俗话说，最美好的爱情，是看清彼此的瑕疵后，仍愿携手同行。
同样的道理，芒格也常说：“只有当我比周围所有人都更能反驳自己的观点时，才有资格坚持自己的看法。”
价值投资最艰难的挑战，就是永远要在“承受波动”与“规避亏损”之间做出判断。这既要求投资者对长期判断有足够的定力，不为市场的噪音和情绪所干扰；也要求投资者能随时正视现实，在出现反面证据或重大风险时，果断调整自己的判断。为应对这一挑战，比起熟悉投资组合的优势，我们更需要深入了解可能面临的风险。任何长期投资都不可能完美无缺，只有真正认清并接受这些风险，才能真正与时代和伟大的企业并肩同行。
例如前些天，我们分享了对“算力芯片周期性”的思考，引发了一些市场人士误解为我们看空算力芯片。在为AI高速发展不断感到兴奋的同时，我们也一直需要冷静地分析和观察其中存在的诸多风险。其中一些风险是可接受的，一些风险需要密切观察，还有一些风险则需要主动规避或对冲。投资的世界不是非黑即白，任何企业不可能完美无瑕。我们本期就试着列举在AI领域里，正在关注的3个风险点：
1.AI商业模式的障碍
每一项技术应用的落地，除了依赖于技术能力的提升，以及使用成本的下降，还有一个重要的前提条件——必须拥有合适的商业模式。AI技术也是如此。
以互联网技术为例，过去20年间，在各行业的企业端用户中，逐渐普及了一种新的商业模式——云服务订阅模式：企业用户使用互联网服务，按使用者座席数量，或资源使用量进行付费。该商业模式下，孕育出了世界最大的企业软件与云计算公司，年收入高达2500亿美元。而在消费者市场中，也诞生了两种最常见的商业模式——广告与Freemium模式：企业通常通过提供免费服务吸引用户，再依靠广告收入或增值服务盈利。无论是电商、短视频、游戏，还是新闻媒体，基本遵循这一商业逻辑。正是订阅与广告等商业模式的成熟，才推动了互联网技术在过去20年的快速普及和广泛应用。
当下的AI技术，无论是无所不知的聊天机器人，还是能力逐渐完备的任务机器人，在应用普及的过程中，同样也在探索着适合技术发展的商业模式。
目前，B端商业模式的演进较为顺畅。例如，软件公司在提供AI功能时，通常将其作为高级版的增值服务，订阅费用相较基础版溢价30%至100%不等。再比如，云计算厂商逐步发展出MaaS（Model-as-a-Service）模式，B端用户可通过云端API调用各类AI能力，并按照消耗的token数量进行计费。GPT-4omini每生成百万token的费用为4.4美元，而Deepseek则为16人民币。再比如，当AIAgent应用于具体岗位时，B端用户通常会按任务完成量付费。CRM推出的智能客服机器人采用按对话次数计费的模式，每次收费2美元，这比人类接线员便宜了一半。总之，B端用户的付费意愿强，只要产品能够切实提升效率、降低成本，并带来可量化的ROI（投资回报率），通常愿意为其买单，商业模式较为合理。
而C端AI商业模式的演进则面临更大挑战：如何实现免费用户的货币化成为核心难题。目前，大多数C端AI应用仍采用“Freemium”模式，即提供免费基础功能，吸引用户为高级能力付费。例如，GPT的Plus会员月费20美元，Pro会员月费200美元，近期更传言将推出Agent版本，月费最高2万美元。然而，消费者的付费意愿远低于B端商户。截至今年2月，ChatGPT的付费用户仅1500万，而全球免费用户则高达5亿人，数量庞大。
相较于互联网时代，C端AI产品的免费用户，为其商业模式带来了更大的挑战。
首先，免费用户的边际服务成本更高。在传统互联网时代，免费用户的服务边际成本通常较低，主要涉及已有静态数据的检索、展示和简单CPU计算；而在AI时代，每个用户的交互都需要实时生成一遍数据，每次推理都依赖高性能GPU计算资源，导致边际成本飙升。
其次，AI产品难以适配“广告”模式。互联网平台主要依赖广告变现，因为视频、新闻、购物、社交、搜索等信息类产品，与广告内容兼容性强，推荐系统也能无缝整合广告。而AI产品则以精准执行任务为核心，广告插入既影响体验，又难以有效变现，传统的免费用户变现路径难以复制。
再者，互联网平台企业皆面临“创新者窘境”，AI产品推广进退两难。目前，具备最强AI能力、最大用户基数、最高资本支出的企业，大多是以广告为主要收入来源的互联网平台。大规模推广免费AI产品，不仅带来高昂的边际成本，更关键的是可能冲击其原有的广告业务。AI产品在分流用户流量的同时，未必能贡献足够的新增收入，这使得许多平台对AI产品的推广持谨慎态度。例如，尽管Google拥有超过20亿用户，但对Gemini的推广十分保守，当前月活跃用户仅数千万。同样，AI应用方向中，拥有最高使用时长的“角色聊天”功能，于2023年上线了最大社交平台Meta，至今仍默默无闻。两者皆因平台担心AI产品的推广会吸走老产品流量，而又无法通过广告进行变现，进退两难。
综上所述，如何解决“免费用户难题”，是当前AI技术在C端快速普及的重要障碍，需要从商业模式上进行创新，似乎中区在此方面要更有经验。
2.模型算法架构的缺陷
当前，大模型展现出了惊人的语言处理能力，在知识问答等方面接近甚至部分超越人类。但它基于统计概率的模型架构，在某些智能上与人类仍有不少差别，也成了AI技术应用普及的障碍。
例如，大模型的学习效率极低。一名人类孩童但凡见过几次牛，都能识别得出；而大模型则需要经过上千幅图的训练，方可准确掌握。大模型本质上仍是统计模型，相比之下，人脑的工作机制则更加复杂。这种低效学习，使到很多领域因缺乏足够数据，智能难以泛化。
例如，大模型缺乏创造力。Openai将模型的第四阶段定义为“创新者”，而目前的大模型只是在重现过去的数据模式。人类的许多活动，例如当科学家提出弦理论时，并没有物理世界中的明确证据支持，而是通过数学推演构思出来的假设。LLM模型目前做不到这种构思，限制了许多领域的应用，例如科学探索和产品设计等。
例如，大模型无法持续学习，推训一体。LLM依赖离线训练，需通过反向传播和梯度更新调整参数，而推理阶段无法改变模型权重。因此，机器智能无法像人类一样，在日常应用中灵活地持续学习，应对无限多样的现实任务，而是需由厂商定期收集数据进行再训练。这也限制了AI在垂直产业里的泛化推广。
例如，大模型没有自我意识。这是人类与AI最大的差别。大模型缺乏“具身体验”，没有生活经历、人际交往以及情感机制，因而无法形成自我意识。没有自我意识，就缺乏自主动机，无法赋予万物意义，无法产生共情或进行价值判断，而这些恰是驱动人类行为的核心要素，关系到如艺术家的创作、心理咨询的共情、道德困境下的决策、优秀领导者的激励、育儿与家庭陪伴等任务的执行。
总而言之，语言模型可以在很多领域辅助人类、提高效率，但我们也应认识到它们的局限：它们不是真正的“数字人脑”，无法完全取代人类的创造性思维、情感交流和基于常识的判断力。若要进一步提升AI智能，可能需要在具身性、持续学习和情感认知等方面取得突破。这可能需要在算法，甚至底层模型架构（Transformer级别）上进行创新，而这方面似乎美区要更加擅长。
3.算力芯片的短期波动性
顺着模型“能力提升”以及“降本平权”的时代脉络，AI技术应用在逐步铺开，我们相信AI推理所需要的算力总需求（所消耗的token总数），也会呈指数级上升。但即便如此，AI算力芯片依旧具有短期的“周期性”。
这是由算力芯片属于“资本品”，而非“消费品”的属性决定的。如果一个公司的产品是重复消费的“快速消耗品”，需求量会相对稳定，像食品饮料、在线游戏、煤炭。但如果一个公司的产品，是“资本品”或“耐用消费品”，因为可复用，下游需求量通常会呈现波动性。所以，当杰文斯悖论应用在算力芯片上时，模型成本下降，算力效率提升，确实会带来AI场景的扩展，算力总需求（所消耗的token总数）也会因此大幅提升。但不一样的是，煤炭是一次性消耗资源，当煤炭使用效率提升时，煤炭使用场景的扩展，煤炭年消耗总量反而上升；而算力芯片是可重复使用的资源，即便算力总需求（所消耗的token总数）大幅上升，但产生算力的AI芯片需求量（每秒产生token数的能力），不一定会跟着大幅上升，仍可能会呈现一定的波动性。
我们在杰文斯悖论对算力需求影响上的重新阐述，引出了AI算力芯片的周期性问题，但这并不等同于“算力芯片的需求量将见顶下行”的周期性判断。我们看到，算力芯片龙头公司N公司，本月给出了非常强劲的业绩和展望，即便公司处于产品换代期（通常企业的产品换代期，旧产品无人问津，新产品产能未满，业绩会大幅波动，以电动车龙头T公司为例）。最新的Blackwell芯片产能爬坡顺利，CEO认为，相较预训练阶段，模型后训练阶段的芯片需求量提升了10倍，而模型推理阶段的芯片需求量更是提升了100倍，产品仍供不应求。
然而另一方面，本月发布的两大模型——GPT4.5与Grok3，都显示了预训练阶段“大力出奇迹”——不断增加算力以提升智能的路线，暂时遇上了瓶颈。
在开源模型的Deepseek的竞争压力下，Openai不得不把过去一年预训练收效甚微的作品——GPT4.5提前发布出来。据传GPT4.5使用的算力是GPT4的十倍，参数量更是超过十万亿。这导致其使用成本飙升，每百万token成本比GPT4o高出15-30倍，但能力提升却并不显著。同一时间，Xai发布了十万卡集群所训练出的Grok3，虽然在1年时间内快速追平了GPT4o，但其性能同样未实现明显超越。
基础大模型在统一多模态和逻辑直觉能力上仍有巨大提升空间。但是如何凿开这一瓶颈，靠算法、算力还是数据？OpenAI与Xai目前的策略明显倾向于继续扩大算力规模。微软为Openai在凤凰城准备了超过十万卡的Blackwell数据中心，预计3月份投入使用，并在5月份正式上线。OpenAI希望借助这个规模化的算力资源，将多模态与逻辑能力进一步整合进新的预训练模型——GPT5。Xai也对外宣称，为建设百万集群的数据中心做准备，继续通过增加算力提升AI智能。
而本月微软却表达了不同的意见，与OpenAI之间的合作关系出现裂痕，微软退出了OpenAI主导的5000亿规模项目Stargate的投资，软银则趁势入局。微软CEO萨提亚在财报和随后的采访中明确表达了不满，认为OpenAI过于追求抽象的“通用人工智能（AGI）”概念，而忽视了技术所带来的实际收入增长。他指出，微软已提前布局了充足的资源供给，目前需要等待推理需求的落地，在实现供需平衡后再继续增加投资力度。
关于AI算力芯片的短期需求，不同公司给出了不同的观点。但从长期来看，AI算力消耗的需求还有很长的成长期，人均拥有算力可能有百万倍增长潜力。虽然AI算力芯片的需求可能在某个季度，出现短期周期性波动，但这并不影响长期投资。何况本轮AI基建浪潮，相对于18年加密货币和2000年科网泡沫来说，AI算力芯片企业的估值相对要低。
以上对AI行业的思考，举例了我们在投资中风险分析的过程，但此三者都属于可接受或需观察的风险。除此以外，本月我们还在观察和思考的另一个风险点——“国际地缘秩序重构”所带来的系统性风险的可能性。
我们的风险叙事在于，美区共和党在国内施行的政策，对经商环境的改善和吸引外来投资都十分友好；但其在俄乌战争上的极端利己行径，掀翻了整个亚欧大陆维持了70年的牌桌，导致国际地缘秩序的大面积重构。美区的战略收缩，使得原有盟友人人自危，甚至可能出现以邻为壑，恃强凌弱，或爆发局部战争的混乱局面，给经商和投资环境带来沉重的打击，有引发国际系统性风险可能性。
对于该风险，我们最终倾向于认为此时发生系统性风险的概率并不大。国际地缘秩序重构，不等于国际地缘政治混乱，甚至于俄乌和以巴冲突会在短期内终结。与此同时，今年与2022年相比有几点不同：第一，2022年是加息周期，2025年有可能是降息周期，目前主要担心是贸易战导致通胀降不下来影响降息；第二，2022年是俄乌战争开启之年，2025年在特朗普的干预下，不排除战争结束，这对股市很可能会是最大的利好，世界大战的不确定性消除；第三，特朗普国内外政策的多变；第四，2022年是担心经济衰退，2025年也担心经济衰退，但有AI革命在如火如荼地进行。第五，2025年美国政府开源节流，大刀阔斧地在进行变革，同时放松管制、降低企业所得税，从21%降低到15%等等。其中最重要，我们觉得，还是2025年人工智能在飞跃中发展。这是最大的不同点，这是主因，其他都是次因！
投资就是这样一个看似矛盾的过程，需要坚定地持有自己的观点和所投资的企业，但与此同时每天都必须去深究可能出错的地方。就像芒格所言：“我只想知道自己会死在哪里，这样我就永远不会去那个地方。”是的，毕竟长期投资，首先需要活得足够长。
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。