美投

一再错过AI爆发机会？独家揭秘一套AI选股方法，精准把握下个AI致富机会！
2025.08.31
播放量 4.2k
AI投资，无疑是过去这两年资本市场上，最热的一个主题。但又不得不说，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。就在刚刚落幕的财报季中，我们看到了这么一个全新的AI趋势。
#AI风口
#大模型的局限
#行业分析
开通服务即可查看评论～
文字稿
AI投资，无疑是过去这两年资本市场上，最热的一个主题。但又不得不说，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。就在刚刚落幕的财报季中，我们看到了这么一个全新的AI趋势。传统的AI受益公司股价似乎出现了停滞，而有这么一个全新的AI赛道却接连迎来爆发，似乎一个萌芽中的AI爆发机会正在应运而生。
因为工作原因，美投君每天都要看大量的公司财报和投行研报，这个AI趋势可以说是这次财报季后，业内最为引人瞩目的一项变化了。但我发现，咱们很多散户却并没有留意到这一点。所以今天咱这期视频，美投君就来跟各位看官揭秘这样一个，正在萌芽期的AI投资机会。
要想看懂最新的AI投资机会，咱们得快速了解一下AI在美股行业中的发展。23年年初，随着AI大模型的兴起，算力需求井喷式的增长，率先进入投资者视野的，是像英伟达这样的AI基础层的公司。两年时间公司股价翻了近10倍。想必这点大家都有所耳闻。
不过接下来AI的发展想必很多新入市的投资者都并不清楚。基础层公司爆发之后，紧接着AI却打了投资者一个措手不及。表面上看，市面上几乎所有软件公司，都在宣称自己应用AI，投资者们也是对其趋之若鹜。然而，几次财报季过后人们才醒悟过来，所谓AI在实际企业运营中的效果，却是乏善可陈，不过是些噱头罢了。于是几乎全部的软件公司股价在冲高后，又都被打回了原形。
紧接着，24年的下半年，情况又发生了反转。Shopify，Salesforce，ServiceNow等一众软件公司，突然迎来爆发，而原因正是AI带来了意想不到的变化。什么变化呢？降本增效。这些软件公司，你很难说他们是AI企业，他们也没有什么像样的AI功能，但是却因为在内部应用了AI成功砍掉了不少成本，优化了公司的运营效率，最终都带来了业绩上实实在在的提升。
再接着，AI降本增效如星火燎原之势，蔓延到了整个美股行业，直到现在他依然是当前AI应用领域，最具有确定性的一个大趋势。原因也很简单，因为AI降本增效，还有着大量的盈利空间没有释放。根据高盛的预测，到2030年，财富500强企业通过AI自动化，预计还能够再节省高达9350亿美元的成本。如果你现在投资美股AI，那么这个趋势你也必须要了解。
然而，虽然AI降本增效也有着不错的增长空间，但是他毕竟是有天花板的。成本可以降，但是不可能一直降。再加上随着企业越来越多的投入AI，在降本增效上的边际效果也会越来越少。所以说，如果AI只能带来降本增效的话，那么现在所谓的这些，因为AI而带来的股价增长，就注定是不可持续的。如果公司不能再找到新的增长点，那股价迟早会经历调整。
一个典型的例子就是上文提到的Salesforce，作为最早一批应用AI降本增效的公司，24年公司的股价可谓是表现得异常优异。但很快随着降本的效果逐步释放，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了。当然，这里肯定也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。
那既然AI降本增效不可持续，那难道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呢！一旦降临那就是足以改变咱投资者命运的一个翻身机会。AI是一个颠覆性的生产力革命，他真正的价值压根就不在于降本，而是在于创造全新的收入。
下面高盛总结的这张图就很好的诠释了这一点，深蓝色是AI降本的规模，而浅蓝色则是AI带来收入增长的规模。可以看到，未来AI真正的价值，或者说持续增长的价值，就在于为企业带来收入的增长。在这个阶段，企业不再是优化现有的流程，而是应用AI去挖掘新的业务，去开拓新的市场。这才是真正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。而这便是咱们今天美投君要跟大家分享的重点，因为本次财报季，我们首次看到了， AI在企业收入增长上出现的苗头。
像AI数据分析公司Palantir本季度就给出了48%的超高增速，远超管理层定下的29%的全年增长目标。正是因为AI降低了用户的使用门槛，并提升了数据分析的效果，从而扩大了他的收入规模。Duolingo一家外语培训公司，本季度盈利大涨了41%，日活更是暴增40%，原因也是因为AI带来了产品使用体验的提升，从而吸引到了更多的用户。Shopify这家曾经用AI在内部降本的先驱，如今开始用AI为商家去提升收入，为顾客去提升购物体验，从而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，似乎就要降临了。
但另一方面，关于AI应用的质疑声也从来没有像今天这么高过。尤其是在OpenAI的GPT5面世之后，不少人坚信AI大模型可以做到一切，任何应用领域都有被替代的可能。你要是无脑押注垂域应用，那注定会变得一无所有。于是我们又看到了大量的软件公司，在大涨之后，最近几周股价又框框的开始 下跌。
那对于我们投资者而言，到底应该如何把握AI应用层的机会呢？在我看来，无论是乐观者还是悲观者，他们都有道理，只不过是落到投资上的表现不同罢了。一方面，AI应用注定能够带来颠覆性的投资机会，而把握住的人也注定能改变命运。但另一方面，在现在这个AI发展的初期，天然就具有很高的不确定性。遥想30年前的互联网革命，那些早期爆发的公司，比如网景，美国在线，他们最终都没能坚持下去。而真正带来颠覆性机会的独角兽，比如Meta，Netflix，在当时压根还都不存在呢。而反观现在的AI也是如此，市面上就没有真正具有确定性的AI应用机会，这是AI发展阶段决定的，和你我的判断无关。在此时押注，注定就要承担极大的风险。
那怎么办呢？难不成非要等到多年后，AI应用真正跑出来后再投资不成？当然不是。虽然现在AI应用层的机会还没有真式爆发，但正因为没有爆发，才是我们投资者提前准备的一个最佳时机。那最关键的问题就是，我们如何才能提前押注AI爆发机会呢？接下来美投君就来给大家分享这么一套，我个人的AI选股逻辑。
我自己在投资时有这么一个习惯，就是在遇到特别不确定的事的时候，我会从第一性原理出发，找到最根本，最不变的那些性质。你比如在股票投资上，像股价，业绩，这些都不过是表象。实际上最根本的往往是人，是技术壁垒。放到AI上也是如此，哪些领域爆发，哪些风险将至，这些也不过都是些表象，那落实到最根本是什么呢？我认为就是AI大模型的技术原理。这轮AI之所以能够爆发，本质上就是来自于AI大模型技术的突破。
那么我们不妨就来探究一下，AI大模型他最底层的技术逻辑。看看它有哪些不可逾越的技术局限？又有哪些重要的发展趋势？这些最底层的技术逻辑，在我看来，才是决定未来AI商业应用的关键！我们也能够从中看出，哪些应用领域会出现真正的机会。
说到大模型技术，现在全世界真正能搞懂的人也不过就20000多人。美投君自己肯动是个外行，不过我有幸和这20000多人中的一位是好朋友，他也是我们美投团队中的一员。今天我就从一个金融人的角度，给大家讲讲我理解的AI技术原理。这部分内容可能比较晦涩，我努力给大家讲的简单明白一点。
现在市面上几乎所有的大模型，比如ChatGPT，Gemini用的都是Transformer架构。Transformer模型的原理很复杂，咱这里就可以简单把它分成四个主要的部分，第一个就是输入，你比如说你问ChatGPT的一句话。
接下来第二部分，大模型会把你的输入，像玩乐高一样，拆成一个一个的词语积木。这些积木会被立即送到一个已经饱读诗书的AI大脑里面。这时他们各自还是六亲不认的，而且自己也不知道自己是谁。在这个AI大脑里面，他们这些积木就会开始相互理解了，也会开始进行深度思考，挖掘自身的深层含义。你可以把这整个过程想象成是一个，积木团队经历了一次头脑风暴。他最终的目的，就是为了让AI去理解你这个输入到底想要表达什么。这个过程就是整个生成式AI模型中，最具智能的部分。 
理解了你的意思之后，他就要开始组织答案了，但它的方式有点特别。他不会一下子想好一整句话，而是会先预测你最可能看到的第一个字是什么。这时候它脑海里浮现的不是一个确定的字，而是一张概率表。比如，他可能会觉得，第一个字是“是”的概率有50%，是“不是”的概率有40%，等等。 
最后这部分便是输出一个答案了。而面对这么多概率，AI要怎么做出选择呢？这里它就需要用到一个非常简单的线性规则，这个规则就跟智能一点关系都没有了。比如说，我定个规则，就一直输出概率最高的那个词。那么他第一个字就会输出“是”。 
接下来模型就会把“是”这个字再丢回之前那个非线性模型中，跟其他已经在里面的单词一起再去思考这么一圈，去预测第二个单词。当第二个词出来之后，再把第一个和第二个词一起再丢回非线性模型再转一圈，周而复始，直到给你最终的答案为止。所以你才会看到，大模型在给你输出答案的时候，都是一个字一个字的蹦，它不是难为你，这就是他的工作方式。
我为什么要花这么多时间给大家讲，transformer模型的工作原理呢？其实是因为这其中有这么几个注定无法跨越的局限，而这些局限正是我们找到商业机会的关键！也会成为我们未来投资避雷的指南。所以咱投资者非常有必要挨个了解一下。
第一个局限，就是大模型的能力有着明显的天花板，他不可能无限的提升。你会发现，它每一次预测都会把预测出来的词，和之前所有的词放到一起再计算一遍。所以随着文本的加长，计算量不是线性增加，而是平方级的增加。你比如从一千个字扩展到一万个字，算力需求不是增加10倍，而是增加100倍。这就意味着，如果想要让模型记住更长的上下文、处理更复杂的任务，那成本就会急剧的上升，效率也会越来越低。再加上显存和带宽的限制，这就很快会遇到瓶颈。
事实上，大模型的通用性能的提升，已经过了他最陡峭的阶段，进入了一个边际效益递减的阶段了。那这说明什么呢？说明在商业上，做大模型的公司，如果继续往“全能型”的方向卷，效益会变得越来越有限，也很容易被后来者所赶上。唯一的出路就是走差异化路线。所以我们也看到现在各家的大模型，已经开始有了自己独特的能力圈，像Gemini是多模态能力强，Claude是写代码能力强，而ChatGPT则是在医疗，法律等严谨的行业中能力强。
第二个注定无法逾越的局限，是大模型对于知识的稀释。通用大模型虽然训练的数据量惊人，但是极其分散。它的数据遍布整个互联网，但真正和某个专业相关的部分，却只占其中很小的一个比例。倒不是说比例小就一定理解不深，而是即便他理解深了，也会被其他领域的知识所稀释。比如回答医学问题时，他就很容易被那些非专业的，医疗之外的领域的数据干扰。这种稀释效果是在预训练时就注定会发生的，甚至都没办法在推理时解决。这就意味着，通用大模型他注定在解决专业领域内的复杂问题时，会变得捉襟见肘。他不仅深度会不够，而且很容易被其他领域的错误信息所干扰。
第三个局限，是大模型中的这个线性规则的存在，就注定了AI“幻觉”的发生是几乎无法完全避免的。我们刚才举例说，“选概率高的词”就是一种规则。当然了，实际情况下，规则不会这么简单粗暴，你可以人为再调整规则，让回答变得更有想象力，或者更加严谨。但无论如何，只要是人为设计的规则，不管设计的多合理，也注定有他覆盖不到的情况，人类社会本来就充斥着各种小概率的长尾事件。而这便是AI“幻觉”的由来，因为他只能给你大概率的结果，而无法给你视情况而定的结果。只要这个线性模型依然存在于transformer模型的架构中，那么模型注定就无法处理所有的问题。
我知道听到这儿，肯定还是有看官对于这些技术细节，听得是云里雾里。没关系，上面这些都没听懂也OK，你只需要记住这么几个结论就可以了。第一，大语言模型注定有他的能力天花板，所以通用模型很难替代所有的垂域领域。第二，大语言模型他规避不了知识稀释的问题，所以他注定很难处理那些，需要深度和专注度的复杂问题。第三，大语言模型他离不开人为规定的规则，所以注定会有“幻觉”的出现。所有这些局限，都并非是能通过技术进步而解决的，他是transformer模型注定的一些技术局限。
如果你是个技术专家，那么关于大模型了解到这儿也就足够了。但好在我们是金融人，是投资者：所以在所有这些技术局限的背后，我看到的是注定会发生的商业逻辑：其实所有这些大模型的局限，都共同指向了同一个结论，那就是：只要transformer模型不变，那么在垂直领域的AI应用，就注定会长期存在，并且具有不可替代性，而且有着极高的上限！
这可能和很多人的理解并不相同，我这里多解释一下。咱们说，大语言模型中他离不开人为设定的规则，而是规则就注定会有遗漏，解决不了所有的问题，那么这就给垂直应用领域，留下了极大的商业机会。我大可以通过精确的制定一套自己领域内的规则和流程，也就是给AI设计一个，最适用于我自己行业的框架，然后再让AI在这个框架下，按照我制定的规则行事，这样就能够有效的避免AI自说自话的幻觉了。懂行的人会知道，这其实就是一种变相的“prompt engineering”。这么做既能够解决大语言模型幻觉的问题，又能利用起AI所带来的优势。这便是为什么说，垂域AI应用注定会长期存在，并且有着极高上限的原因。
这是从上限的角度来理解，而从下限的角度来看也是如此。因为大模型的知识注定是被稀释的，所以他很难解决垂域中，需要深度和专注度的复杂问题。那么只要你的垂域足够复杂，大模型就很难取代。而且又因为大模型在通用性上注定有天花板，而且现在已经过了增长最陡峭的阶段。那就意味着，越往后发展，垂域应用被大模型取代的难度，也就会越高。
所以我们才说，只要transformer模型不变，那么在垂直领域的AI应用，就注定会长期存在，并且具有不可替代性，而且有着极高的上限！
不过要注意的是，这话反过来说可不对。并不是说所有的垂域应用都不会被大模型所颠覆。你要是做个翻译用的AI，那大概率很快就被颠覆了。因为翻译这个应用领域他不够复杂。而且也不是说，所有的AI垂域应用就都能够跑出来。事实上，大部分AI的垂域应用最终都会无疾而终，这是AI发展阶段所决定的。像MIT刚刚发布的，《2025年企业AI现状》报告中就显示，虽然企业都在积极的尝试整合新的大模型，但真正能够带来收入增长的项目只有大约不到5%，而剩下95%的AI项目最终都没有达到预期。所以说对于咱投资者而言，最重要的问题就变成了，什么样的垂域AI应用，才真正能够满足条件，长期实现增长呢？
其实如果你看懂了大模型的底层技术原理，你也就能够明白该如何选择真正有价值的AI应用了。对于我们普通投资者来说，你只需要记住三点即可，第一，行业专家，第二，数据飞轮，第三，规模化。
第一，行业专家，这里面其实有两个部分：这其中一部分是在AI技术上，你得有人能够把复杂的任务，变成AI能执行的流程才可以。刚才说了，现在全世界这样的专家也不过就20000多人。不过这毕竟是暂时的，未来这样的人才肯定会越来越多。这里面真正的关键其实是在于，企业本身的技术壁垒。如果说你原本就有着别人不好复制的技术，那么AI也很难复制。反而是有了AI的加持，可以让领先者的护城河变得更深、更难逾越。反过来，如果你的技术本来也并不复杂，那么AI就很容易复制你的流程，这样的垂域就很容易被AI取代。
第二，数据飞轮，这里面也包括三部分：第一是你得有大量的高质量的数据，给模型做出即时的反馈，这样飞轮才能转起来。第二是你最好要有先发优势，因为数据飞轮越早转起来，转的就越快，别人也就越难超越。第三是你得有私有数据。如果你的数据在公域上都有，那么大模型很容易学会。而如果你有别人没有的数据，那么就很容易形成自己的护城河，去放大AI的优势。
第三，规模化。在AI应用层面，规模就决定了效率和成本。公司的规模越大，你在垂域设计出的这个模型系统，就越容易进行普及和验证，而且他的抗风险能力也会更强。这在AI发展早期这种极高不确定性的阶段，能够建立起天然的优势。
好了，这便是所有AI垂域应用的筛选标准了。现在我们就可以根据这些标准，去提前押注一些可能的机会了。想必说到这咱各位看官心中已经有了符合自己标准的对象，美投君这里就给大家分享这么几个，我个人认为比较好的机会，给大家做个参考。
第一个是数据分析领域，其中最为典型的公司就是Palantir，他基本可以说是满足了上述全部的标准。它有着行业内首屈一指的技术壁垒，并且已经通过本体论，打通了企业各部门之间的私有数据，而且这个数据飞轮也已经转了20多年。他的客户规模虽然不大，但是其数据分析的场景，却可以说是行业内最多最深的，从传统企业到技术公司，从政府到军方，它无所不包。所以说，这样的一家垂域公司，AI很难取代他在客户中的价值，反而AI会放大公司的壁垒。所以Palantir也是我个人非常看好的一个AI垂域机会。我在上一期视频中刚刚详细分析了这家公司，感兴趣的看官欢迎移步查看。
第二是自动驾驶，其中的代表自然就是特斯拉了。特斯拉也基本满足咱们上述的所有标准，也是一个非常好的垂域AI应用。它有极强的技术壁垒；有着最早，最多，最私有的数据，并且在规模上也是无人能及。不过相对来说，自动驾驶领域容错率较低，并且受到监管的影响很大，发展起来有可能不如数据分析领域发展的快。
剩下几个可能的还包括，广告，生物医药，教育。他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。
最后我得给本期视频打个补丁，我们一开始就说过，在现在这个AI发展的初期阶段，天然就会具有很高的不确定性。所以说有可能真正有投资价值的AI应用曾机会，到现在都还没有出现呢。我们今天给大家介绍AI应用机会，目的是为了帮大家提前了解，提前准备，等真正机会出现时，我们能够游刃有余。绝不是为了让大家重仓押注，去博个一夜暴富的。