一個800億美金的定增，這場遊戲可能沒有結果，但不能缺席。

這種投入會不斷向上遊傳導，帶來算力產業鏈的景氣和價格上漲，這也是過去兩年算力資產大幅上漲的重要原因。其中可能存在過度投資，也可能存在泡沫化投資，但企業仍然必須投入。

因為大模型的競爭格局尚未固化，如果停止投資，就可能在競爭中掉隊。

回到國內算力，我個人一直比較看好國產化。最主要的原因是中美科技競爭已經成為這一輪產業發展的重要背景，而十年前、二十年前並沒有這樣的環境。

當年大家在中關村討論的是手機助手、應用商店，以及如何開發互聯網應用。

如果當時有人提出要做自己的操作系統或GPU，可能會被認為不太現實。

但今天，中國需要擁有自己的英偉達、AMD，以及一整套自主算力供應鏈，這也是這一輪科技周期與過去不同的地方。

目前市場關注的卡點，包括先進製程、3D堆疊等技術。

算力本身也是一條非常長的產業鏈，不只有GPU，還包括光電轉換、光通信和存儲等環節。

從產業階段來看，我認為算力已經逐漸接近水落石出。

前幾年研究GPU，大家主要看單卡性能，比如與H200、H20相比，性能處在全球什麼位置。

但到現在，重點已經不只是卡本身的性能。

第一，要看出貨量和大規模量產能力。這背后考驗的是供應鏈保障，以及企業能不能獲得先進製程產能。在這一點上，廠商之間已經出現了明顯分化。

第二，要看能不能獲得頂尖客户的訂單。尤其是頭部大模型廠商的訂單，公司一定要和最優秀的客户共同成長。

臺積電的成功，也是在服務頭部客户的過程中逐漸形成的，並不是一個單向發展的過程。如果沒有頂尖客户的需求，或者缺少真正市場化的訂單，企業的競爭力就很難持續。

第三，要看生態。英偉達的優勢不僅在於GPU本身，還在於CUDA生態。算力廠商同樣需要構建全棧式生態，我們經常把生態比作航站樓，不能只有一棟樓，還需要飛機、乘客、商業設施和廊橋，最終才能形成一個完整的機場。

所以，判斷一家算力公司的競爭力，不能只看卡本身，還要看量產能力、供應鏈、頭部客户和生態。通過這些維度進行分析，頭部廠商已經逐漸可以辨認出來。

存儲等其他算力環節也類似，因為這些領域同樣需要巨大的資本開支。

我一直覺得，大模型有點像過去的操作系統，但這個比喻也不完全準確。

PC互聯網時代，主要是Windows；移動互聯網時代是安卓和iOS兩個操作系統。

但到了大模型時代，中美可能都會保留自己的頭部模型廠商，而且目前廠商數量仍然偏多。

過去兩年，大模型的競爭格局也出現了一些變化。最初美國主要是OpenAI領先，現在谷歌等公司也迅速追趕。

國內同樣如此，最初主要是幾家互聯網巨頭，后來一些第三方模型廠商也表現得很好。

研究大模型廠商，現在需要關注的錨點也發生了變化。

第一，要有足夠的資金和融資能力。大模型需要鉅額資本開支，如果缺少算力保障，模型就無法持續訓練和迭代。

它不像移動互聯網時代，企業可能憑藉一個很有巧思的應用，在短時間內實現逆襲，大模型競爭首先是一場資本密集型競爭。

第二，要有持續獲得高質量數據的能力。這一點目前有些被市場忽略，谷歌的模型之所以能夠后來居上，一個重要原因就是它擁有大量高質量的知識數據。

有些企業掌握的主要是社交數據，模型在多模態方面可能表現不錯，但在知識和邏輯能力上未必佔優。

AI的學習速度非常快，存量數據可能很快就會被消耗完。因此，大模型廠商能不能持續獲得新的高質量數據，會越來越重要。

現在發展AI手機、AI汽車，一個重要原因也是希望通過傳感器，持續獲得新的真實世界數據，為模型提供數據回補。

第三，要看人才。這是我最近感受比較深，也認為需要認真研究的因素。

有數據顯示，美國擁有全球很高比例的頂尖AI人才，中國也擁有較多，而美國的頂尖AI人才中，又有相當一部分是華人，甚至曾在中國接受本科教育。

算力和大模型的競爭格局，已經逐漸接近邊界清晰。但應用端還沒有，AI應用仍處在快速爆發的階段，而且正在與越來越多傳統行業結合。

應用端未來還會出現大量創業公司，也會在不同賽道中涌現出新的投資機會。

善於學習、保持聚焦

 主持人  很多投資者開玩笑説，選擇AI標的全靠運氣。你認為普通投資者應該怎麼做？

 武超則  我覺得有兩個方法。

第一，善於學習，並且親自使用。不管怎樣，先用一下AI工具，總是有幫助的。

當年投資遊戲行業時，很多人覺得遊戲公司都是騙子，但如果你真的玩過遊戲，就會知道玩家為什麼願意付費。這種最朴素、最直觀的常識性認知，有時反而能帶來很強的信心。

比如自動駕駛，我個人比較看好。與其聽很多分析，不如親自開一輛具備輔助駕駛能力的汽車，感受L2、L3究竟是什麼。

在快速變化的時代，要抓住機會使用智能體和各種AI工具，真實體驗往往比聽別人講更加直觀。

第二，保持聚焦。專業能力的前提是長期專注於少數幾個方向，人的時間是有限的，不可能同時研究所有行業。

我們培養研究員時，最基本的要求之一就是不能頻繁切換賽道，即使傳媒階段性沒有芯片行情好，也不能因此頻繁換道。

因為在大的產業周期中，各個方向最終都會出現機會。當機會真正來到你長期研究的板塊時，建立在專業能力上的判斷，纔有可能幫助你抓住它。

對於個人投資者來説，也應該儘可能聚焦，不要把研究範圍鋪得太開。

可以確定的是，這肯定不是產業終局，行情也不會永遠上漲，一定會下跌，也一定會波動。真正的問題是，當市場出現波動時，你應該怎麼做。這對普通投資者更有意義。

 主持人  普通人是否可以利用AI研究AI？

 武超則  這是一個非常值得嘗試的方法。3G、4G帶來的是信息平權，所有人可以在很短時間內獲得相同的信息。

而AI帶來的是知識爆炸，以及階段性的學習能力平權。

過去，如果沒有上過大學，或者不是名校畢業，做投資時可能會覺得很多問題非常複雜。

但現在，通過MCP、Skills可以一鍵套用指數研究框架篩選指數，或者調用TMT研究員的分析方法研究公司，這有點像過去使用圖片軟件中的模板。

你不需要了解模型背后的每一個技術細節，也可以直接使用它的能力，邊際使用成本非常低。

過去搭建量化模型，可能需要招聘十幾名專業量化人員。但現在一個普通人也可以通過AI工具，搭建出接近專業量化團隊想要實現的分析框架。

當然，前提是你自己要有想法、有思考，知道自己想驗證什麼，模型可以幫助你把想法實現出來。

從投資研究的角度看，某種意義上，這可能是最不好的時代，但也可能是最好的時代。

 主持人  AI對優秀人才是不是有放大效應？

 武超則  AI會加速獎勵那些擁有專業知識、較強認知和學習能力的少數人。

過去，一個科學家或者某個領域的專家，會受到管理半徑的限制，一般可以管理10個人，能力很強的人可能管理50個人。

但智能體可以在24小時無人接管的狀態下持續完成任務，管理半徑會被大幅擴大，這在過去的人類組織中是很難想象的。

傳統大公司的組織架構，主要處理人與人之間的關係，包括同事關係、上下級關係，同時也處理機器與機器之間的關係，比如OA系統和ERP系統之間的連接。

但未來，還會大量出現人與機器的關係、人與智能體的關係，以及智能體與智能體之間的關係。

比如你的智能體與我的智能體進行交流，它們甚至不需要轉換成人類能夠理解的文字、數據或K線圖，可以直接通過代碼交互。

未來，每個人可能都像在遊戲中擁有一個超級寵物一樣，擁有自己的智能體。

組織架構一方面會變得更加扁平，另一方面也會變得更加複雜。

一個管理者可能擁有20名人類員工，同時管理200個智能體，他需要為人類和智能體分配崗位、職責和工作流；一個人的上游協作者可能是智能體，下游協作者也可能是智能體。

這些變化會對整個組織體系產生深遠影響，而且現在已經開始演進。

有兩類軟件公司的表現仍然很好

 主持人  當AI技術逐漸普及、能力實現平權后，軟件公司會不會被徹底取代？

 武超則  我認為軟件公司不會被徹底取代，從硅谷來看，有兩類軟件公司的表現仍然很好。

第一類，是擁有B端內嵌入口的軟件公司。這類公司很難被取代，因為它們與客户之間形成了長期信任關係。

比如一家企業長期使用SAP軟件，不會因為出現了AI功能或智能體，就突然允許一家C端互聯網公司或大模型廠商進入自己的內部系統，把整個軟件體系重新做一遍。

更可能的方式，是在原有B端軟件和流量入口中增加AI功能，或者接入當前最好的模型能力，這背后是軟件公司與B端企業之間長期形成的信任。

就像手機中有大量隱私數據，用户不會輕易將這些數據全部交給陌生公司。

第二類，是擁有高質量數據的軟件公司。數據質量是否足夠高，以及能否持續產生新的數據，會決定軟件公司的價值。

當然，「軟件」本身是一個很寬泛的概念。

SaaS時代已經對傳統軟件重構過一次，現在AI出現后，SaaS可能又要被重新做一遍。

但中國和美國的情況也不完全相同。當年市場認為SaaS會重構所有軟件公司，這件事情在美國發生得比較明顯，但在中國並沒有完全發生，因為中國To B、To G的客户結構和產業生態與美國不同。

軟件行業未來一定會分化，不能簡單地把所有軟件公司放在一起討論。

AI接下來更大的機會在傳統行業

 主持人  你多次提到，未來AI最大的投資機會可能出現在傳統行業，這個判斷是怎麼來的？

 武超則  AI的發展大概會經歷三個認知階段。

第一階段，大家談到AI，想到的就是AI本身，比如大模型。

第二階段，大家認為AI就是科技行業，也就是TMT行業。

第三階段，一定是所有行業都變成AI行業。

因為AI並不是一個平行世界的產品，它更像空氣或者土壤，所有人、所有行業都會與它發生關係。

移動互聯網最后也變成了基本生產工具。企業利用移動互聯網，將原來的電商、零售等行業重新做了一遍，AI也會如此。

現在做汽車，不可能不考慮AI；農業、醫療等傳統行業，也不可能不考慮AI。

這並不是趕時髦，而是組織架構、分工體系、生產流程和任務派發方式都在發生變化，企業不可能拒絕使用這樣一種新的生產工具。

所以我認為，AI接下來更大的機會在傳統行業。

一方面，它一定會與所有行業發生關係；另一方面，所有行業都可能被重新做一遍。

問題在於，是新公司、新團隊完成這次重構，還是傳統公司完成自我蜕變。比如現在做AI短劇的，不一定是傳統影視公司，也可能是原來做遊戲的團隊。

當然，傳統行業中也會有公司轉型成功，而且傳統行業還有一個優勢，就是估值普遍比較低。

現在頭部AI資產可能已經處在一種「投也不是、不投也不是」的狀態。

但如果能夠在傳統行業中，找到真正理解AI、相信AI並且能夠利用AI完成變革的公司，它們的估值可能還有很大提升空間。

 主持人  從投資角度看，你比較看好「AI+」哪些行業？

 武超則  第一個方向是自動駕駛，可能接下來非常重要的現象級產品。

第二個方向是AI硬件。如果未來模型能力逐漸平權，企業最終依靠什麼形成差異化？

硬件的壁壘仍然比較高，因為硬件擁有大量傳感器、隱私數據和本地化處理器。

廣義AI硬件還包括AI玩具、AI眼鏡和機器人等，這些都是我比較看好的方向。

第三個方向是AI醫療。過去我認為醫療場景比較複雜，對可靠性的要求很高，因此AI不會很快落地，但它的想象空間和市場空間實在太大。

AI可以幫助人類解決很多重大難題，包括重大疾病治療，以及腦機接口等前沿方向。

持續向最優秀的企業家學習

 主持人  投資者應該如何把握投資節奏，並做好持有周期和倉位管理？

 武超則  我覺得還應該持續向最優秀的企業家學習。

現在很多偉大企業家都有大量公開發言，很多公司也是上市公司，普通投資者可以通過股東大會、公開演講等方式瞭解他們的判斷。

這些企業家站在產業一線，對行業的認知和感知，往往比普通投資者更早、更深。

不僅要聽他們説什麼，也要看他們真實做了什麼。如果一位企業家持續在某個方向進行投入，甚至選擇全力投入，説明他很可能看到了普通投資者還沒有看到的變化。

現在AI工具又帶來了信息和知識的進一步平權，普通人能夠獲得的公開資料越來越多。

所以，最重要的仍然是保持學習，並且持續向正確、優秀的企業家學習。

 

風險提示: 投資涉及風險，證券價格可升亦可跌，更可變得毫無價值。投資未必一定能夠賺取利潤，反而可能會招致損失。過往業績並不代表將來的表現。在作出任何投資決定之前，投資者須評估本身的財政狀況、投資目標、經驗、承受風險的能力及瞭解有關產品之性質及風險。個別投資產品的性質及風險詳情，請細閲相關銷售文件，以瞭解更多資料。倘有任何疑問，應徵詢獨立的專業意見。