--- area: "finance-wealth" category: finance companies_orgs: - NVIDIA - Shopify - Salesforce - ServiceNow - Goldman Sachs - Palantir - Duolingo - OpenAI - Tesla - Meta - Netflix - 美投Pro date: '2025-09-01' draft: true guest: '' insight: '' layout: post.njk products_models: - GPT-5 - Gemini - Claude project: [] series: '' source: https://www.youtube.com/watch?v=Ml0p4IXbmLo speaker: 美投讲美股 status: evergreen summary: 本文深入探讨了AI投资从早期基础设施建设到降本增效，再到创造全新收入的演进路径。通过剖析AI大模型（如Transformer架构）的底层技术原理及其固有限制，文章强调了垂直领域AI应用不可替代的长期价值。同时，提出了识别真正具有投资潜力的AI应用的三个核心标准：行业专家壁垒、数据飞轮效应和规模优势，并结合Palantir和Tesla等案例进行了具体分析，为投资者提供了前瞻性的选股逻辑。 tags: - ai-investment - model - stock - strategy - vertical-ai-application title: AI投资新范式：揭秘垂直领域AI应用的长期价值与选股策略 --- ### 引言：AI投资的现状与新趋势 美股并非华尔街的专利，大家好，我是美投君，你们的美股探路者。AI投资无疑是过去这两年资本市场上最热门的一个主题，但不得不说，现在市场上真正受益于AI的投资机会是少之又少，只有像**英伟达**（NVIDIA: 全球领先的图形处理器和人工智能计算公司）这样零星几家公司才真正迎来了股价的爆发。不过，这种情况恐怕即将要发生改变了。在最新发布的财报中，我们看到了全新的AI趋势。传统的AI降本增效似乎已经走到了尽头，而一个全新的AI赛道正在加速到来，预示着AI领域又一个爆发性投资机会的出现。 由于工作原因，美投君每天需要查阅大量的公司财报和投行报告。这次财报季之后，我发现这个AI趋势可以说是行业内最吸引人的变化。但我发现我们很多散户投资者并没有注意到这一点。因此，在今天的视频中，美投君将为大家揭示这个AI投资机会的秘密。 ### AI发展的阶段性回顾：从基础设施到降本增效 如果想了解最新的AI投资机会，我们必须快速回顾一下AI在美股行业的发展。在2020年代初，随着AI大模型的兴起，对**算力**（Computing Power: 指计算机系统处理数据和执行计算任务的能力）的需求迅速增长。最先进入投资者视野的是像英伟达这样的基础设施层AI公司。在两年内，该公司的股价几乎翻了十倍，我相信大家对此都有所耳闻。 但AI接下来的发展，我认为许多新投资者并不清楚。在基础设施公司爆发之后，AI在投资者手中走错了方向。表面上，几乎所有的软件公司都在宣传他们的AI应用，投资者也对此趋之若鹜。然而，人们在财报季后才意识到，AI在实际企业运营中的效果，很多时候只是一个噱头。因此，在股价上涨之后，所有软件公司都遭遇了回落。 然而，在2024年下半年，情况再次发生了逆转。像**Shopify**、**Salesforce**和**ServiceNow**等各类软件公司突然爆发，原因正是AI带来了意想不到的变化——**降本增效**。这些软件公司很难说它们是AI公司，它们并没有任何类似的AI功能。但正是因为它们在内部应用了AI，成功削减了大量成本，提高了公司的运营效率，最终带来了实实在在的业绩提升。 ### AI降本增效的局限性与新增长点 接着，AI降本增效如星火燎原之势蔓延到了整个美股行业。直到现在，它依然是当前AI应用领域最具确定性的一个大趋势。原因很简单，因为AI降本增效还有着大量的盈利空间没有释放。根据**高盛**（Goldman Sachs: 全球领先的投资银行和金融服务公司）的预测，到2030年，财富500强企业通过AI自动化预计还能再节省高达9350亿美元的成本。 如果你现在投资美股AI，就必须理解这个趋势。尽管AI降本增效有很好的增长空间，但它毕竟有其上限。成本可以降低，但不可能一直降低。此外，随着越来越多的公司投入AI，降本的边际效应会越来越小。所以，如果AI只能带来降本增效的增长，那么AI带来的所谓股价增长注定是不可持续的。如果公司无法找到新的增长点，股价迟早会经历调整。一个典型的例子就是前面提到的Salesforce。作为最早应用AI降本增效的公司，其股价在2024年表现极佳。但很快，随着降本效果逐渐释放，而进一步的AI Agent业务却迟迟看不到提升，于是今年公司的股价便开始掉头向下。当然，这里肯定有别的原因共同作用，但对AI的期待落空无疑是最重要的一个因素。 既然AI降本增效不可持续，难道AI这波投资浪潮就注定是昙花一现吗？当然不是。事实上，AI真正的投资机会，我认为现在还没有正式降临。一旦降临，那就是足以改变投资者命运的一个颠覆性机会。AI是一个颠覆性的生产力革命，它真正的价值压根就不在于降本，而是在于创造全新的收入。 高盛的总结很好地描述了这一点：深蓝色部分代表AI降本的规模，而浅蓝色部分代表AI带来的收入增长规模。你可以看到，AI未来的真正价值，或者说持续增长的价值，在于公司收入的增长。在这个阶段，公司不再是优化现有流程，而是应用AI去挖掘新业务、开拓新市场。这才是具有长期投资价值的机会，也是足以改变投资者命运的机会。而这，正是我们今天要和大家分享的重点。因为这个财报季，我们首次看到了这种趋势的苗头。 AI数据分析公司**Palantir**本季度给出了48%的超高增长率，远超管理层设定的29%目标。这正是因为AI降低了用户使用门槛，提升了数据分析效果，从而扩大了其营收规模。外语培训公司**Duolingo**本季度利润增长了41%，日活收入增长了40%。原因在于AI带来了产品体验的提升，吸引了更多用户。Shopify过去内部使用AI降本，现在则利用AI为商家提供增收服务，改善客户购物体验，也带来了更高的收入增长。所有这些都在告诉我们，AI带来收入增长的时代正在到来。 ### AI大模型底层技术原理与局限性 另一方面，大家对AI应用的好奇心从未像今天这样高涨。尤其是在**OpenAI** **GPT-5**的访谈之后，很多人认为AI大模型可以做任何事情，任何应用领域都可以被取代。如果无脑地去押注垂直应用，注定会一无所有。所以我们看到很多软件公司在大涨之后，近几周股价一直在下跌。 对于我们投资者来说，应该如何抓住AI应用的机会呢？在我看来，无论是乐观还是悲观，都有其道理，只是投资表现不同而已。一方面，AI应用注定会带来颠覆性的投资机会，抓住它们的人也注定会改变命运。但另一方面，AI发展初期具有高度不确定性。就像30年前的互联网革命，那些早期发布的公司，如**美国在线**等，最终未能坚持下来。而真正颠覆性的机会，如**Meta**和**Netflix**，当时甚至都还不存在。AI现在的情况也恰恰相反，市场上并没有真正确定性的AI投资机会。这是由AI的发展阶段决定的，与我们的判断无关。此时入场，注定要承担巨大的风险。那我们该怎么办？难道要等到很多年以后，AI应用真正成熟了再投资吗？ 当然不是。虽然现在AI应用层的机会还没有正式爆发，但正因为没有爆发，才是我们投资者提前准备的最佳时机。最关键的问题就是，我们如何才能提前押注AI爆发机会呢？接下来，美投君来给大家分享一套我个人的AI选股逻辑。 我个人投资时有这样一个习惯：当我遇到特别不确定的事情时，我会从**第一性原理**（First Principles: 指从最基本的、不可再简化的事实出发进行思考和推理）出发，找到最根本和不变的本质。例如，在股票投资中，像股价、业绩这些都只是表面，事实上最根本的往往是人、技术和资金。AI也是如此。哪些领域即将爆发，哪些风险即将到来，这些都只是一些表象。那最根本的是什么呢？我认为是AI大模型的技术原理。 AI之所以能在这一轮爆发，本质上源于AI模型技术的突破。让我们来了解一下AI模型的底层技术逻辑是什么，看看有哪些不可逾越的技术限制，以及重要的发展趋势。在我看来，这些底层技术逻辑是决定未来AI商业应用的关键。我们也能从中看出哪些应用领域会有真正的机会。 谈到大模型技术，全世界能真正理解的只有两万多人。美投君肯定是门外汉，但我很幸运能与这两万人中的一位成为好友，他也是我们美投团队的一员。今天我就从金融人的角度，把我自己理解的AI技术原理讲给大家听。这部分内容可能有些枯燥，我会尽量讲得简单一些。 现在，世界上几乎所有的大模型，比如**GPT**、**Gemini**，都采用了**Transformer架构**（Transformer Architecture: 一种用于处理序列数据的深度学习模型，是当前大型语言模型的基础）。Transformer模型的原理非常复杂，我们可以简单地将其分为四个主要部分。 第一是输入。例如，你向GPT提问。接下来是第二部分，大模型会将你的输入拆解成一个个**词语**（Words: 语言的基本组成单位）。在AI的大脑中，这些词语会开始相互理解，并进行深度思考，挖掘它们深层的含义。你可以把整个过程想象成一个词语团队正在经历一场头脑风暴。它的最终目的是让AI理解你在这次输入中想要表达什么。这个过程是整个AI模型中最智能的部分。 理解了你的意思之后，它就会开始组织答案。但它的方式有点特殊，它不会一下子想出整个句子，而是会预测你最有可能看到的第一个词是什么。此时，它脑海中并不是一个确定的词，而是一个概率表。例如，它可能认为第一个词是“是”的概率有50%，是“否”的概率有40%。 最后一部分是输出答案。AI面对这么多概率，又是如何做出选择的呢？这里它需要一个非常简单的线性规则。这个规则与智能无关。例如，如果我设定一个规则，我总是输出概率最高的词，那么第一个词就会输出“是”。然后，模型会将“是”这个词重新扔回非线性模型中，结合其中的词语再次思考，预测第二个词。当第二个词出来后，再将第一个和第二个词扔回非线性模型中，如此循环往复，直到得出最终答案。所以你会看到，当大模型给你答案时，它是一个词一个词地吐出来的，这并非巧合，而是它的工作方式。 我为什么要花这么多时间讲Transformer模型的原理呢？事实上，正是因为它存在许多注定无法逾越的局限性。而这些局限性是找到商业机会的关键，也将成为我们未来投资的挑战。因此，我们投资者非常有必要了解。 第一个局限性是，大模型的能力有明确的上限，不可能无限提升。你会发现，它每次预测时，都会将预测出的词语和所有词语放在一起重新计算。所以，随着文本长度的增加，计算量并非线性增长，而是平方级增长。例如，从1000个词到10000个词，计算需求不是增加10倍，而是100倍。这意味着，如果你想让模型记住更长的**上下文**（Context: 语言环境中与特定信息相关的背景信息），处理更复杂的任务，成本将急剧增加，效率也会越来越低。此外，受限于存储和带宽，这很快就会遇到瓶颈。事实上，大模型通用性能的提升已经度过了最艰难的阶段，进入了一个效益会变得越来越有限、也很容易被后来者赶上的阶段。唯一的出路就是走差异化路线。 所以我们看到，现在所有的大模型都有自己独特的能力。像**Gemini**具备多模态能力，**Claude**擅长代码编写，而GPT则在医疗、法律等高级行业领域表现出色。 第二个注定无法避免的限制是，大模型存在**知识泛化**（Knowledge Generalization: 指模型将从特定领域学到的知识应用于其他相关领域的能力）的趋势。虽然大模型的数据训练量惊人，但其数据非常分散。它的数据并非整个互联网，而只占据了与某个专业相关的真实部分的一小部分。这并非说比例小就一定理解不深，而是即使理解得深，也会被其他领域的知识所稀释。例如，在回答医学问题时，它很容易受到医学领域之外的非专业数据干扰。这种稀释效应注定会发生，而且甚至无法从根本上解决。这意味着，当使用大模型解决专业领域的复杂问题时，它注定会变得**华而不实**。它不仅不够深入，而且容易受到其他领域错误信息的干扰。 第三个局限性是，大模型中的线性规则注定几乎无法避免**AI幻觉**（AI Hallucination: 指人工智能模型生成听起来合理但实际上不准确或不真实的信息的现象）的发生。我们刚才举了一个例子，最有可能的词就是一个规则。当然，在实际案例中，规则并非如此简单粗暴。你可以将其理解为调整规则，使答案更具想象力或更严谨。但无论如何，只要是设计的规则，无论设计得多么合理，注定会有它无法覆盖的情况。人类社会早已充满了各种小规模的“我不知道”。 你听到这里，肯定觉得这些技术细节听起来像天书一样。没关系，如果你不理解，你只需要记住这些结论： 第一，大模型注定有其能力上限，所以通用模型难以取代所有垂直应用。 第二，大模型无法避免知识泛化的问题，所以难以处理那些需要深度和专注的复杂问题。 第三，大模型无法摆脱人类设定的规则，所以会出现幻觉。 所有这些局限性并非通过技术进步就能解决，而是Transformer模型注定的一些技术限制。如果你是技术专家，那么了解大模型到此就足够了。但幸运的是，我们是金融人，是投资者，所以在所有这些技术局限性背后，我看到的是注定会发生的商业逻辑。 ### 垂直领域AI应用的长期价值 事实上，所有这些大模型局限性都指向同一个结论，那就是：只要Transformer模型不改变，那么AI在垂直领域的应用注定会长期存在，并且具有不可替代和极高的上限。这可能与许多人的理解不同，我在这里多解释一下。 我们说，大模型无法摆脱人类设定的规则，而规则注定会有遗漏，无法解决所有问题。那么，这就为垂直应用领域留下了巨大的商业机会。我可以在我的领域内精准定制一套规则和流程，也就是设计一个最适合我行业的框架，然后让AI按照我设定的规则去行动。这就能有效避免AI自说自话的幻觉。业内人士会知道，这其实是一种**提示工程**（Prompt Engineering: 指设计和优化输入给人工智能模型的指令或问题，以获得更准确、相关或期望的输出结果的过程）。这既能解决大模型幻觉的问题，又能利用AI的优势。这就是为什么垂直AI应用注定会长期存在，并且具有非常高的上限。这是从上限的角度来理解的。 从下限的角度来看，情况也是如此。因为大模型的知识注定会泛化，难以解决垂直领域中深度和专注的复杂问题。所以，只要你的垂直领域足够复杂，大模型就难以取代。而且，由于大模型在可用性方面注定有其上限，并且现在已经度过了最棘手的阶段。这意味着，你越是深入发展，垂直应用就越难被大模型取代。所以我们说，只要Transformer模型不改变，AI在垂直领域的应用注定会长期存在，并且具有不可替代和极高的上限。 但你必须注意的是，这并非意味着所有垂直应用都不会被大模型颠覆。如果你想做一款翻译AI，被颠覆的概率会非常快，因为翻译领域不够复杂。而且，并非所有AI项目都能成功，事实上，大多数AI项目最终都未能达到预期。 ### AI应用选股的三个核心标准 那么对于我们投资者来说，最重要的问题是：什么样的AI应用才能真正符合条件，实现长期增长呢？事实上，如果你理解了大模型的底层技术原理，你就能明白如何选择真正有价值的AI应用。对于我们普通投资者来说，你只需要记住三点：第一，行业专家；第二，数据飞轮；第三，规模。 首先是**行业专家**，这实际上包含两部分。其中一部分是AI技术。你必须有人能够将复杂的任务转化为AI可执行的流程。我刚才说过，现在全世界只有两万名这样的专家。但这只是暂时的，未来这样的人会越来越多。这里真正的关键其实是公司本身的技术壁垒。如果你原本就拥有不易被复制的技术，那么AI也难以复制。相反，AI反而会增加助力，能让领先者的护城河变得更加复杂。另一方面，如果你的技术不复杂，那么AI就很容易复制你的流程。 其次，你最好拥有**先发优势**，因为数据飞轮转动得越早，转得越快，别人就越难超越。第三，你必须拥有**私有数据**。如果你的数据是公开可用的，那么大模型很容易学习。而如果你拥有别人没有的数据，就很容易形成自己的安全壁垒，放大AI的优势。 第三点是**规模**。在AI应用层面，规模决定效率和成本。公司规模越大，就越容易在垂直领域应用和验证你设计的模型系统。而且它的抗风险能力也会更强。这能在AI发展早期这个极不确定的阶段，建立起天然的优势。 好了，这就是所有AI垂直应用筛选的标准。现在我们可以根据这些标准，提前押注一些可能的投资机会。说到这里，我们已经找到了一个符合我们标准的目标。在这里，我将与大家分享一些我个人认为较好的机会，供大家参考。 ### 符合标准的AI投资机会分析 第一个是**数据分析领域**。其中最典型的公司就是Palantir。它基本上符合我们所有的标准：它拥有行业内首屈一指的技术，并且已经通过底层理论打通了企业各个部门之间的私有数据。而且这个数据飞轮已经运行了20多年。虽然它的客户规模不大，但数据分析可以说在行业内是最全面、最深入的。从传统企业到科技公司，从政府到军队，它无所不包。所以，像这样的公司，AI难以取代其客户价值，但AI会扩大公司的业务范围。因此，Palantir对我来说也是一个非常好的AI股票机会。我上一期视频中已经详细分析了这家公司。 第二个是**自动驾驶领域**，**特斯拉**（Tesla: 全球领先的电动汽车和清洁能源公司）是其中的代表。特斯拉基本上符合我们列出的所有标准，也是一个非常好的应用。它拥有强大的技术背景，拥有最早、最私有的数据，并且在规模方面也无与伦比。但相比之下，自动驾驶领域的容错率较低，且受监管影响较大。它有可能比数据分析领域发展得更快。 剩下几个可能的领域还包括广告、生物医药、教育。它们都满足大部分的筛选标准，但相对来说也各有各的问题。比如广告业的壁垒就相对弱一些；生物医药又有着规模制约和监管的制约；教育虽然非常适合AI赋能，但壁垒又太低，严重依赖数据飞轮和规模。 ### 总结与展望 最后，我必须对本期视频做一个补充。我们一开始就说过，在AI发展早期，会有高度不确定性。所以，可能真正有投资价值的AI应用机会尚未出现。我们今天向大家介绍AI应用机会，目的是帮助大家提前了解和准备。当机会真正出现时，我们才能有机会，而不是让大家盲目投资。 好了，本期AI应用投资机会的介绍就到这里。相信大家看到这里，一定还有很多疑问。我们知道了如何选择AI应用，那么在这些标准之下，还有哪些具体的注意事项呢？由于时间关系，这部分内容我实在没有时间介绍了。我将把它放在下一期AI视频中。在下一期中，我将和大家分享一个我个人认为最适合我们散户投资者的投资策略，并分析其中几个具体的投资机会。这部分下一期的内容，我放在了美投Pro上，现在已经上线了。大家可以点击置顶评论中的链接去看看。我们也欢迎美投Pro的新用户免费体验一天。如果你想看下一期，完全不用有任何压力。也欢迎大家免费体验美投Pro的所有服务，我不介意大家薅羊毛。欢迎大家尝试。谢谢大家。如果喜欢美投君的视频，别忘了点赞、关注和转发。谢谢大家。