投资理念与市场环境 - 首席投资官拥有超过30年的投资经验 并认为人工智能是研究工具的重要革新 能够帮助更深入地探索行业 [2][3] - 公司认为长期投资需要信念和背景 不能完全外包给模型 不使用AI工具的选股者可能面临淘汰 [4] - 2025年是强劲的一年 技术变革加速、价格错位以及一些炒作 为公司的投资策略提供了肥沃的土壤 [5] - Nightview基金ETF在2025年获得了22.56%的回报（净资产价值回报为22.64%） 跑赢了上涨17.88%的标普500总回报指数 [7] - 公司非常看好当前的机会组合 其20支股票的“最佳创意”投资组合旨在投资于当今市场最具吸引力的公司 [8] - 当前市场背景是AI创造了丰富的新机会 但也带来了风险和高水平的投机 这符合技术变革的典型模式 如Gartner炒作周期所示 [9][10] - 公司认为AI将是21世纪最大的工业技术革命 将从根本上改变全球经济的基础设施 [12] 人工智能行业现状与展望 - 对AI的期望可能过高 尤其是在私募市场 2025年AI初创公司获得了所有风险投资的50% 较上年增长37% [13] - 10家未盈利的AI初创公司在2025年的总市值达到1万亿美元 约等于伯克希尔·哈撒韦的市值 而后者在2024年实现了880亿美元的净利润 [13][14] - 自ChatGPT发布以来 已有数万亿美元资金投入或重新配置 但热情常常超过了实际可见的进展 [16] - 迄今为止 AI进展主要是迭代性的而非爆炸性的 最明显的财务受益者是基础设施提供商（半导体、存储、数据中心）以及为该领域中介资本流动的金融生态系统 [17] - 公司对AI持乐观态度 认为真正的繁荣将发生在AI从大语言模型跃入现实世界时 这将是一个长达数十年的转型 [18] - 公司关注的是智能本身成本的稳步下降 而非单个基于大语言模型的工具的新颖性 当基础投入成本下降时 整个行业将围绕此重组 [18] - 公司认为市场仍然低估了现实世界AI的临近程度和影响规模 [20] 物理人工智能投资主题 - AI发展的下一阶段将由直接从现实世界学习的系统定义 这与在现有人类生成数据上训练的模型有本质区别 [21] - 当智能嵌入物理系统（车辆、仓库、供应链、机器和网络）时 其数据具有专有性 会随着使用而复合增长 并创造反馈循环 这使其难以被复制 [22] - 随着AI从静态预测转向持续交互 竞争优势将积累在拥有车队、传感器、物流网络和操作环境的公司 [23] - 特斯拉是这一转型的典范 其长期机会在于软件和自动驾驶 而非汽车业务 [24] - 特斯拉的数据优势是结构性的 每行驶一英里都为学习循环提供数据 这是竞争对手无法复制的 随着FSD在2026年继续推广 市场可能会开始更充分地认识到这个机会的规模 [27] - 亚马逊是公司的第二大持仓 其核心电子商务运营中蕴含的AI驱动效率提升可能被低估 库存周转加快 成本下降 节省的成本在不牺牲利润率的情况下传递给客户 [29][30][31] - 尽管普遍认为亚马逊零售业务利润率低且成熟 但公司认为当规模与AI驱动的效率结合时 其盈利潜力可能是巨大的 [32] 具体投资案例与市场观点 - 当前市场估值不均 为选择性建仓提供了空间 公司基于此框架在2025年投资了阿里巴巴 [34] - 阿里巴巴的业务在中国经济中仍处于核心地位 基本面保持稳固 而市场情绪转为深度负面 当估值暗示长期增长有限而经济模式具有持续性时 风险回报变得有吸引力 [35] - 随着利率稳定和收益率曲线正常化 金融活动正在正常化 交易量上升 交易渠道重建 被压抑的需求正在释放 [37] - 公司对AI的投资策略是杠铃式的 一端投资于最具影响力的技术进步 另一端则投资于根植于深度人类体验的资产 如旅游、休闲和娱乐 这些领域对变化具有抵抗力 [38][39] - 在数字抽象日益增多的世界中 实体体验变得更有价值 [40] 半导体行业分析 - 半导体行业具有高度周期性 但当前周期与以往有几个重要不同点 [41] - 高性能计算现在占行业需求的结构性份额比以往周期更大 先进硅已成为AI模型训练、推理和部署的基础投入 [42] - 以台积电为参考 高性能计算目前约占其季度营收的60% 高于2018年的约30% 与AI工作负载相关的前沿逻辑需求已成为基础 而非叠加在多元化需求之上的周期性需求 [44] - 整个生态系统的资本支出规模是前所未有的 先进晶圆厂需要数百亿美元、多年建设期和近乎完美的执行 这导致只有两种可能结果：AI成为全球经济中深度集成且具有经济生产力的伙伴 推动持续的计算需求；或者系统最终出现严重的过度建设 [45] - 历史上有过类似教训 例如20世纪90年代末电信运营商对光纤网络过度投资 导致到2002年只有不到3%的光纤被积极使用 [46][47] - 公司认为 AI能力与计算需求之间的反馈循环仍然完整 更好的模型增加对计算的需求 更多的计算能力催生更好的模型 这意味着尽管存在低效和波动 但基础建设仍有数年时间 [49]