AI在投资研究中的应用与价值定位 - AI被视为人类判断力的“力量倍增器”，而非替代品，其最佳应用场景包括节省时间、生成创意、剖析风险和管理风险[3] - 公司认为自身处于部署AI的早期阶段，目标是尽快理解并利用这些系统，其效能提升关键在于用户理解其系统性优势和局限，并学会有效提示[3] - 公司已开始系统性地将AI整合到研究流程中，旨在明确AI在何处增加价值，在何处不能[2] AI工具的具体实践与案例 - 使用NotebookLM工具来利用专有数据资产，特别是多年的专家访谈详细笔记，通过创建按公司和行业垂直领域划分的笔记本来综合发现、寻找专家间的不一致、分析管理层跨季度评论变化等[5] - 在Gemini中开发并训练了一系列专门的AI智能体（称为“Gems”），用于理解和揭示所持有及分析中的公司的风险，例如“不良行为检测器”、“竞争风险分析器”、“财报分析器”等[6] - 使用Claude Code作为命令行工具，通过自然语言指令编写、调试和测试代码，已构建了多个有价值的网络爬虫和财务文件追踪面板，用于监控投资组合[7] AI的局限性及应对策略 - 意识到大多数AI系统被优化为“迎合性”而非对抗性批判，这不利于挑战假设和发现推理缺陷，因此公司特意对LLM进行编程，要求其优先考虑无懈可击的真实性和客观性[4] - 认为AI的创造性与“幻觉”是一体两面，理解这一点后可以相应地调整使用方式[4] - 强调AI工具是现有研究流程的补充而非替代，它们无法取代长期投资成功所必需的经验、背景知识和审慎判断[17] 对AI行业影响及市场叙事的看法 - AI目前的市场叙事正转向无益的极端化，这创造了巨大的机会[9] - 反驳了AI将迅速取代白领工作的观点，认为时间框架不现实，并列举了计算能力有限、现实环境不确定性、组织政治、监管以及AI创造的新需求等制约因素[10] - 以DoorDash为例，指出AI无法自动识别个人偏好（如口味、心情、社交环境），且代码和软件易于复制，但成功需要深思熟虑、执行、销售、战略、用户体验等[11] AI对软件行业的结构性影响 - 认为许多软件公司过去的人员配置超出了当前需求，AI的主要后果之一是客户在谈判中获得更强的议价能力，导致软件公司面临定价压力，这可以通过降低总体服务成本来应对[13] - AI带来的效率可以帮助软件公司捍卫利润率，但会降低对终端客户的售价，同时AI降低了新竞争对手进入软件领域的门槛，这对中小型企业市场中的竞争者尤其有利[14] - 市场似乎正在消化这些结构性阻力，过去一年主要金融数据和软件提供商的估值出现了显著向下重估[14] - 指出目前AI最主要的客户是程序员本身，如果AI消灭所有软件，它将失去客户，进而无法支撑成为“世界吞噬者”所需的基础设施投资[15] AI投资框架与市场机会 - 将投资机会分为三大类进行平衡：AI受益者、AI受损者、与AI关系疏远的领域，此框架旨在组织分析并在叙事演变中保持智力纪律[24] - 认为当前投资焦点集中在基础设施层（GPU、内存、光纤、电力等），但最终最大的投资价值将积累在基于AI构建的最重要应用层上[21] - 以历史类比，指出铁路时代造就了标准石油，互联网泡沫时代最终创造持久价值的是谷歌、亚马逊和奈飞，而非思科或电信公司[22] 具体公司案例分析：亚马逊 - 认为亚马逊在利用AI增强其物流能力方面具有独特优势，其物流实力是当今最重要的商业护城河之一，AI将帮助其在物流网络协调层占据主导地位[23] 具体公司案例分析：莱迪思半导体 - 莱迪思半导体是一个未被充分认识的AI赢家，兼具直接的AI收益和长期的AI期权价值[26] - 公司专注于低功耗、小尺寸FPGA，定位为AI服务器中关键任务功能的“信任根”芯片，是所有超大规模服务器架构中的指定芯片，并且是市场上唯一具备后量子密码学安全性的芯片[29] - 尽管其关键周期性终端市场仍处于严重且漫长的低迷期，但得益于AI业务，公司正经历环比和同比增速的快速提升，若周期性市场改善，其估值倍数将迅速下降[29] - 公司业务在边缘基础设施和机器人领域也具有高度期权价值，其专注于效率的特点在这些应用场景中具有显著优势[30] 市场环境与投资策略调整 - 当前市场表现出单股波动率和离散度不断增加的趋势，自新冠疫情以来，这种环境持续存在[20] - 在此环境下，公司已将头寸规模调整得比过去小得多，并认为增加投资组合中的持仓数量是审慎之举，因为集中持股的风险已显著增加[20]