东方港湾7月月报观点：价值投资中最困难的事

本月人工智能企业的股价出现了较大的回撤，幅度甚至超过了今年四月的调整。如果一定要为回调找个理由，最根本的还是前期过快的上涨，因为波动本就是市场的本质之一。但当我们置身于其中，听到的更多却是人们为此而编织的诸多故事（虽然大部分鬼故事在上涨的时候也同样存在）。故事里许多看似理性的分析，不过是市场情绪周期性波动的“外衣”，为人们的短期交易行为提供着软弱的辩解。

就像这个七月，伴随着股市的下跌，出现了降息落地的资金跷跷板效应，各种经济放缓的指标，日元加息的资金回流效应，对AI资本开支持续性的担忧，对AI投资回报率的质疑，某家企业一两个季度业绩不及市场预期，或是某项技术出现了一两个季度的延迟发布种种说辞。这些所谓的“理性评判”，虽也能解释每一段的回调，但其实更多是人们无力承担市场的“波动性”所编造出来的“噪音”，是作为人们情绪的奴隶，所发出的无力的宣泄，对长期价值投资没有太多的意义。

做长期价值投资，需要“承受波动，规避亏损”，而“区别波动与亏损”是价值投资中最困难的事情之一。为此，我们需要将自己从人声鼎沸的“噪音”抽离，就像攀爬到万米高空，万籁寂静，去俯瞰整个世界的变化和时代的脉络走势。

在那里，对于当下的AI投资，有几个方向性的主要矛盾需要我们去观察。

第一点，最重要的也是人们经常质疑的问题是，人工智能的投资到底能不能带来合理回报？我们需要那么多的AI算力投资吗？我们尝试从不同的角度，定量与定性地进行思考。

1) 我们在前期报告中，曾引用过著名投资机构Coatue的一段长期视角的测算：假设到2030年全球每年为AI投入的资本开支将高达1.2万亿美元（是当前规模的约5倍），以25%的ROIC利润率来看，则需要创造出1.5万亿的利润才算合格，这可以通过“降本”与“创收”这两条路来获得。从“降本”的角度出发，AI以代理客服、自动驾驶、机器人、虚拟助手等多种方式，以实现人效提升或替代工位的效果，将全球每年人力成本开支降低3%，就能挤出1.5万亿美元的年利润；从“创收”的角度出发，AI在优化互联网推荐系统、降低软件与机器的使用门槛提升用户基数、提升软件或操作系统单位价值等方面，将全球每年创造的总收入提升3%，即3万亿（假设50%的EBITDA利润率），也可以创造出1.5万亿美元的年利润。所以这从体量和定性上来讲，并不是天方夜谭的未来。

2）在中期角度上，我们可以讨论下最近热议的红杉投资对于“AI风险的警告”。红杉提到，如果假设英伟达2025年卖了1500亿GPU，搭配其他投资可能世界将为AI一年投资3000亿美元，假设毛利率为50%，那么为AI投入的这3000亿的开支，至少需要创造6000亿的收入才能算得过账。但实际上，红杉算少了一步，3000亿的总开支需要在平均5—7年的设备折旧期内摊销，平均每年约500亿的成本费用，需要每年创造1000亿的收入来实现这一切。这其实只相当于谷歌、微软、Meta、苹果这四家公司每年10000亿总营收的10%，或7000多亿总费用的7%，并不算强人所难；何况AI的投资不止来自这4家企业，而是全球千千万万的企业，遍布各行各业，降本创收来源的基数应该是全球GDP——100万亿美元才对。

3）从更短期的角度，也能够在那些为AI上砸下重金的企业身上，看到他们内部的投资回报率：Meta在其Reels推荐系统的“GPU换CPU”项目中，做过相应的回报率测算。由于GPU使得短视频内容的推荐选择范围更加庞大，用户收到的内容更加精准和多样化，这使得Reels的观看时长得以提升8%—10%，广告的单价也因此得到了提升。GPU加速计算数据中心的投资ROI达到了2.3倍，超过内部2倍的收益率要求。英伟达CFO本月在路演中，又提及了云厂商在提供Llama模型的云端API业务中，每1美元AI基础设施的投资，在未来4年中将为云业务带来大约7美元的收入，这种投资的回报率其实相当可观。因此，我们从本月几家AI企业的业绩会中，看到的全是不断加速的资本开支，而不是因为担忧投资收益而踌躇不前。

4）从历史的角度上看，如果我们以上一轮互联网革命中，云计算的投资周期来比较，我们也会发现，云计算的资本开支在历史的近二十年里是一路在不断增加的，仅有的停滞的一两年要么因为业务结构调整，要么因为金融危机的冲击。而从英伟达CFO Kress女士的研究中，我们也可以获知：微软公司目前AI的资本支出效率，与云计算周期的第4—5年相当，但当下微软的人工智能收入，却超过了当年云计算Azure在其初始发布后六年内的水平。这也是微软公司在不断为AI投资加码的最重要的支撑。

5）从对未来定性的畅想来看，人工智能的发展，会使得智能Agent成为类似于今天的手机电脑一样，人手必备的生产工具，每天产生大量源源不断的Token；而算力会成为背后类似于电力一般的存在，是未来社会经济新的“基础资源”。那么如果以人均用电量来想象当下的人均拥有算力，过去4年英伟达卖出的GPU相当于4500 Exa Flops的算力（FP16），以全球80亿人为基数，人均拥有算力大约只有0.5T Flops。0.5T的算力什么都干不了，拿自动驾驶为例，当下自动驾驶软件所需车端算力普遍在500T以上，更何况我们所需要的AI应用将来在我们生活中将无处不在。从这个角度看，算力投资的需求其实深不可测。

所以，科技大公司的CEO并不蠢，纵然有所谓竞争的成分在驱使，就好像谷歌CEO本月所说“不投资的风险比投资过度的风险大”，但基于回报率的逻辑与测算，以及投资过后AI性能与应用的不断提升的效果，才是资本不断加码背后真正的动力。

第二点，我们知道当下AI发展的源动力是算力的超快迭代，驱动方式是模型性能每一代际的不断提升。这两点只要没被破坏，AI的投资就值得我们去坚守。

业界信奉的“缩放定律”，认为随着算力的提升，人们得以用更多的数据训练出更大参数的模型，模型的性能可验证地不断提升。我们在过去一年，从GPT4发布以来，先后看到Gemini、Claude、Llama、Grok的陆续发布，运行成本由于算法的优化得到了较为显著的提升，但所有模型的性能并未能显著地超越GPT4，为什么？其中有个比较重要的解释，是因为这些竞争模型都采用了与GPT4相近的算力数量级（10的25次方）进行训练，也就是8000张H100的集群算力进行训练；而下一代性能的模型——GPT5，从训练的算力需求来讲，相比GPT4要高出一个数量级（10的26次方），业界普遍认为需要10万张H100的集群才能得以实现，算力是AI发展的源动力。本月，XAI的十万H100集群落地，算力的提升让Openai以外的其他企业都拥有AI模型性能进化的机会。AI模型性能的扩散与普及，使得GPT可能只有1年的领先时间，但这对于全球的AI应用渗透率的提升，将变得非常有利。

从当前的调研信息来看，AI算力的进化方向比较清晰，英伟达为业界描绘了下两代的算力进化方向和速度，订单也是十分供不应求。英伟达蓝图的落地，可能会因为制造环节的技术难点而出现一两个季度的延后，但只要最终能投入大规模生产来满足市场，我们投资最重要的假设就得以成立。

另一方面，随着算力能力的提升，新模型GPT5必须比GPT4的性能出现显著的提升，这也是另一个必须成立的基石逻辑。从目前收集的信息来看，GPT5将集成Sora模型和其他动机模型，如世界模型，去理解现实世界的物理规则，是一个多模型+多模态的产品；它也将包含AI代理，模仿人脑不同区域的功能，进行内部沟通以确保答案的正确性和规划性。预计幻觉将降低到只有1%，类似于人类170的智商。

所以，从当前繁杂的噪声和躁动的情绪当中抽离出来，我们并没有看到算力和模型性能这两条长期的基本假设发生了动摇。只要算力在不断进化迭代过程中，人工智能的性能还能够得到逐步的提升，成本也在不断下降，AI应用将得以大面积推广，从而为当下的资本开支带来实实在在的回报，AI的投资就值得我们去坚守，市场短期难以逃避的波动我们就应该去承受。

长期的价值投资，无论在A股还是美股，从来都不是“躺赢”出来的。市场的波动会让脆弱的投资人，用各种“理性的分析”为自己敏感的情绪找掩护。价值投资者要懂得分清楚“波动的噪音”与“长期投资的主要矛盾”，当长期的基石逻辑没有被破坏时，用“知行合一”的信念去坚守我们的投资。知之者，十不存一；而行之者，更是十不存一；两者相乘，知行合一者，便是百里挑一。这就是价值投资的困难所在。

风险提示及免责声明：市场有风险，投资需谨慎。在任何情况下，文章中的资讯仅供读者参考之用，文中提到的公司亦仅为阐述产业逻辑，所有内容均不带任何投资建议，读者不应单纯依靠本文而取代个人的独立判断。对于因使用、引用、参考本文内容而导致的投资损失、风险及纠纷的，东方港湾不负任何责任。