链研社｜AI First🔶💧 (@lianyanshe)

积累了 20 年的自由现金流 2 年烧光还要再继续融资继续烧，按照下个季度美光的季度预计营收就超过大部分 7 巨头了，净利润还差点不过也是同一个量级了。 这次苹果没有参与 AI 的资本支出，meta 的云业务份额最小估计会最先叫停，甲骨文ORCL的利润支撑不了，那么高的负债和投入，没有现金流估计也会叫停，庞大的折旧就足以把整个资产负债表拖垮。

找朋友拿了高盛投研报告发给 AI 解读了一下，2026 下半年的钱往哪放 涉及 50 多只股票。我读完后试着把核心判断讲清楚。 最重要的一个数字：7.6 万亿美元。这是 2026 到 2031 年 AI 基础设施总投资的基线情景，大约等于美国一整年全部非住宅类私人投资。 四大超大规模云厂商 2025 到 2030 年累计 capex 5.3 万亿，90 天前还是 4.5 万亿，上调了 17%。钱完全靠经营性现金流支撑，2026 年 capex 已达经营现金流的 100%。任何收入端减速，都会立刻撕开口子。 标普 500 的 22% ROE 创了历史新高，但本质是七家公司的故事。七大科技股 ROE 44%，中位数公司只有 17%。共识预期七大科技股 2027 年 ROE 平均下降 700 个基点，苹果从 140% 降到 83%，英伟达从 74% 降到 61%。21 倍 P/E 处于历史 87 百分位，如果 ROE 撑不住，估值就得压缩。 基础设施瓶颈已经从芯片变成了电。丹佛调研显示数据中心新签租约价格从 2021 年的 70 美元/千瓦涨到现在接近 200 美元，年底有望 250 美元。变电站交期 4 年，发电机组 2 年。PJM 承载美国 39% 数据中心电力需求，6 月电价环比涨 44%，连续第四年高于均值。 中国 AI 周期比美国晚一年，BBAT (字节、百度、阿里、腾讯) 2026 年 capex 约 1000 亿美元，美国的七分之一。阿里 16 倍、腾讯 13 倍，全球同业最低。阿里云收入同比 +38%，MaaS ARR 年底目标 44 亿美元。腾讯递延收入 1410 亿，环比 +28%，微信 AI 代理试点 2H26 推出。高盛判断：阿里 EPS 下调接近底部，腾讯估值倍数底部已现。 token 经济性正在成为新的 CFO 议题。Uber 四个月用完年度 AI 预算，Meta、Spotify 也出现类似情况。但 82% 企业 token 消耗损失于工程开销，仅 18% 产生最终产品。这个比例不改善，CFO 反弹会加剧。 7.6 万亿的论点最终取决于几个数字能不能兑现。市场 21 倍 P/E 隐含的假设是这一切都能成立，对不对，2027 年财报给出答案。

微策略发的永续优先股 STRC 严重脱锚，面值 $100 现在不到 90%，年化利率还有11.50%，应该是最严重的一次脱锚了，但是他如果卖币还利息可能会继续脱锚，本来债务就很严重了还非要加倍买币，这下账上现金，还利息真没剩几个月了

投资最大的风险，不是仓位太大，是在没有认知优势的地方下重注，真正值得下重注的是哪些认知优势最大的公司，往往是市场暂时看错的公司。 看了一篇非常好的文章，我自己重新理解之后重写了一遍，这个问题也一直困扰我很久，直到最近几次操作才终于想通，让自己的认知优势快市场一步，手跟上脑子，把重点放在哪些有认知优势的股票上。 相信有很多人都经历过，轻仓买的股票都涨飞，重仓的股票半死不活。就仓位来说轻仓买 10%，就算翻倍对总仓位的影响也只有 10%，但重仓的股票跌 10% 盈利就全亏没了。 研究都对，也看好，但常常没能最终把研究成果转成利润是最遗憾的。 为什么？因为你的研究只在浅层，还不足以支撑重仓持有的信心，往往重仓的股票你最看好，但也意味着市场其他人也同样看好，本身没有预期差，定价已经非常合理，也不存在超额收益。 收益的大小不只由研究能力决定，没有下注再看好也没用。最终的收益是研究能力 x 仓位大小。你同样看对一只股票，买 2% 跟买 20%，最后是两个完全不同的结果，无人问津就重仓和人声鼎沸在重仓也是不一样的结局。 交易中不是每笔交易同等重要，去翻世界顶尖的投资者，真正决定收益的往往是极少数的几笔交易。巴菲特的苹果、可口可乐，索罗斯做空英镑，段永平的茅台，网易。把这几笔拿掉，收益平平。巴菲特自己也说过，人生只需要几次真正正确的大决策，段永平说过一生打 10 个孔，他的还没用完，泡泡玛特是他最新打的一个孔。 投资不是 100 笔交易平均赚钱，一两笔大赢足够 cover 掉无数小错。但问题来了，也有很多人研究的足够多了，也下了重注。最后下在最熟悉的特斯拉、微软上。结果一年下来连指数都没跑赢，反而错过了整轮牛市。 研究透看好的，反而没下重注，知道好但总是嫌贵，越涨越不敢上车。 为什么？因为散户最大的错觉是，这是我最有信心的，拿的久，就是我最有优势的。 天天看新闻、看研报，跟单 KOL。会产生一种我很懂的熟悉感，然后下重注。但你真的有优势吗？还是只是看最久、最熟悉、最有感觉？这三件事都会建立信心，但不创造优势。 投资里没有什么喜欢跟不喜欢，所有东西都要量化。我们重点需要思考的是，市场有没可能看错？我的了解市场超出市场的认识和预期？ 只有市场看错，才有超额收益。全世界都已经知道英伟达很好，那很好这件事本身就不值钱。但在4年你真正看好英伟达能说出为什么，那是有认知优势的。 所以真正值钱的，是你比市场更早看懂某件事，这才叫认知优势。 很多人理解的安全边际，就是找便宜的被低估的股票，或者原来很贵，现在已经跌很多了。我认为的安全边际是你研究最深、或市场错得离谱的股票。 A 公司 PE 10 倍，市场估成长 5%，你也估 5%； B 公司 PE 40 倍，市场估成长 20%，你研究后认为是 40%。 这就是大多数人会选更稳的 A，但机构对 B 更有兴趣，因为 B 的预期差更大。 在 AI 时代下，信息差的优势已经被逐渐抹平，但市场的大钱很多时候不来自资讯，还有解读能力和前瞻性。同一份财报，有人看到资本支出增加 20%，也有人看到 AI 需求还在加速。资讯一样，解读完全不同，领先市场一步才有利润。 那如何判断自己有没有优势？很简单：财报出来市场觉得普通，你却判断这其实超预期，事后市场真的上修。那就是你的优势。优势不是你觉得自己懂，是后来市场经常证明你是对的。 如果你看段永平的持仓就知道，他有很多仓位也不是一开始就下重注的，CRCL 他的仓位只有 0.1%充其量只算观察仓，拼多多从他 1% 不到的仓位逐渐加到 10% 重仓，前 5 大持仓之一。 看懂商业模式+2%，数据验证加到 +5%，财报确认+3%，是逐步确认到重仓，了解的越多下手越重。很多人却偏偏反着来我自己也经常干这样的事，最后反思就是研究的不够透彻，不够了解。买进时很乐观，涨 20%获利太快了， 突然已经差不多，有点贵、先卖，到时候再接回来。结果一路卖一路涨，最后眼睁睁看它涨了几倍。这也是为什么很多人抓得到十倍股，却永远赚不到十倍。 市场上从来不缺好公司，7 巨头都是好公司，但光知道一家公司好，赚不到超额报酬。真正拉开是收益差距的，除了研究能力，还有你能不能把认知优势转成仓位。

Anthropic 最新的 Fable 5 和 Mythos 5，被美国出口管制卡住了，美国 KYC 在美国才能用。 没必要替 Anthropic 惋惜完全是自己作死作的，GPT 的旗舰模型没有受影响。但是更觉得这事对中国 AI 公司来说，等于白送了一个市场缺口。那些用不上 Claude 的地方，需求不会消失，只会转向。 转向谁？ 中国 AI 公司的出海，其实已经在加速了。 智谱的 GLM 5.2 目前还是最强的开源模型，架构设计和规划能力突出。最新模型性能已经到了 Claude Opus 的 80～90%，不追求前端设计和多模态的话，绝大部分场景已经可以替代。智谱的海外市场一直也很火热，@Zai_org 应该让更多海外用户来试试。他们不只是做出海的产品，也是在主动找用户，Zcode 现在每天也有提供300 万的免费 Token 可以试用，强是真强。 Kimi、MiniMax、Qwen 也都在推国际市场。Qwen 的策略我觉得是最清楚的，小模型第一时间开源抢生态位，旗舰闭源做商业化。之前过度开源拆掉了护城河，现在这个调整是对的。 但不只是模型公司在动，中国 AI 基建也在投入也在出海解决算力出海的问题。 中国除了 2 万亿的算力基建投入，还在推动企业级算力出海。一些国企的算力中心服务也在往国外迁移，直接在当地提供服务。算力和模型打包出去，基建和应用一起卖。 算力是新时代的石油，结算用人民币，中国想要定价权。 历史上有个几乎一模一样的故事。美国最早掌握石油提炼技术，一度垄断定价权。后来产油国组成 OPEC 联盟，格局被改写了。 现在算力走的是同一条路，但变量更复杂。Token 成本中 60% 以上来自电力，美国在 AI 芯片和智能计算上更高效更智能，但中国从发电设备到光伏风电到输配电，全产业链自给自足，全球找不到第二个。 美国有技术，缺能源底座。中国有全产业链，正在把算力基建打包出海。谁拿到定价权，取决于谁能把技术+能源+基建这个三角跑通。 出口管制短期确实卡住了一些关键节点。但反过来，它也在倒逼中国 AI 公司建自己的完整体系。当这套体系成熟，算力定价权的格局会实质性变化。 中国 AI 公司出海不是选择题，是必答题。问题只是，牌局终了的时候，他们能不能还坐在桌上。

传字节谈判采购天数智芯5万颗AI芯片(动察Beating AI News 消息)，中国AI算力的底座，正在悄悄换了一遍，正在进行国产化替代。 字节跳动豆包月活 3.3 亿，全球第二。这么大的用户量背后是海量的推理算力需求，字节新采购的芯片，是一家 2026 年 1 月刚在港交所敲钟的中国公司，天数智芯（ 英伟达被禁之后，在中国的市场的份额持续下降。但需求不会凭空消失。国内 GPU 厂商去年已经吃下了国内 AI 加速器服务器市场近 41% 的份额，这个替代速度比大多数人想象的要快得多。 扒了一下天数智芯，2024 年出货 1.68 万片，到 2025 年上半年单半年就出了 1.57 万片，几乎追平 2023 年全年。累计交付超 5.2 万片，服务超 290 家客户。华泰证券预计 2026 年出货量将突破 10 万颗，同比增长 139%。这尼玛已经不是试水，是规模化放量。 关键问题：凭什么？为什么是它？ 答案是易迁移。天数智芯深度兼容 CUDA 生态，企业从英伟达迁过来几乎零成本。这才是大厂真正愿意买单的原因。性能上，天数天枢架构在 DeepSeek V3 场景下平均性能比英伟达 Hopper 架构高约 20%，推理芯片智铠系列均价约 1.2 万元人民币，性价比也到位。 字节大量采购智铠推理芯片的逻辑是，豆包的用户量摆在那里，推理算力是刚需，国产芯片在这个时间点刚好能接住。腾讯也在买百度昆仑芯的 AI 芯片，国家发改委明确表态要推动国产大模型适配国产算力，所以你懂的，再说现在英伟达给中国的性能上也不具备优势，推理的需求国产芯片就能承接。 现在已经非某一家公司找替代，整个产业链也在重构。 中国 AI 算力的底座正在经历一次静默但彻底的换血。美国禁令留下的缺口，被国产芯片补上，整个算力基础设施得以发展的剧本。只不过，这个剧本才刚刚翻开第一页。

AI用得好的人就是核弹级的威力，DeepSeek最后一轮融资，梁文峰自掏腰包投了200亿，他的钱主要来自于幻方量化，足以见得AI在投资这事上给人带来的回报是巨大的。那同样的AI在你手上发挥不出威力？最关键在于投研的框架和趁手的工具 @dappOS_com ，后面有实操教学和提示词建议收藏🌟 过去半年 4 大云产商资本开支 7000 亿美金，押注 AI 资本支出和瓶颈股票，是过去半年市场里最大的 alpha。各大交易所从只上美股合约，到链上现货，再到全量美股，现在在币安@binancezh 上已经能交易券商上的所有股票还有各类的 ETF，再到这次的 SpaceX 打新也是币圈全员参与。 币圈里提供的基础设施已经相当完善了，不过目前交易所里提供的 AI 投研工具还很鸡肋，没有办法提供有效的股票投研信息。 现在交易所只解决了买的问题，优质资产进入交易所，7000 只股票，选股也是大问题，就算到美股也一样需要研究能力，否则乱买和山寨一样有巨大风险。 大多数人没有这套框架，也没有好用的工具。今天就从实战角度来讲讲如何用 DappOS 的xBubble来做美股投研，如果之后在钱包或者交易所内有这样的投研工具就更好了@heyibinance 我的美股投研框架很简单，是一整套的工作流程 1、信息源，财报、电话会议，特朗普/段永平，持仓人信息，分析师参考价 2、分析框架，封装成 skill，判断产业链位置，护城河，竞争格局，估值等等 3、入手价格，建仓计划。事件交易的催化剂。 整套框架让我抓到了 CBRS 的做空机会，NET 财报暴跌以后的入场机会，特朗普持仓中的交易机会，还有这次 SpaceX 打新的一些资料辅助判断。现在这一整个的投研框架被 DappOS 的封装到 xBubble里面，我试用了一下，可以直接复刻投研思路，少走了很多弯路。 举三个例子方便大家理解，我也把提示词放出来，可以直接复刻我的投研思路，任何公司都通用。打开以后创建新对话，选择【工作模式】，复制我的提示词替换成你想了解的公司，SOP 用默认的即可，US Equity Deep research 这个我觉得是投研质量是最高的 一、要不要参与 SpaceX 的打新？（图一） 提示词： 深度研究一下SpaceX 打新数据，值不值得打 1、释放股数、流通市值、流通盘比例、发行定价等数据 2、上市之后的解锁规则是怎么样的是怎么解锁的，有多大的比例解锁 3、目前盘前的和预测市场价格怎么样，开盘第一天破发概率多大 4、研究历史上募资前 10 的 IPO 的，融资规模，流通市值，上市首日表现如何 5、上市两周后的指数的买入金额是多少美金 数据我也核对了一下，信息整理的很全面，还得到了Polymarket 上情绪偏乐观的信息，有 38% 概率认为首日收盘市值会超过 2.4 万亿美元。收盘破发概率：约 5%-15% 二、投研 cloudflare ($NET)做多的思路（图二） 提示词： 做一个 cloudflare 的深度分析，写一篇高质量的文章 1、查找Cloudflare最新财报数据及电话会议记录，分析cloudflare 财报后暴跌的原因 2、深入研究Cloudflare的商业护城河，cloudflare 作为 AI 基建的具体作用 3、收集Cloudflare的核心估值指标，包括市销率、远期市盈率和自由现金流，并将其与公司历史平均水平及主要竞争对手进行对比分析。 4、检索金融分析师对Cloudflare的最新评级报告。综合公司的基本面估值底部、财务健康状况以及技术面图表的关键支撑位，探讨合理的建仓时机与分批买入策略。 整篇报告我最关心的是裁员会不会影响 NET 的商业护城河和作为中间层的价值，裁员没有动摇这一根本，所以这笔交易我下了重注。 3、投研上市大热项目 CBRS做空的思路（图三） 提示词： 做一个 $CBRS cerebras systems 的深度分析，写一篇高质量的文章 1、Cerebras 和亚马逊和 openAI 签订的合约细节是怎么样的，签约了多少金额，业务兑现了多少 2、深入研究cerebras的商业护城河，cerebras 作为 AI 基建的具体作用 3、单位 Token 的推理成本和速度如何，相比于英伟达的芯片优势在哪劣势在哪？ 4、收集cerebras的核心估值指标，包括市销率、远期市盈率和自由现金流，并将其与公司历史平均水平及主要竞争对手进行对比分析。 报告里找到了CBRS收入的关键 BUG 和 OpenAI 的关联交易，和英伟达对比的 Token 成本推理速度等，觉得他能不能从英伟达手上抢订单，还有估值分析。最后得出的结论是这是一家故事性严重大于实际落地的公司。 如果你还在用 Gemini、OpenAI甚至是豆包来做投研，建议你直接换掉。这些工具在强在通用能力，万金油。搜全网、整理信息、生成报告确实很强，看上去很唬人。但是没有优质的上下文信息，和完整的框架和工作流，出来的报告信息密度很低，经常是一堆废话。 目前xBubble这一套美股 SOP，可以做到，一句话交给投研 SOP，生成报告时间大概在 10 分钟左右。打磨的还算完善，绝对可以解决绝大部分人投研的问题。还只是其中一个功能，之后会不断迭代升级，融资更多优秀的投资框架。我自己也做了一个投研 skill 还有一万篇研报知识库，结合起来用，效果确实炸裂。 现在的 SOP 不是终点，Bubble Engine 还会持续迭代，后面还有更复杂的功能。比如只盯半导体行业、只看 AI 基建、看产业链上下游的瓶颈点，也可以按你自己的研究框架来，生成一套更加专属的研究 SOP。或者加入白毛股神的研究思路，找到关键点，溯源验证真实性，下注验证逻辑。这是一套可以跟随模型能力和市场变动一起变强的研究方法，并且报告内容数据溯源可查在投研里面是非常重要的。

目前的 AI 编程能力排行榜，中国的开源模型把 TOP5 的 4 名都给占了，上面这些模型基本上都用过，简单聊一下使用感受。 1、Anthropic 的 4.7 是两个月前发布的能力还是第一，更何况还有前端时间封禁的 Fable 刚刚解禁，领先国内半年左右，目前国内顶级模型相当于Opus 4.6(2月5日发布)，GLM-5.1是最争气的才 2 个月就追上了4.6大概能达到 90% 的能力，论编程能力还是国内第一。 2、最新的 GPT 5.5 在 codex 里使用能力是最强的，黑话还是很多，而且产品上比 Claude code 做的更好，更适合执行实际的工程任务，边界判断和测试更多。Google 的 Gemini 已经变成美国豆包了，主打性价比。meta 的模型没用过不知道实际能力如何。 3、Qwen 3.7 max(5 月 20 日) 目前综合能力第一，因为有多模态和多语言优势。有专门优化过智能体设计，放到 Claude code、openclaw、hermes 里面都可以很好的使用工具链。 4、GLM-5.1 (4 月 8 日)最早追平Opus 4.6的能力，主打长程任务，一直都被称为 Claude 平替花 20% 的钱达到 90% 的效果，从GLM-4.7发布半年多以来确立领先地位，多次提价依旧火爆，大概领先其他国内模型1个月左右时间。但比较可惜5.1 是一个纯文本模型，还不具备原生多模态能力，一般两个月时间迭代一次，估计下一代快来了。 5、Minimax m3(6 月 1 日) 占了晚发布的优势，也是第一次进入前五，把 minimax 多模态的能力合并进来了，模型参数量也翻倍，所以这次提价也算合理。但实际体验下来m3的规划能力相比来说稍差，同样一个任务需要更多的步骤。 6、Kimi-k2.6(4 月 20 日)Agent 集群协作，是国内里最早支持多模态的，前端审美能力在线，cursor 的编程模型基座就是基于k2.6 7、DeepSeek-V4-Pro(4月24日)和MiMo-V2.5-Pro(4月24日)两个能力接近，DeepSeek还是价格屠夫，API 定价永久 2.5 折，缓存命中率高，不搞 Token plan，因为每个人都是 Token plan。MiMo原来定价偏贵，降价以后两者差距其实不大了。两个模型在写作能力上表现不错，如果你是写文章可以用这两家 8、xAI 表现很拉，唯一强项在 X 的搜索能力，腾讯的hunyuan-hy3也比较一般，但在腾讯产品内有专门调优过，可以跟上其他模型的上一代标准，代码就别指望了。普通的简单任务因为腾讯有更好的数据源，实际表现也不会差太多。腾讯最强的点在于它独有的上下文优势。