锚定合理收益预期！百亿私募鹤禧霍东杰最新分享：AI本质是生产力硅基的通胀将会是一个长周期……

  这是鹤禧投资方法论中辨识度很高的一点，也解释了为什么当市场的注意力大多还集中在GPU和算力扩张时，鹤禧慢慢的开始从系统瓶颈出发，寻找存储等供给难以快速释放的短板环节。

  随着相关产业逻辑逐步被市场定价，今年4月，在鹤禧投资主办的配置峰会上，霍东杰又将讨论延伸至更长周期的市场主线。

  在他看来，AI时代的科技投资，已经不适合简单依赖历史经验进行归纳。鹤禧更倾向于以第一性原理为起点，从技术进步、产业演化和生产力变化出发，通过演绎法进行因果推导，寻找结构性机会。

  在这次双月交流中，霍东杰顺着此前的分析脉络，进一步把讨论推向了更底层的位置。

  更重要的是，中国由人口下滑带来的资产通缩才起步，而硅基需求扩张带来的通胀周期，可能还将持续很长时间。

  在这样的背景下，他认为，一定要投资AI，也一定要投资全球。因为AI产业链的核心资产分布在全球不同市场，只局限于单一市场，很难覆盖这一轮产业变革中真正的价值创造环节。

  关于近期由Token降价引发的新一轮AI泡沫担忧，霍东杰指出，很多人们之所以看空AI，一个重要原因，是他们还没有真正持续付费使用过AI。

  与此同时，没有投资AI相关资产的人，也更加容易从看空的角度解读所有相关信息。在“AI是一场泡沫”的预设下，他们很难真正理解AI智能体的应用价值。

  在霍东杰看来，科技资产的鲜明特点是高波动。但只要AI产业逻辑没发生改变，科技资产波动向上的趋势就不会轻易结束。

  目前科学技术板块的筹码已经相对拥挤，量化资金占比较高，也可能在极端情况下引发一致性踩踏，进一步放大市场波动。

  鹤禧在七周年特别版《鹤禧投资笔记》中曾专门讨论过“基金赚钱、基金投资者不赚钱”的问题。

  很多时候，并不是产品没有创造收益，而是投入资金的人在净值高点进入，或在市场波动中离开。

  因此，相比单纯追求更亮眼的短期业绩，如何让投入资产的人理解策略的收益来源和波动特征，同样重要。

  我们将霍东杰在这次双月交流中分享的核心内容整理出来，并以第一人称的方式分享给大家。

  今天想重点阐述的第一个问题是：看空科技股的声音与日俱增，为什么科技股还能涨？

  当年殷海光教授曾经写过一本书——《逻辑新引·怎样判别是非》，我非常推荐大家去读。

  归纳法很简单。当我们遇到一万只白天鹅以后，就会归纳出“天鹅是白的”这个结论，直到有一天遇到一只黑天鹅。

  演绎法则是从事物的公理和本质出发。比如，人都是会死的，因为苏格拉底是人，所以苏格拉底也会死。

  因为归纳法的本质，很多时候能理解成相关性分析。市场上很多误导甚至诈骗，本质上都是把低相关性当成因果性。

  比如，喝保健品和长命百岁之间，有几率存在极其微弱的相关性。但有人会把它解释成明确的因果关系，说喝了某种保健品就能治疗很多疾病。

  再比如，年龄大、喝茅台、有钱，这几个变量之间有几率存在一些非常弱的相关性，相关系数有时只有0.05左右，但很多人会把它当成因果性来讲。

  实际上，从全球经验来看，股票市场并没那么强的财富效应，真正有着非常明显财富效应的，更多是房地产。

  桥水之前的一些报告做过大量推演。其中有一个很重要的结论：AI对生产率的提升，至少可能达到10倍以上。

  互联网技术的本质，是把信息交流成本无效降低。它对全要素生产率的提升，合计可能不到一倍。整个工业革命则带来了超过十倍的生产率提升。

  以某些头部AI公司为例，按照目前的发展速度，我们预估到明年年底，其年化收入可能达到3000亿美金，超过目前全球最大传统软件公司的年化收入。

  这里所说的杠杆，更多是实业建设中的杠杆。互联网革命时期，大家借了多少钱进行投资？

  目前全球每年AI项目的资本开支，大约在1万亿美元左右。七大科技巨头一年投入的资金，大致相当于其经营性现金流。

  但今年的GTC大会大幅超出预期，其中一个重要原因，是它讲清楚了Token经济学的逻辑。

  按照我们目前的跟踪，在美国投建一个AI工厂，回报率可能达到30%以上，有些工厂甚至更高。

  一个1GW的AI数据中心，大约需要500亿至520亿美元投资，但每年可能会产生300亿美元以上的Token价值。

  另外，一些私募信贷资金确实也在进入。但如果面对的是一个可以在一定程度上完成30%资产回报率的项目，那么用成本为10%的资金进行建设，并不算特别激进。

  用10%利率的资金，去建设一个回报率达到30%的资产，这本身是正常的商业行为。

  这跟互联网泡沫时期不同。当年互联网的基础设施建设完成很久以后，收入才慢慢的出现，导致整个行业主要是依靠借债扩张。

  所谓Token效率，是指完成同样一个任务，不再需要过去那么多Token。

  即使单个Token的价格有几率发生变化，但由于效率提升，实际达成目标的成本未必同步上升。

  当然，顶级AI模型从来不只是一个性价比生意，它更像是你可以直接调用世界上最顶级的大脑。

  从理论模型看，规模法则依然有效。更多的数据、更多的算力，仍然能够催生更强大的大模型。

  我们一直非常坚定地认为，今天在场的所有人，整个人生都可能伴随着AI的发展。

  原因也很简单，当你没有买入时，你在思维上天然更容易看空。看到所有AI相关新闻时，你都会从看空的角度去解读。

  大家的主要观点包括，AI公司的收入无法超过持续投入的资本开支；GPU只可以使用五六年；如此巨大的资本投入最终难以回收，等等。

  我想表达的是，如果你是一名投资者，我会建议你先买一点相关这类的产品，再去了解AI。

  否则，你很容易先入为主地认定它是泡沫，再去寻找一堆材料论证它是一场泡沫。

  从目前数据分析来看，全世界大约80%的人从来就没使用过AI产品，接近20%的人使用的是免费AI。

  绝大多数人因为各种原因，没有机会真正使用顶级AI模型，自然也很难理解AI Agent。

  我们一直在说，大家可能至少需要真正花费一笔不小的金额、调用大量Token以后，才会对AI形成比较深的感知。

  其中一个结论，进一步回应了当年我们为什么只选择某存储龙头，而没有平均配置其他存储厂商。

  除了这家公司在HBM研发上更领先，还有一个非常重要的原因：黄仁勋本人跟台积电以及中国台湾产业链之间的关系太过深厚。原则上，很多相关业务都会优先交给中国台湾产业链。

  客观而言，从目前海外链整体的价值分布角度，只有中国台湾产业链做不了的光通信环节，或者不愿意扩产的PCB，才可能留给大陆企业。

  从多个维度看，这家公司的HBM芯片，部分逻辑功能由台积电完成先进制程和封装配套。

  某些代际产品因为参数问题需要重新流片，消耗三个季度以上时间。但即便如此，我们当时仍然判断，这家公司在台积电生态的HBM供应中，依然有能力占据过半份额。

  新技术是层出不穷的，因为AI不断追求性能极限，所有硬件都要被推向物理极限。

  在这个过程中，存储芯片可能逐渐演变为，存储部分由存储厂商自己完成，逻辑部分则更多交给台积电，因为台积电在逻辑芯片代工方面最强。

  但国内很多电源公司普遍存在一个问题：它们并没有真正拿到海外的先进订单。从财务数据上看，也没有看到合同负债显著增长。

  其中一个很重要的原因，是国内公司有时拿到的参数本身就不完整，甚至存在偏差，因此无法参与最先进产品的配套。

  近期我们在美国调研，则更多研究模型自己驱动研发、递归式改进的进展。OpenAI等公司进行了大量并购，其中包括数据类公司。

  我们需要进一步判断，从AI走向行业应用的过程中，到底需要哪些软件公司发挥作用。包括SaaS厂商的进展，也是我们非常关注的方向。

  AI几乎以工业革命十倍以上的速度发展。大模型的参数量，基本上每年都可能以很快的速度增长。

  它的整个发展节奏，与工业革命完全不同。按照体量扩张来理解，AI可能用四年完成工业革命需要四十年才能完成的变化。

  AI并不是简单比较谁更便宜。一般模型出来以后，真正需要高性能的人，仍然会选择最先进的模型。

  我觉得这很正常。如果你从事的工作本身价值量很低，或者公司持续亏损、经营压力很大，你当然不可能花100万美元调用最顶尖的AI模型来做事。

  AI目前最主要的用户，是顶尖互联网大厂、顶尖金融公司以及一批高价值机构，而不是普通大众。

  前面讲过，绝大多数人没用过AI产品；即使使用过，其中绝大多数人用的也是免费版本。

  未来AI还会促进接管物理世界，包括人形机器人等方向，AI进入物理世界几乎慢慢的变成了必然。

  简单来说，每个人完成基因测序以后，都可能形成自己的模拟细胞。药物可以先在模拟细胞上测试，看它对某一个具体个体是否有效。

  过去，一种药物面对1000名试验者，可能只有50个人有效。我们很难判断这种药到底有没有用，通常可能会认为它整体无效。

  但实际上，这50个人里可能有部分特定人群，药物对他们很有效。一旦模拟细胞实现突破，生物医药可能会创造一个比现有编程更大的市场。从我们不难发现到的产业进展看，AI对生物医药研发多方面突破在即。

  市场上很多人讨论AI降价、Token价格下降，本质上是因为他们先有了看空结论，之后再去寻找看空材料。

  我们每天愿意在AI和研究上花费很高成本，是因为我们所从事的工作能够创造足够大的价值。

  科技投资本身也是一项重成本的工作。我们频繁进行海外调研，使用大量数据库和研究工具，整体投入非常高。

  科技产业变化太快，很多结论不能形成以后就长期不变。只有高频跟踪，才有机会及时有效地发现技术路线、供需关系和竞争格局的变化。

  我们认为，量化策略在现阶段A股市场有很大的优势，但不应该把这种阶段性优势简单线性外推。

  这里需要提防一个问题：量化交易占比过高，如果出现一致性踩踏，可能会引发比较大的市场波动。

  只是我们要对每一种策略有相对客观的认识，并在更合适的时间点选择对应策略。

  但从历史数据看，美债收益率上涨和美股下跌之间，并没有很稳定的相关关系，历史上只在少数阶段出现过明显对应。

  如果大家都喜欢研究相关性，A股倒是有一个较为重要的现象：A股几乎每一次大行情的拐点，往往都对应着史诗级IPO。

  比如，某芯片企业的上市，基本对应了当时那一轮半导体行情的结束。历史上还有很多类似情况。

  去年7月，我讲过一个判断：在重要企业完成长期资金市场目标之前，A股行情不会轻易结束。

  即使市场下跌，也有一定可能会有国家队资金护盘。A股是一个强政策市场，存在规模庞大的国家队资金，这一点与别的市场不同。

  我真正想说的是：只要AI产业逻辑没改变，科技资产最终可能仍然是一个波动向上的过程。

  我们在上一次交流中，用比较严格的数学推导讲过一个问题：当模型准确率明显提升时，它对产业价值的影响是非线性的。

  比如，模型准确率从80%提升到84%，它的使用价值并不是简单提升4个百分点，而是会有非常大幅度的提升。

  当AI Agent服务时长从8个小时提高到24个小时，它所带来的帮助也会明显地增加，可能从简单处理工作进入科学研究的范畴。

  当你从演绎法角度，去关注生产力提升、杠杆使用和产业高质量发展阶段，就会发现，AI现在仍然处于比较早期的阶段。

  过去买龙头躺赢，或者炒小、炒差、炒弹性的逻辑，都可能逐渐失效。如果基于归纳法做A股投资，很多结论可能都会出错。

  过去大家说，一个板块机构配置达到20%以上，就会见顶。但过去几个季度，机构对电子板块的配置一直在20%左右，甚至某些时候配置达到20%反而对应阶段底部，而不是顶部。

  包括一个板块跌了几年以后就不会再跌，涨了几年以后就不会再涨，这些都是归纳结论。

  它们反映的是过去三十多年A股以博弈投资为主导的特征。大家炒的是一个板块筹码出清以后，基本面出现边际改善。

  除了信息不对称和研究难度，投资者本身还有三种非常典型的心理：损失厌恶、及时满足、从众避险。

  面对食物时，能够多吃就尽量多吃。因为多吃一点，通常不会产生致命后果；但少吃一点，可能下一顿就没有食物，甚至因此死亡。

  所以，人类在进化过程中形成了强烈的及时满足倾向。即使已经七分饱，很多人仍然会继续吃。

  这种心理进入投资以后，就会产生非常明显问题。一旦赚钱，就想马上止盈；一旦亏损，就一直拿着，甚至不断加仓。

  损失厌恶、及时满足和从众避险，在人类进化史上曾经帮助人类生存。但在投资中，它们会极大限制理性决策。

  毕竟，市场已经历了一轮上涨。虽然这一轮上涨更多来自业绩预期上升，而不是估值大幅扩张，但必须承认，短期筹码已经处于比较拥挤的状态。

  我们一直认为，中期维度上的经济问题，更多是人口结构问题。中国已确定进入快速老龄化社会。

  如果看日本，日本上市公司的海外收入占比大约达到40%，但这依然没有阻止日本过去三十年的经济下滑。

  而日本的人口下降速度，其实比中国慢很多。日本是在经济触底大约十年以后，出生人口才逐步从150万下降到目前的70多万。

  中国在1990年前后，出生人口大约在2500万左右，2021年前后仍有约1600万，但未来还可能继续下降。

  我们预计，从2034年开始，中国可能进入老年人口占比达到30%的社会状态。

  这会对大量经济活动产生非常深远的影响。本质上，这是一个非常长周期的通缩过程，

  有人会说，机器人能替代劳动力。但这并不是同一个问题，我们本质上讨论的是资产通缩的问题。

  所以，一定要投AI。因为碳基的通缩才起步，而硅基的通胀，则是一个长周期的过程。

  中国大陆公司在AI产业链中，主要获得了部分光通信和PCB订单。其他大量公司，本质上仍然是二级供应商。

  二级供应商是制造业逻辑，也是偏通缩的逻辑。今年卖10元，明年竞争者做出来以后可能卖5元，后年卖2元，再往后甚至有可能开始亏损。

  全球AI产业链的核心分工大致是：美国负责很多最尖端的模型、芯片和软件；中国台湾地区负责先进制造和大量关键供应链；韩国负责存储；日本负责材料。

  长期来看，一个人投资收益的90%，可能来自资产配置而不是选股，甚至很多人的投资选股收益最终可能是负的。