交大高金的赛马量化AI夏令营的小伙伴, 总结了之前我分享的AI和大类资产配置的大致逻辑, 供大家参考…

一、硬件存储与高带宽内存：产业确定性 ≠ 盈利可持续性

AI发展离不开算力和存储, 但当市场把未来数年的高增长线性外推时, 风险也开始积累. 一方面, 上游硬件企业与下游云厂商之间始终存在利润分配和议价博弈;另一方面, 当前需求建立在既有技术架构之上, 一旦模型架构或计算路径发生变化, 今天看似不可替代的环节, 未来也可能被重新定价. 因此, 产业确定性并不自动等于盈利增速的可持续性, 低估值指标有时反而可能掩盖周期高点.
由此, 提出一个贯穿全场的重要命题：对技术产业保持乐观, 与对具体公司估值保持谨慎, 可以同时成立.  投资AI不能只关注“哪里短缺”, 还要观察算法如何创造物理需求、上下游如何分配利润, 以及资本开支的回报能否兑现. 云厂商、通用算力、专用芯片、模型能力与硬件供应链之间存在持续轮动, 市场定价也会在不同环节之间反复切换. 理解这种轮动, 比在单一方向上机械追逐更重要.

二、索罗悖论: AI 投资多久才能体现为生产率？

为了回答“AI投资究竟多久才能体现为生产率”这一问题, 嘉宾重新回顾了著名的索罗悖论. 个人电脑在美国普及后的早期, 算力资本快速增加, 却没有立刻反映在劳动生产率统计中;直到企业组织、软件应用与工作流程完成调整, 信息技术的溢出效应才充分显现. 今天关于AI资本开支回报的许多质疑, 与四十年前人们对个人电脑的疑问高度相似. 真正的问题并非技术是否有用, 而是从资本积累到生产率提升需要多长时间.
与PC互联网时代相比, AI的扩散速度可能更快. 过去, 人必须学习打字、软件和机器操作逻辑; 如今, 大语言模型开始使用人的语言来理解需求, 是“机器适应人”, 大幅降低了使用门槛. AI还在适应企业组织, 许多员工甚至在组织尚未全面改造之前, 就已经把模型嵌入日常工作. 由此, AI算力投入不仅增加资本存量, 也可能增加有效劳动力供给, 人的认知与模型协作效率第一次成为生产率函数中的重要变量.

三、生产率提升并非自动发生

不过, 生产率提升并非自动发生. 嘉宾用一个简洁框架概括其传导:算力增长能否转化为生产率, 既取决于摩尔定律, 也取决于人、企业组织与AI的协作效率, 同时还受到模型幻觉和可靠性的制约. 不同经济体的优势与短板并不相同:有的模型能力强但使用成本高, 有的使用成本低却仍需解决可信度问题. 只有当推理、判断、数据真实性和组织流程真正衔接, AI才会从“改变工作方式”进一步走向“提高单位时间产出”.

四、资本开支、产业政策与就业

大型科技公司投入巨额自由现金流, 在承担财务风险的同时, 也构筑了极高的资本壁垒. 与车库创业主导的PC互联网时代相比, AI竞争更加重资产. AI带来的失业担忧也需要放在人口结构中审视: 技术替代可能造成岗位与技能错配,但如果资本开支无法创造足够回报, 它也不可能同时大规模替代劳动. 两个悲观叙事不能无条件同时成立.

五、宏观框架: 技术如何改变资产配置逻辑

从更大的宏观框架看, 技术正在改变关税、再工业化与货币政策之间的关系. 当一个经济体希望扩大本土供给, 却面临较高的土地、工资和生产要素成本, 提高劳动生产率就成为关键路径. 企业资本开支随之成为观察经济的重要指标, 信用政策也可能更加注重资金流向和产出效率, 而不只是传统的总需求管理. 对于资产配置而言, 这意味着不能只盯消费、就业和利率, 还要同步跟踪企业投资、科技估值、信用扩张与产业供给.

六、结语: 产业知识与宏观分析的结合

本期课程留下的, 不是一组短期买卖结论, 而是一种更安全的研究方式: 把产业知识与宏观分析结合起来. 只懂产业, 容易把局部繁荣当成永久趋势;只看宏观, 又可能低估新技术对经济结构的重塑. 成熟的配置决策, 需要在技术方向、盈利质量、估值位置与市场拥挤度之间不断校准. 对长期创新保持信心, 也对价格和风险保持敬畏.