本月美股延续上月大幅波动。事实上，在长期投资的过程中，即便是十年长牛的股票，大部分时间也处在波动的过程，只是波动大小各异。以纳斯达克为例，在过去十年的时间里（截至8月30日），真正创新高上涨的时间仅占了22.6%，大部分时间（77.4%）都处在波动的过程中。这种情况在个股当中更是普遍，以长牛走势的美股七大公司为例，在过去的10年的时间里，N公司、M公司、F公司、G公司、AM公司、AP公司和T公司的股价波动时间，分别占了75%、76%、83%、83%、82%、82%和93%。即便是十年牛股，大部分时间也是百无聊赖，甚至是煎熬的。而在这些波动的时间里，最大级别的回撤甚至分别达到了-66%、-35%、-42%、-76%、-55%、-35%及-72%。但这并不妨碍这七大企业为投资人创造了丰硕的成果，他们在过去十年间分别上涨了256倍、9.4倍、4.5倍、5.7倍、9.4倍、9.2倍和10.1倍。

图片来源：东方港湾

就像生活在高纬度地区的人们，在冬天里要忍受寒冷且漫长的夜晚。漫漫长夜里常常会衍生各种魑魅魍魉的“鬼故事”，口耳相传，触碰着投资人敏感且脆弱的神经，便有了各种“追涨杀跌”的投资行为，还往往穿着一套套“理性分析”的外衣。漫漫长夜也为投机者带来许多可乘之机，他们纵横于不同板块的涨跌轮动之中，挣波动的钱是“聪明资金”所无法放下的诱惑，他们忍受不了长时间的寂寂无为，总想着做点什么发挥自身聪明才智。但这两者的初衷和结果都将与长期价值投资背道而驰。漫漫长夜里，长期价投更多需要的是牢牢抓住事物发展的主要矛盾，甄别干扰投资的“噪音”，分清波动与亏损，对心底所坚守的“信念”以及背后所支撑的事实与逻辑，用更新的数据进行反复校验和拷问。只有长期“颠簸不破”的信念，才能支撑我们穿过黑夜收获成果，才是芒格所称“延迟满足”的源动力，同时也保护着我们免于“屁股决定脑袋”，陷入万劫不复的亏损深渊。

比如，本月N公司的财报前后，股价就经历了大幅的波动，最大回撤高达-36%，业绩发布当日最大跌幅高达-8%。市场在担心N公司的新产品Blackwell生产受阻，在担心客户购买芯片的投资回报率不及预期，在担心竞品对公司护城河造成的冲击。我们在往期观点中多次阐述过对该等质疑的分析，而N公司在本期财报中，也用实际的经营数字和逻辑描述给出新的支持。

首先，市场担心Q3指引低于预期，我们则认为最终会达到或超过市场预期，无须过多担心。公司Q3指引（325亿）低于买方的预期（340亿），但指引的环比增速（300到325增长8.3%）却高于Q2的指引环比增速（260到280增长7.7%）。按照企业每个季度都较为保守的指引，最终Q3业绩出来大概率在340亿-360亿之间，达到甚至超过目前的市场预期数值。实际上，在B系列即将上市之际，H系列的需求非但没有减弱，反而逐季增强，从Q1到Q4实际和预期收入分别为260、300、340和400亿美金。而从Q4开始，N公司还将开启B系列的收入贡献（预计Q4为40亿美金收入），延续N公司每个季度收入的环比增长。如果按照当下指引，公司2024自然年的收入将近1300亿美金，按照指引毛利率75%，扣减税费后净利润应该在700亿上下，即EPS约为2.86美元，净利率54%，业绩是相当不错了。

其次，令人欣喜的是，N公司宣布新增分红回购授权金额500亿美元。去年二季度宣布的250亿分红回购计划，目前还剩余75亿美元的权限。而本次新增的500亿美元，相当于24年预期净利润的70%比例，相当于23年实际净利润的168%！一个当前利润增速高达282%的公司，利润分成比率依然这么高，实属难得。虽然500亿美元相当于1.67%的股息率，并不算高。

再者，新产品B系列（推理成本将大幅下降）推出在即，H系列芯片需求不降，却依然迭创新高，这是对芯片投资ROI的最好侧写。黄仁勋上季度给过Llama的例子，用以说明部署N公司芯片的投资回报率ROI数值；这次业绩会又被问到，黄仁勋没有直接给出数字，而是以逻辑阐述了客户购买GPU的“三类需求”的本质，也很好地回应了ROI的问题。

黄仁勋所述的第一类需求是客户自身业务发展的需要。大部分的客户，由于业务的扩张本就需要投算力，过去是CPU的投资，现在的GPU集群性能提升非常大，用GPU替代过去的CPU投资，效果是立竿见影的（Meta内部的ROI是2.3倍），因为“并行计算”的加速效果太明显了，这是第一性原理所决定的。这部分跟AI可能没太大关系，而是跟加速计算的效率有关，如推荐系统、数据处理系统等业务。如果业务发展的需求是当下亟须的，那么企业面临的就不是在B系列和H系列之间选择的问题，而是在CPU和GPU（当下只有Hopper芯片）之间选择的问题了。即便B系列推出了，因为业务发展的需要，在B系列产能未充分释放之前，H系列的需求也依然会得到延续。

第二类需求来自云服务器租用。对于CSP云服务厂商来讲，目前建设的算力设施一般马上会被租用，全球三大云厂商的业务增长提速很清晰地验证了这点，其回报率也是可以算得清楚的（黄仁勋之前提过，高盛本月也出过相关报告）。因此，如果芯片投资的ROI不及预期，首先反映的是各大CSP厂商的云业务增速出现明显持续的下滑，而当下反是加速上行的。

第三类需求来自生成式AI技术的竞争压力。这与一般产能投资的差别很大，一般的产能开支，服从公司内部的投资计划时间表；而当前投资GPU进行生成式AI技术开发和应用的企业（包括传统大厂、模型训练商或创业公司），无论是通过自建数据中心还是租用数据中心的形式，要么在争抢某个领域的技术应用高地，要么在某个传统业务上进行防守希望不被弯道超车，都有非常大的时间成本。这或许是个生死战略的决策，而不是ROI决策。所以，竞争的压力，迫使着这些企业在投资中，更多的是考虑GPU的投资能够产生效果，例如新模型能力的提升，新产品能否带来大量的用户基数，新技术能否替换掉大量的工位等；至于收入利润，是在技术和产品之后，要去设计的商业模式，肯定仍需时间。对于这部分的需求，时不我待，所以即便B系列推出在即，企业依然会花大价钱建设Hopper数据中心，例如T公司的FSD训练中心以及xAi的数据中心，本季度成为N公司最大的收入来源。这种竞争甚至发生在国家之间，N公司这个季度表述：“主权人工智能收入今年预计达到一两百亿美元的收入体量”；而在Q1财报中，相同的表述还只是八九十亿的预期收入，本季度又有所上调。要知道这部分收入在2023年是一无所有的。

这3大类的GPU的投资去向，背后实际上就是黄仁勋所说的两大趋势的表现：“通用计算全面转向加速计算”以及“人工设计软件全面转向生成式AI软件”，虽没有提及具体数字，但听起来也是逻辑自恰的。

我们再比如，在本月指数大幅波动的过程中，也传出了巴菲特大幅减仓美股（AP公司与银行）的消息。作为价值投资的引路人，巴菲特的减持被很多人视为美股见顶的信号，尤其人们开始引用他在2001年采访中提及的“巴菲特指标”（美股市值/美国GDP），来论证美股的风险。巴菲特在此刻大幅减持美股的理由，我们不做过多揣测，毕竟他本人并没有公开发表相应观点；但我们可以对人们反复提到的“巴菲特指标”做个分析。

巴菲特曾在2001年接受采访的时候指出，当“美股总市值/GDP”的比值在70%至80%之间时，市场通常被认为是合理估值；当该指标超过100%时，市场可能被认为是高估；而当该指标显著超过100%时，市场有可能严重高估。而这个数字在过去的二十年里不断创出新高，最新是接近200%，远远超过平均值92%以及2000年互联网泡沫高点的142%。很多人的结论是美股将迎来一次历史性的大崩盘。

这个推断未免有些武断。事实上，从2001年巴菲特提出该指标以来，美国发生了许多变化，可能让该指数变得失真：第一，美国的利率在过去20年降到了0，资本的泛滥大幅提高了市场的资本化率，甚至不少过去的一级市场项目提早地进入了二级市场，这显著提升了美股总市值。第二，如今美股市场不只是美国经济的代表，而是逐渐成了全球优秀公司上市的集中地，例如优秀的中国互联网企业基本扎堆上市美股市场，也造成了美股市值本身的膨胀。第三，美国企业在全球的营收过去二十年迅速扩大，这部分收入并没有反映在分母的GDP当中，使得该指标被夸大。尤其是当下软件与互联网主导的经济结构，网络效应和极低边际成本非常有利于美国企业全球扩张。第四，也是很重要的一点是，这个指标的分母是GDP，是收入的概念，这并未考虑到最近二十年美国企业利润率提升的情况。实际上，在过去的二三十年，标普500的企业净利率从5%整整翻了一倍至平均11%。随着利润率提升，可能会出现PS不断上行，但PE保持在合理水平的情况。

实际上，如果我们用PE来衡量整个市场的估值，纳指综合动态PE为34倍，纳指100动态PE为27倍，标普500在21倍，估值都在平均水平以上0.5倍标准差的位置，不便宜，但也并非不可以接受。具体到美股7大公司的情况亦是如此，这与2000年科技泡沫动辄百倍以上的估值截然不同。我们学习巴菲特，但不能照本宣科，所谓“学我者生，似我者死”，凡事不能刻舟求剑。

除了以上两点，在当前波动的市场中，我们真正应该关心的，也是当前人工智能技术发展的风险所在，是马上在年底即将发布的新一代的模型（GPT5或GPT草莓），究竟能否在性能实现质的飞跃。目前新模型预期有两个进化方向：经济实用的多模态以及成熟强大的推理能力。假如新模型的能力进化不能如预期所愿，那么我们所期盼的下一步AI应用生态的成长也将无从谈起，而目前不断加码的芯片资本开支竞争也会变得毫无意义，缩放定律碰壁，算法工程无果，AI的进展也将进入一个冷静期。这才是我们做长期投资所关心的主要矛盾。

其中模型的推理能力进化尤为关键。从Transformer的原理出发，AI模型经过了大批量网络数据的无监督学习，以及标注数据的人工监督学习微调后，学会了语言世界里无数概念之间的“相关性”。所以它能理解人类自然语言，能出口成章，能写代码，也记住了互联网公开数据里海量的知识，也会使用搜索引擎去更新自己。但这些能力，充其量只能被称为“聊天机器人”，规划、推理与反思的能力极差，且常常出现幻觉。例如，到目前为止，在被告知不可使用Python工具的前提下，让GPT4尝试计算两个4位数的简单乘法，结果大概率还是错误的。因为当前的模型能力更多是“知其然”，但不知其“所以然”，模型没有逐步规划、推理思考和验证反思的过程，而是记住了它所学到的各种“对应关联度”。例如人类能够快速说出10乘10等于100，但面对5245乘以8975这样的计算，我们通常要进行分解、逐位相乘和相加来得出最终结果；但大模型只会直接蹦出一个结果（大概率是错误的），而不会像人类一样进行分解运算和验算。它缺少这种能力。

就好像，大模型先从海量互联网数据中模糊地自学了大量知识，又从人类老师整理的“课件”里对这些知识进行了更加精确地梳理，但这样的学习成果最多只能是“知其然”。因为用以训练的海量数据（标注或未被标注），都只是人类所累积的思考结果，并不包括思考和决策的过程——那一般只存在于人脑当中。所以，要让AI学会“所以然”，除了“死记硬背”，还需要让模型尝试着自己去做题，自己去实践摸索，自己根据结果去一遍又一遍地修改和学会“解题过程”。让模型具备这种“规划、推理、反思”的能力，具体的做法可能是让模型在“思维链”的基础上，使用像蒙特卡洛树搜索的方式进行推理摸索，同时让另一个模型为推理步骤进行打分反馈，以学会在某种类型的任务里，学会达到正确结果或最优策略的推理过程。这在学术上被称为“自我强化学习”，当年Alphazero超越AlphaGo登顶围棋界所使用的训练方法，就是这种自我对弈、改进和提升的方法。现在我们可以期望大模型在更多泛化的任务里，也通过自我合成数据和强化学习的方式，能学会这种强大的推理能力。

强大推理能力的意义在哪？它能使模型从“聊天机器人”进化到“任务执行者”，不止会一问一答，还能完成更多复杂的任务，会使用人类所使用的各种软件工具。例如它能每个月根据发生的事件，股价的表现以及我们投资策略的思考，帮助我们综合完成一份《投资观点》；例如它可以根据甲方的设计需求，在两周内去策划完成一个多功能的软件程序；例如它可以根据所有案情搜集的证据材料，给出公安侦查的行动方案或法庭诉讼的辩护策略；例如它可以从纷繁多变的经济数据中，给出可能导致较大系统性下跌的风险提示，等等。这种“任务执行者”可以使AI的应用普及率得到更大的提升，也能让AI的商业模式从订阅，变成按任务价值计费，实现价值的巨大飞跃。值得一提的是，建立和使用AI的推理能力，将极大地提升推理任务所需的算力，这正是N公司新一代芯片Blackwell的优势所在。

总而言之，B系列芯片的问世以及下一代模型推理能力的展现，才是当下我们认为AI发展过程中的主要矛盾，我们需要紧跟此两者未来的发展。如果B卡因为技术的超强发展，始终遇到各种难以解决的技术障碍，或者新模型只是在例如数学或代码领域具备一定的推理能力，而缺乏泛化的能力，那么市场失望是其次，人工智能的发展进程可能要进入一段冷静期。

漫漫长夜，夜长则梦多。我们需要过滤掉各种恐惧所发出的噪声，摆脱来自其他板块轮动带来的诱惑，坚守在时代发展的主线脉络之上。波动与亏损的区别就在于，波动的下跌会很快回来，而亏损可能是永久的。就像《简爱》里所说的：“我们的荣耀并非在于从不跌倒，而在于每次跌倒后都能重新站起来。人生的旅途漫长而艰辛，但每一个坚韧的灵魂都在默默承受、默默奋斗。终有一天，光明会驱散黑暗，我们的努力将得到回报。”

2024年8月30日

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。