公司发展历程 - 创维集团创始人黄宏生于1988年辞去国企工作，携带3万元积蓄在香港成立创维实业有限公司，初始业务为电视遥控器[5] - 1992年公司开始从事电视整机业务并扎根深圳，于2000年在香港主板上市，成为彩电行业明星企业[6] - 2024年公司营收体量达到650多亿元，并设定了千亿营收目标，预计两年内实现[3] - 公司发展并非一帆风顺，2000年后曾经历团队出走、渠道震荡及营收大幅下滑的危机，后经重建重新站稳脚跟[6] 业务转型与增长曲线 - 面对家电行业存量竞争和利润趋薄，公司于2019年跨界进入光伏新能源领域，选择从户用光伏起步[7][8] - 新能源业务利用家电时代积累的渠道、品牌和运维能力，三年内营收突破百亿元[8] - 2025年上半年新能源业务收入达到138亿元，同比增长54%，占集团总营收近四成，成为公司第二增长曲线[9] - 公司自2011年收购南京金龙切入新能源客车，后进入乘用车市场，提出“创维汽车是一场健康革命”的差异化战略[11] 创始人特质与企业精神 - 创始人黄宏生具有强烈的驱动力和危机感，现年70岁仍每天工作超过15小时，坚守创新一线[18] - 其人生经历颇具传奇色彩，从1966年18岁时在海南黎母山采伐场做伐木工，到1977年通过高考以优异成绩考入华南理工大学无线电系[13][16] - 公司与深圳特区共同成长，其创新精神体现了“无创新，不深圳”的城市特质，穿越多次产业周期仍处创新一线[18] - 创始人将制造业形容为“九死一生的马拉松”，并在2025年提出“十赌十输”中争取一线胜利可能的人生哲学[6][11]

基金经理田瑀的投资理念 - 以买企业的思维进行价值投资 专注于企业长期价值增长而非交易价差收益 [4] - 投资逻辑基于第一性原理 从理解生意模式本身出发而非追逐市场景气信息 [4] - 要求企业具备跨越周期的盈利能力 关注护城河深度及与同行的差异化优势 [4] 研究方法论 - 通过招股说明书获取产业一手信息 建立基础认知体系 [5] - 对护城河进行细节归因 分析同行可复制性与时间维度下的竞争优势持续性 [5] - 深度研究生产流程 成本控制 工艺研发及客户关切等微观要素 [9] 模拟芯片行业投资逻辑 - 行业具备长坡特征：下游需求覆盖消费 工业等智能控制领域 渗透经济各环节 [8] - 厚雪慢变特性：产品占客户成本比例低但影响品质 客户黏性高且更换意愿低 [8] - 国产替代机遇：全球贸易格局变化促使供应链转向国内 头部企业积累多年迎发展空间 [9] - 具体案例：某模拟芯片设计企业市值从600亿跌至80亿 40亿账面现金凸显估值吸引力 [9] 高端白酒投资策略 - 生意模式满足长坡厚雪慢变：购买者与使用者分离导致定价能力极强 [12] - 护城河要素：需产品品质 生产要素 品牌历史及长期消费者教育等多重稀缺条件 [13] - 操作实践：2020年四季度卖出估值过高标的 2024年二季度重新买入3只高端白酒股 [12] 组合管理与绩效表现 - 中泰开阳价值优选混合A近一年净值增长率39.80% 超越业绩基准21.84% [1] - 自下而上选股策略：在当前市场环境下仍能发掘潜在回报丰厚标的 [15] - 组合构建兼顾质地与价值 对科技革命初期的长期机会保持乐观 [15] 逆向投资哲学 - 利用市场悲观情绪线性外推周期困难时布局质价双优标的 [14] - 投资逆风期被视为最佳入局时间 通过承担有价值波动获取超额回报 [15] - 核心在于深度研究基础上的信心 对持仓质量及获利潜力保持笃定 [14]

巨硬计划项目概述 - 马斯克旗下xAI推进"巨硬计划" 基于Grok大型语言模型构建多智能体系统 部署数百个专门AI代理协同模拟完整软件开发团队[3] - 项目核心逻辑为软件公司不生产实体硬件 因此从编码设计测试到管理的全部流程均可被AI复制[5] - 巨硬计划开发的AI软件将用于优化特斯拉自动驾驶算法 工厂自动化和人形机器人Optimus功能 特斯拉海量真实世界数据反哺训练[17] 算力基础设施部署 - Colossus II算力集群6个月从零建成 已完成200MW供电规模 支持11万台英伟达GB200 GPU NVL72[1][12] - 项目第一阶段部署11万个GB200 GPU 最终目标超55万个GPU 峰值功率需求超1.1吉瓦 长远规划扩展至100万个GPU[13][14] - 采用跨区域能源策略 在密西西比州收购前杜克能源发电厂 现有7台35MW燃气轮机运行 另部署168个特斯拉Megapack电池储能系统保障供电[15] 建设进度与比较优势 - 仅用6个月完成OpenAI和甲骨文等合作方15个月的工作量 创造行业新纪录[2] - Colossus I集群曾用122天建成约20万台H200 GPU 92天内规模翻倍 至今仍是最大AI训练算力集群[6][8] - Colossus II于2025年3月7日启动 收购100万平方英尺仓库和100英亩地块 7月已开始安装机架[10][11] 资源投入与执行力度 - 与Solaris Energy Infrastructure成立合资公司（Solaris持股50.1% xAI持股49.9%） 第二季度投入1.12亿美元资本支出[15] - 马斯克亲自督战 周末连续进行技术评审 现场审查变压器和电力生产进展 项目进入冲刺阶段[16] - 密西西比州监管机构临时批准发电厂运行燃气轮机12个月 无需正式许可 加速部署进程[15]

第一性原理概念与起源 - 亚里士多德最早定义第一性原理为系统中最基本且不可违背的命题 [5] - 本质等同于中文语境中的"实事求是" 强调聚焦核心矛盾与本质 [5] - 马斯克通过该原理分析火箭成本 发现核心问题为一次性使用惯例而非材料成本 [3] 思维模式与应用逻辑 - 从不可再分的基本事实出发进行逻辑推理 而非依赖类比或既有经验 [3] - 需通过去粗取精、去伪存真、由此及彼、由表及里的分析过程把握事物本质 [9] - 实践与认识的循环往复是改造主观与客观世界的核心路径 [9] 商业与企业实践 - 企业需坚持实事求是原则以实现持续发展 [5] - 员工需量体裁衣定位自身 避免过高或过低评估能力 [7] - SpaceX通过可回收火箭技术大幅降低发射成本 验证第一性原理在商业创新中的有效性 [3] 文化认知与实施挑战 - 东方文化更倾向将第一性原理视为对"实事求是"理念的印证 [7] - 人类普遍存在以自我为中心的认知偏差 阻碍基于事实的客观判断 [7] - 物理定律被视为不可违背的真理基础 任何创新都需在此框架内实现 [3] 跨行业普适性 - 各行各业成功本质均需遵循求真务实原则 [10] - 理论联系实际是事业发展的核心心法 [9] - 科学真理具有普适性 不受东西方文化差异影响 [9]

市场地位与用户增长 - 字节跳动旗下豆包月活跃用户规模达到1.5742亿，环比增长6.6%，登顶中国原生AI应用月活榜首[2] - 豆包从2024年5-7月，日新增用户从20万迅速飙升至90万，并在9月成为国内用户规模破亿的首个AI应用[9] - 截至2024年11月底，豆包累计用户规模已超过1.6亿[9] 产品定位与核心优势 - 产品定位生活化和娱乐化，反应速度快、说话语气像真人、回答情商高，满足大众日常需求[4] - 应用场景包括聊天伙伴、高情商沟通导师、恋爱军师和旅游向导，实现“谁都可以用”的低门槛[4] - 豆包并非单一模型，而是一个模型家族，包含文本、视频生成、实时语音及语音播客模型等多种模态[8] 公司战略与资源投入 - 采用“大力出奇迹”战略，依托字节跳动的超级流量、专业数据和算法优势[6] - 国内十款大模型产品在2024年合计已投放超625万条广告，投放金额达15亿元，豆包在2024年6月上旬一轮广告投放金额就高达1.24亿元[6] - 豆包团队在2025年2月提出全新稀疏模型架构UltraMem，推理速度较MoE架构提升2-6倍，推理成本最高可降低83%[7] 数据飞轮效应与技术基础 - 庞大的用户基数为模型优化提供了海量的真实、多样化用户交互数据[6] - 字节跳动丰富的产品生态（如抖音、剪映等）为豆包训练和迭代多模态能力提供了潜在的数据基础[7] - AI产品的本质是数据智能，更多用户意味着更多数据，更多数据意味着更聪明的AI，形成正向循环[9] 行业启示与发展方向 - AI产品需要回归场景，用户不关心参数，只关心能否解决实际问题[11] - 数据智能的核心是数据飞轮，而非孤立模型，AI应用必须降低使用门槛才能实现大众化[11] - 豆包的成功逆袭是AI应用大战的新起点，技术持续演进和应用场景不断拓展是未来方向[11]

文章核心观点 - 公司以“第一性原理”和倾听用户“不要什么”的反向洞察方法论进行产品创新，旨在重塑全球高端洗护格局 [1][6] - 公司通过技术原创和极致用户体验，在高端洗衣机市场开辟新路径，目标是实现全球市场份额从1%到5%的跨越，并向百亿规模迈进 [6][20][22] 创新方法论 - 创新逻辑基于两个独特方法论：一是专注倾听用户“不要什么”以反向推导有价值创新，二是以第一性原理回归产品本质进行思考 [6] - 团队抛却行业固有框架，重新思考衣物如何洗干净、洗涤剂如何发挥最大效能等根本问题 [6] 产品技术突破 - AI全变频洗烘套装L9带来直击本质的创新技术：内筒直径拓展至540mm，搭配六道仿搓衣板提升筋，再现人手揉搓 [8] - 独创悬瀑循环喷淋系统与文丘里管结构，加速洗涤剂溶解并产生细腻泡沫，提升去污效率 [8] - 全球首创仿生机械臂升降旋钮，实现机身、门板与旋钮的完全纯平，攻克“全嵌≠真平”行业难题，旋钮具备20万次升降寿命 [9] - 全变频热泵系统实现30分钟速烘1公斤衣物，能耗降低20%，运行噪音减少20% [9] - “银盾蒸汽护理”功能25分钟使衬衫恢复挺括，解决用户多花37%时间手动整理的痛点 [9] - 获国际羊毛局洗烘双绿标认证（全球仅5%产品能达到），采用37℃低温柔烘 [9] - 首发“冷动力氧护洗”，通过电解水实现低温高效除菌，除菌率高达99.999%，零化学残留 [10] - AI洗涤算法搭配DD直驱电机，确保洗护过程精准、平稳、可靠 [10] 团队与组织能力 - 洗衣机团队80%成员来自传统家电企业，20%来自水处理、纺织品护理等跨界领域，累计申请专利141件 [14] - 组织模式重构带来效率跃迁，有价值创新需求获得100%资源支持，技术论证环节从数月缩短至几场头脑风暴 [15] - 人才哲学强调引入跨界思维，使技术人员被看见、被信任，拥有快速试错和迭代空间 [14] 渠道与供应链策略 - 渠道策略创新：在产品定义初期引入全球经销商共同创作，实现“上市即上量”，洗衣机BU年度签约意向金突破3.8亿，与全国25家代理商达成战略合作 [15] - 供应链端掌握电机与智能算法等核心技术，非核心部分与顶级供应商协同合作，决策和上市速度快得惊人 [15] - 总投资约40亿元于南京溧水建设193亩智能洗衣机工厂，专注高端制造，年产能规划达250万台，能耗低于行业标准 [15] 市场愿景与全球布局 - 未来三到五年，目标实现全球市场份额从1%到5%的跨越，向百亿规模迈进 [20] - 全球市场是真正赛场，正评估在德国建立生产基地，进行高水平全球布局，海外市场存在从无到有的普及浪潮和高端升级窗口 [22] - 公司构筑未来洗护生态系统，强调价值回归用户，终结痛点而非进行价格竞赛 [20][23]

软件工程方法论本土化 - 西方敏捷方法论在中国出现水土不服 因国内企业文化偏管控型 强调令行禁止的确定性 而西方崇尚试错和自组织[6][12] - 需将敏捷核心思想与本土实践结合 基于第一性原理重新设计适合中国土壤的农具 而非照搬最佳实践[7][14][15] - 华为在落地IPD时做了管理变革和创新 体现本土化必要性[13] - 推出Adapt方法论框架和《敏稳兼顾：数字化研发管理实战》著作 总结规模化敏捷本土落地经验[15] AI对软件工程的冲击 - AI工具存在悖论：对员工是摸魚神器 对老板却是提效神器 两者本质矛盾[9][35] - 生产力变革触及生产关系根基 需解决员工为何使用AI为公司创造价值而非提前下班的管理问题[9][35] - 私域知识质量差是AI应用短板 大多数软件开发项目有独特金融软件或电商系统实现方式等私域知识[18] - 上下文缺失是AI发挥作用的重要阻碍 老系统缺乏历史信息或历史上下文[18][20] - AI在代码补全场景高效 因已有明确修改点和意图上下文 但让AI纯粹处理任务则需大量上下文[19][20] - 短期困难包括AI幻觉和上下文不足 导致团队效率提升数据在10%-20%体感误差范围内[20] Agent专业化趋势 - 不会有通用Agent 最终会分化成专用Agent 如金融Agent 测试Agent 重构Agent[24] - 工程生产线需差异化 如特斯拉造车产线不会用于生产飞机 否则不经济[24] - 开发语言进一步专业化 自然语言编程提升抽象层次 但最终会出现领域特定语言(DSL)[25][26] - 描述和Agent都会分化 形成更专业化生产线[27] 组织管理变革 - 未来组织是1+N模式 即1位人类小队长带领N个AI特工协同工作[35][38] - 需把Agent当成员工管理 建立注册 KPI考核 任务冲突调解等管理机制[24][35] - 考核体系变化 人的效能不再是个人产出 而是带领多少Agent产出多少[38][42] - 兵种主建 战区主战 类似国家军事改革 在职能线上叠加交付型组织[30] - 科技团队不能孤立谈管理 需与PMO 财务等职能部门深度卷入 为整个公司治理服务[47] 技术债与质量管控 - AI可能加速技术债累积 如果过分强调效率或代码行数等指标 会导致低质代码更快产出[53] - 使用得当AI反而减少技术债 如AI生成单元测试能力非常强 形成自闭环[54] - 布设单元测试像铃铛 代码被不该改的地方触碰就会报警[54] - 需传统度量体系感知质量 如交付效率 缺陷修复时间 代码重复度等[53] 工具与平台演进 - 知微工具平台将Adapt方法论理念变为数字化工具 如分层需求体系 多维组织架构[49] - 知微是可配置零代码平台 像高级定制西装 根据客户情况量体裁衣 而非定制开发或盒装软件[52] - 知微会逐渐中台化 大模型也是其用户 通过API调用 成为组织流程资产中心[60] - 未来IDE和CLI是主入口 界面越来越少 因AI改善工具使用 根据工作上下文自动操作[60] 程序员能力重塑 - 未来重要能力是对AI的了解和沟通协同能力 需学会与AI有效沟通[66] - 程序员需放下对AI戒备和抵制 进行心理角色转换 从种地变为地主[77] - 与人沟通和团队协作能力变得非常重要 需补强[78] - 对业务理解至关重要 程序员现在创业更容易[78] - 有技术底色的程序员更具优势 因懂技术细节可不关心 但产品经理压根不懂则难做精准判断[74] - 马斯克 扎克伯格 比尔·盖茨等有编程能力者最终成为顶尖产品缔造者[75] 行业长远展望 - 软件工程终极图景是黑灯软件工厂 AI自主编码 人类负责指挥和规划[9][81] - 软件不会用后即弃 因承担产生数据使命 有长生命周期 形成领域知识[80][83] - 软件行业类比制造业 产能飞跃后可能解决更高阶问题 产生新需求 如星际旅行 可控核聚变 智能医药[82][83] - AI颠覆原有冯·诺依曼架构 LLM是全新概率引擎 从确定性输出变为合理可能结果 拓展软件能力边界[61][62] - 软件边界和形态发生变化 从服务顾问变为直接服务用户 从确定性软件变为能给出不确定结果的软件[63] - 测试和质量过程都需改变 因软件给出不确定结果[64]

字节跳动员工违规事件分析 - 字节跳动第二季度因违规辞退100多名员工 其中18人涉及刑事犯罪及恶意损害公司利益等严重情节 8人被移交司法机关[5] - 违规行为包括接私活套取公司保密信息 匿名诋毁同事及公司政策 过度侵占公司福利资源[6][7][8] 职场人品筛选机制 - 社会存在以人品为底线的隐蔽筛选机制 人品与能力共同构成职业发展的双重要素[10] - 人品被视为参与重复博弈的入场券 是职场长期发展的许可证[12] - 职场允许存在灰度竞争但必须坚守底线 突破红线将导致职业资格丧失[13] 企业风险管控逻辑 - 企业将人品问题视为经营风险 采取风险回避策略排除隐患[21][22][23][24] - 管理者认为人品缺陷带来的潜在破坏力远超能力价值 宁可空缺职位也不录用高风险人员[16] - 典型案例显示 明知学校违规仍招揽45名同乡的求职者因人品问题被否决[26][28][29] 商业成功的人品基础 - 对1000多名企业家的跟踪研究发现 敦厚善良者持续发展 精明者多破产或入狱[31] - 段永平坚持"不该赚的钱不赚"的价值观 全额支付施瓦辛格代言费 反而赢得供应链信任并获更多合作机会[32] - 企业通过"是否泄露前公司机密"的测试题 淘汰所有填写具体信息的应聘者 体现对品德的严格筛选[33] 职场发展核心规律 - 能力决定录用机会 品德决定职业留存周期[34] - 人品被定义为最高学历和职业硬通货 是长期职业生涯的根本保障[35] - 职业竞争力体现在底线坚守而非规则钻营 人品缺陷无法通过能力弥补[19][29]

**全球宏观研究经验与思考 20250905 关键要点总结** **一、行业与公司** * 行业为全球宏观研究领域 专注于自上而下的投资方法论 涉及任何国家、货币、市场和资产类别[1][4] **二、核心观点与论据** * 全球宏观研究价值在于通过数据驱动和科学方法论提高判断准确性 从宏观趋势和全球失衡中寻找投资交易机会[2][4] * 买方有效研究需兼具广度与深度 构建"梯形"结构 横向了解多领域多资产 纵向深入特定领域 并注重实证研究和反馈[5] * 有效市场假说认为市场价格反映所有信息 难以预测获取超额收益 但通过系统化数据驱动方法仍可发现潜在机会[6][7] * 宏观经济判断最重要的是把握方向 例如2023年判断美国经济软着陆而非金融危机 2025年判断资金流向推动中国股市[15][16] * 好的研究方法论包括从好问题开始 系统性思考 严谨对待细节 扎实学术训练和不断接受反馈[17] * 广义货币超发未导致通胀 因货币流通速度下降 利率越低持有货币机会成本越低 进一步降低了流通速度抑制通胀 中国广义货币总量达320万亿但通胀未显著上升[22][23] * 市场研究需逻辑、理论与实证相结合 重视叙事和反馈机制 对自身观点保持严苛 并具备独立研究能力[28] **三、其他重要内容** * 需注意研究中的典型错误和误区 例如美联储2021年误判通胀为暂时性 澳大利亚央行2020年政策承诺不到一年就撤销[3] * 分析问题应采用外部视角（宏观共性）和内部视角（微观个性）结合的方法 先找共性再找个性[9][10] * 进行正确类比需找到最根本驱动力（如人的行为） 避免错误类比（如用1998年亚洲金融危机类比2008年次贷危机）[11] * 简单将中国与日本类比存在问题 因两国市场规模和发展水平不同 1985年日本人均GDP达美国150% 中国则利用庞大市场规模和AI技术巩固产业优势[14] * 油价下跌对中国经济影响较小 国际油价跌20%但国内油价仅下调几个百分点 消费者节省有限 对实体经济带动作用不大[21] * 分析宏观经济问题需系统性思考 包括准确把握概念 同时考虑供给与需求 进行框架性思考 明确传导渠道和细致数据处理[25] * 确保论据可靠性需价格与数量匹配 自上而下与自下而上匹配 流量与存量匹配 区分主要因素与次要因素[27] * 市场研究与学术研究不同 追求共性和深入浅出 需简化内容易于理解[30] * AI在宏观经济分析中有局限性 因数据非独立同分布 样本点少 变量相关性高 无法替代人工判断[31] * 优秀市场研究人员需具备强烈好奇心 掌握系统性思考框架 注重细节和实证 主动寻求反馈[33]

财务表现 - 上半年营收同比大增67.6%至15.67亿元，毛利率高达65.4% [2] - 产品及解决方案业务收入同比翻3.5倍至7.78亿元，出货量198万套，其中中高阶产品解决方案出货量98万套，占总出货量的49.5%，贡献超八成收入 [4] - 软件及授权服务收入7.38亿元，同比增长6.9%，为超30家车企提供算法与软件 [5] - 研发投入高达23亿元，同比增加62%，重点投向城区智驾和云服务 [6] - 运营亏损15.92亿元，净亏损13.33亿元 [6] 业务里程碑 - 征程系列硬件出货突破1000万套，正式跨入千万级芯片出货量行列 [2] - 征程6E芯片已开启量产，首批搭载车型覆盖名爵、荣威、奇瑞等多款热门车型 [6] - 累计获得近400款新车型的定点，其中具有中高阶辅助驾驶功能的车型超过100款 [6] - 上半年有超过15款搭载中高阶辅助驾驶方案的车型成功量产上市 [6] 战略方法论 - 在没有竞争的地方竞争，避开英伟达中心计算领域，聚焦边缘计算如机器人、智能汽车等自主移动设备 [9] - 聚焦芯片细分领域中最难的车规级芯片，工艺难度和严苛远超工业级、消费级 [9] - 不在悬崖边跳舞，花80%精力考虑死门并避免，非常重视现金流，即使在2019年战略聚焦汽车业务、裁撤1200人时，账上依旧保留30多亿现金 [10] 发展历程与愿景迭代 - 2015年成立初期愿景为"成为边缘人工智能芯片的全球领导者"，但缺乏商业敏感，试水智能玩具、智能电器等多领域后处处碰壁 [15][16] - 2019年战略聚焦汽车业务，明确客户为汽车产业，愿景迭代为"让每一辆车都搭载地平线的智能计算方案"，更偏向To B [17] - 2022年底进一步迭代愿景为"打造人人爱用的智能驾驶产品"，更偏向To C的品牌塑造，从功能价值转向情绪价值 [18][19] - 最终目标为"给汽车和机器人时代打造计算平台"，软硬结合，通过软件连接供给和需求 [21] 行业洞察与商业哲学 - 汽车将成为继手机后的下一代智能终端，计算平台是核心基础设施 [17] - 商业的第一原理是明确客户是谁，而非技术本身 [17] - 遵循第一性原理，逻辑上成立的事必然会发生，创业要遵循商业的本质和商业设计的第一性原理 [12] - 软硬结合，通过软件连接芯片供给和市场需求，否则商业闭环无法成立 [21]