对AI时代的宏观判断与投资信仰 - 将当前AI革命定义为一场堪比工业革命、可能持续十年以上的宏大时代机遇，反对过早担忧AI泡沫[1][5] - 认为错失一个时代的风险远大于过早担忧泡沫的风险，当前AI时代是职业生涯中不应错过的最后一个伟大机会[1][5][14] - 强调投资人需具备敏锐洞察力以跟上快速变化的时代，否则可能被淘汰[1][23] AI技术的发展前景与落地应用 - 从长远看，人工智能可能是碳基生命向硅基生命过渡的关键起点，将引领人类文明走向太阳系之外[4] - 在当下，AI技术落地的重要图景包括攻克癌症、延长寿命、人机融合、无人驾驶等领域的突破[4] - 预判2026年将成为“AI应用爆发之年”，驱动力源于顶尖科技巨头间白热化的竞争加速技术迭代[3][5] - 明年（指2026年）将是AI基础层和应用层共同突飞猛进、相互驱动的时代[5] 全球AI产业的投资布局与市场观点 - 投资布局倾向于寻找具备长期确定性、能定义未来、拥有宽阔护城河的全球科技龙头[5] - 截至今年三季度末，东方港湾海外基金的第一大重仓股是英伟达，第二大是谷歌[5] - 认为今年美股的轨迹更像1998年，经历调整后依靠坚实产业趋势再创新高，而非2000年互联网泡沫[5][7] - 曾预判2025年大概率像处于互联网时代的1998年，估计纳指最终可能上涨20%左右[7] - 除了满仓美股科技巨头，还配置了ETF工具以全力以赴参与人工智能时代[7] 对A股市场及中国企业的看法 - 认为2026年A股出现“结构牛”的概率更大，动力将来自人工智能，国家力量会大力推进，相关结构性机会可能持续十年[10] - 指出东方港湾有相当比例的产品专注于A股与港股市场，并进行了系统性布局[10] - 看到中国企业在全球科技与汽车供应链中扮演不可或缺的角色，出色公司能同时受益于“内循环”庞大市场与“外循环”全球需求[10] - 出海布局是为了寻找并投资能参与全球竞争的“大海里的鲸鱼”[10][17] 行业比较与投资逻辑演变 - 投资逻辑从十多年前基于中产阶级崛起的白酒消费，转向以人工智能为代表的科技革命[8] - 指出若白酒需求从“永续”模式发生根本转变，其估值体系将面临重塑，需观察年轻人的白酒消费情况[8] - 将资本重新配置到具备更强时代动力、更清晰前景的产业方向，是基于深度研究后对资产组合的持续优化[8] - 对于重金属等周期性行业可能会谨慎观望；对于消费和白酒，还需关注相关政策变化[11] 核心投资理念与方法论 - 投资框架不严格区分“成长”与“价值”，而是两者的叠加，是追求戴维斯双击的过程[8] - 投资的真正安全边际在于企业持续创造价值的成长能力本身，而非静态估值数字[8][19] - 一些伟大公司能“越涨越便宜”，凭借持续增长消化估值并在创下新高后长期保持高度[8][20] - 投资比的是思考的远见，比谁看得远、看得准、敢重仓，能坚持[18] - 金融资产最大的风险是持有的资产本身是否能在长周期中持续创造价值[19] 对普通投资者的建议 - 认为散户优势在于一旦找准方向可以全力以赴、重仓持有[11] - 寻找“王冠上的明珠”般的企业并不总是需要极其专业的门槛，其卓越往往显而易见[11] - 如果判断个股难度大，建议通过ETF参与市场，例如标普或纳指ETF、人工智能ETF、机器人ETF、港股科技ETF等[11][24] - 强调永远不要借钱投资，远离融资炒股，这是投资中的大忌[12][25]

文章核心观点 - AI技术正经历从对话机器人到自主智能体（Agent）的范式转移，AI正以“数字化员工”身份嵌入企业核心业务流 [1] - 资本市场在狂热后回归冷静，开始严肃审视AI基础设施的巨额资本支出与短期营收增长不成比例的问题，市场关注点转向AI能否成为成本可控、生产力明确的工具 [1] - 亚马逊云科技通过2025年re:Invent大会，以工程化思维系统性地回应市场对成本与落地性的焦虑，提供了一套从底层基础设施到上层应用、旨在重构AI成本模型与推动规模化落地的解决方案 [1][2] 行业趋势与市场环境 - AI角色发生根本性质变：从被动响应进化为具备自主思考、任务拆解与工具调用能力的智能主体 [1] - 企业AI应用需求转变：从迷信单一超级模型转向寻找适合特定业务场景、性价比最高的模型组合 [11] - 企业面临遗留系统现代化挑战：据艾哲森统计，企业每年约70%的IT预算用于维护遗留系统，形成了高达数万亿美元的“技术债” [24] 基础设施创新：算力与存储 - **存储能力升级**：Amazon S3单个对象最大容量从5TB提升至50TB，简化了千亿参数模型的保存与加载流程 [3] - **向量存储革新**：新发布的Amazon S3 Vectors允许直接存储管理数万亿级向量数据，将存储与查询总体成本降低90% [4] - **向量检索加速**：Amazon OpenSearch Service新增GPU向量索引加速功能，索引创建速度提升10倍，成本仅为原来的四分之一 [4] - **计算双轨策略**：一方面与NVIDIA深度合作，推出搭载GB300 NVL72系统的EC2 P6e实例，并托管NVIDIA的Project Ceiba集群；另一方面加速自研芯片部署以提供极致性价比 [6] - **自研芯片进展**：公司已部署超过100万片自研芯片，其中Trainium2的部署速度达到前代产品的4倍 [7] - **新一代自研芯片性能**：基于Trainium 3的EC2 Trn3 UltraServers相比前代带来4.4倍计算能力和3.9倍内存带宽提升，每兆瓦功耗处理的token数量提升5倍 [9] - **未来芯片规划**：正在研发的Amazon Trainium 4预计将带来6倍的FP4计算性能 [9] - **基础设施新理念**：提出“数据园区即计算机”构建理念，Claude最新模型所依赖的Project Rainier即基于此理念构建 [9] - **混合部署方案**：推出Amazon AI Factories，允许在企业自有数据中心内由公司建设管理隔离的AI基础设施，兼顾安全与效率 [10] 模型生态与战略 - **模型平台规模**：全托管生成式AI服务平台Amazon Bedrock已拥有超过10万家客户 [11] - **模型生态扩展**：平台新增包括Google Gemma 3、NVIDIA Nemotron和OpenAI GPT OSS Safeguard等在内的18款开源模型 [11] - **引入中国领先模型**：平台在已有DeepSeek和阿里千问基础上，正式引入Kimi K2 Thinking和MiniMax M2模型，为出海企业提供全球统一基础设施调用本土优势模型的便利 [13] - **自研模型矩阵发布**：推出全新的Amazon Nova 2系列模型，旨在解决企业具体痛点而非刷榜 [14] - **低成本模型**：Nova 2 Lite专为高频次、低复杂度任务设计，将推理成本压缩到极致，现场演示仅用几分钟就从零构建完整房地产管理系统 [14] - **高性能模型**：Nova 2 Pro专为深度推理等复杂场景，在多项基准测试中强于Claude Sonnet 4.5、GPT 5.1和预览版Gemini 3 Pro [15] - **多模态模型**：Nova 2 Omni为首个统一多模态模型，能同时支持文本、图像、视频和音频输入，并输出文本和图像 [15] - **语音模型**：Nova 2 Sonic能实现毫秒级实时对话体验，适用于呼叫中心等场景 [15] 智能体（Agent）开发与落地 - **标准化开发平台**：推出Amazon Bedrock AgentCore，旨在将Agent开发从“手工艺术”变为标准化工业生产 [16][17] - **多Agent协作范式**：通过“贷款审批”案例展示，将复杂业务流拆解为由Intake、Analyze、Underwriting等多个各司其职的Agent协作完成 [18] - **灵活模型调度**：允许在同一业务流的不同环节，根据成本与性能需求灵活指派不同模型（如Nova 2 Pro、Claude 3.5 Sonnet） [18] - **企业系统集成**：AgentCore能深度连接企业IT系统，如从DynamoDB、S3及第三方API实时查询数据 [19] - **安全与可控性**：引入基于Cedar语言的Policy功能，可设定刚性策略（如“退款超1000元须转人工”）以约束Agent行为 [20] - **质量评估体系**：AgentCore Evaluations内置13种评估器，可从准确性、安全性等多维度对Agent进行自动化测试与量化评估 [20] 企业级应用与生产力工具 - **办公效率套件**：推出Amazon Quick Suite，能穿透企业内部各类办公套件与业务软件，串联分散数据资产，变“人找数据”为“数据找人” [21][22] - **智能客服升级**：Amazon Connect引入Agentic AI能力与Nova 2 Sonic模型，使客服Agent具备理解情绪、处理复杂非线性任务（如退换货）的行动力 [23] - **遗留系统现代化**：推出Amazon Transform，能理解业务逻辑依赖，将遗留代码（如150万行Windows代码）自动迁移至现代云环境，新发布的Custom功能允许通过自然语言自定义转换规则 [24] - **软件开发自动化**：推出Kiro Autonomous Agent、Amazon Security Agent和Amazon DevOps Agent，标志着软件开发向“人定目标、机器实现”的自主化进阶转变 [25][27]

文章核心观点 - 年末A股市场出现资金从人工智能、医疗等热门成长板块向红利低波、自由现金流等稳健价值板块切换的迹象，引发市场对风格切换和“AI泡沫”的讨论[1] - 公募机构普遍认为，2026年科技成长仍有望成为市场主线，但投资逻辑将更注重产业需求的稳定增长和现金流的持续性，资金可能从科技向现金流稳健的制造业等多方向扩散[1][6] - 机构在跨年布局中采取“哑铃型”配置策略，同时关注科技主题与红利主题，并认为基本面特征如现金流、估值、盈利是布局的重要依据[7][8] 资金流向与市场风格变化 - 截至12月22日，资金流入显著的宽基品种中，沪深300ETF净流入超过12亿元，中证A500ETF净流入超过300亿元[2] - 红利低波、中证红利、自由现金流等稳健类ETF均实现净流入，其中红利低波品种净流入在15亿元以上[2] - 12月以来，多只人工智能主题ETF录得逾10亿元净流出，半导体、光伏等主题ETF净流出也较显著[2] - 中证A500ETF从12月10日起成交额逐步放大，接连突破300亿元、400亿元、500亿元关口，规模突破2400亿元[2] - 临近年末，机构资金倾向于减持前期涨幅大、估值高的板块，转向低估值、高确定性领域以稳定收益[2] - 市场风格呈现“高切低”特征，红利资产有相对表现，但短期切换较难持续，更长时间维度的风格切换可能出现在明年一季度左右[3] 公募机构对2026年市场的展望 - 2025年市场的驱动力中，估值修复强于盈利修复，类似于2019-2020年阶段[3] - 2026年A股盈利增速有望再上台阶，各宽基指数的EPS有望出现较大幅度提升，但估值提升速度将趋缓[4] - 2026年增量资金主力预计来自外资和公募基金，“核心资产”作为硬科技和优质现金流的“并集”，可能成为资金的最小阻力方向[6] - 市场仍然是结构性风格，但资金有望从科技向现金流稳健的制造业方向扩散[6] - 随着中国经济步入结构转型新阶段，科技仍将是未来市场主线，同时资源品和顺周期领域或有细分机会，红利在低利率环境下依旧是组合的稳定器[6] 对科技板块（特别是AI）的研判 - 针对“AI泡沫”的质疑，有观点认为当前AI投资仍处于非常早期阶段，核心标的的PE合理且基本面业绩增长有力，谈不上泡沫[5] - 当前的AI投资与2000年互联网泡沫相比有更扎实的业绩基础，GPU龙头和CSP龙头都能在收入和现金流上体现[5] - 2026年AI投资机会与挑战并存，算力最大的机遇来自确定性，当前依然处于算力基础设施竞赛中，从算力到存储、电力供给、电力设备等环节都很紧俏，会带来很多投资机遇[5] 投资逻辑与重点关注方向 - 优质资产的判断应回归产业需求是否稳定增长以及现金流能否持续这一核心逻辑[1][6] - 看好两类机会：一是受益于供给约束、格局改善且现金流持续优化的周期行业（如有色金属），其属性正从强周期股向现金流稳健、股息率提升的价值股转变；二是依托中国供应链与效率优势，积极拓展海外市场的高端制造业[8] - 国际投资者正重新审视中国资产的配置价值，中国资产的长期价值重估进程仍在持续[6] 公募基金的跨年布局策略 - 截至12月22日，全市场有近60只含权基金正在发行，包括科技、医药主题产品，以及自由现金流、消费等价值稳健类品种[7] - 具体新发产品包括易方达上证科创板芯片设计主题ETF、招商医药量化选股、兴业中证科技优势成长50策略ETF等科技成长基金，以及汇添富沪深300自由现金流指数基金、西部利得红利鑫选等稳健类产品[7] - 在2026年布局中，“哑铃型”配置策略具有重要价值，即同时布局科技主题ETF和红利主题ETF[7] - 基金投资需要提前布局以应对潜在的快速风格切换，一旦年初市场风格有切换（特别是事件驱动的赛道转换），资金会迅速切换到其他板块，可能引发新一轮结构性行情[7][8]

近期A股市场资金流向与风格切换观察 - 年末以来ETF申赎数据显示，人工智能、医疗、创新药等热门主题出现净流出，而红利低波、自由现金流等稳健品种获得资金青睐[1] - 截至12月22日当周，沪深300、中证A500等宽基ETF净流入显著，其中中证A500ETF净流入超300亿元，红利低波ETF净流入超15亿元[3] - 12月以来，多只人工智能主题ETF净流出逾10亿元，半导体、光伏等主题ETF净流出也较显著[3] 市场对风格切换与“AI泡沫”的讨论 - 市场热议“A股风格会否切换”及“AI泡沫”论，公募认为科技成长有望成为2026年主线，但年末资金“高低切换”使投资逻辑回归产业需求稳定增长及现金流持续[2] - 有机构认为近期市场风格呈“高切低”特征，红利资产有相对表现，短期切换难持续，明年年初仍重点关注大盘成长风格，较长时间维度的切换可能出现在明年一季度[4] - 针对“AI泡沫”质疑，有观点认为当前AI投资仍处早期，核心标的PE合理且基本面增长有力，与2000年互联网泡沫相比有更扎实的业绩基础[6] 公募对2026年市场展望与投资主线 - 公募策略报告指出，2025年市场驱动力中估值修复强于盈利修复，2026年A股盈利增速有望再上台阶，各宽基指数EPS可能出现较大幅度提升，但估值提升速度趋缓[4] - 2026年增量资金主力预计在外资和公募基金，“核心资产”作为硬科技和优质现金流的“并集”，可能成为资金最小阻力方向，市场风格有望从科技向现金流稳健的制造业扩散[7] - 随着中国经济步入结构转型新阶段，科技仍将是未来市场主线，同时资源品和顺周期领域或有细分机会，红利在低利率环境下依旧是组合的稳定器[7] 公募跨年布局与产品发行情况 - 截至12月22日，全市场有近60只含权基金正在发行，包括科技、医药主题产品，以及自由现金流、消费等价值稳健类品种[8] - 具体新发产品包括易方达上证科创板芯片设计主题ETF、招商医药量化选股、汇添富沪深300自由现金流指数基金等，显示出“哑铃型”配置策略[8] - 公募市场人士指出，A股跨年期间风格切换是大概率事件，基金投资需提前布局，现金流、估值、盈利等基本面特征成为重要依据[9]

AI投资策略与估值对比 - 文章提出一个核心投资悖论：若AI有泡沫，为何不卖出高估值的中国公司（如寒武纪288倍PE）而买入低估值的全球龙头（如英伟达44倍PE）；若AI无泡沫，为何不买英伟达而去追高亏损的中国公司[5] - DeepSeek建议的平衡策略：将大部分资金（如70%）配置于英伟达等全球龙头作为核心持仓，小部分资金（如30%）作为“风险投资”配置于有潜力的国产AI芯片公司，以把握国产替代机遇并控制整体风险[6] - DeepSeek对产业格局的终极判断：全球市场将由英伟达、AMD等少数巨头主导，同时世界将形成中美两套独立科技体系，中国市场上会诞生自己的“英伟达”[5] 行业资本支出与融资状况 - 2025年，全球科技巨头在AI基础设施领域的竞赛白热化，美股“七巨头”2025年资本支出已达4000亿美元，远超原计划的2500亿美元[9] - 为支持AI数据中心建设，谷歌、Meta、亚马逊、微软和甲骨文在2025年累计发行约1210亿美元债券[9] - 2025年全球AI初创企业融资额同比下降32%，资本变得更加谨慎[12] - OpenAI寻求新一轮1000亿美元融资，其估值已从年初的3000亿美元提升至8300亿美元，但估值增长主要依赖“星际之门”愿景，与应用表现关系不大[13][17] AI基础设施挑战与电力瓶颈 - 英伟达CEO预测，到2027年仅英伟达供应的GPU集群将消耗全球150-200GW电力，相当于1.5-2个法国全国用电量，电力缺口已成为AI发展的终极瓶颈[7] - 美国数据中心每兆瓦建设成本高达1000万-1500万美元，电费占运营成本的40%，且美国电网平均使用年限已达40年，承载能力严重不足[20] - 摩根士丹利认为，2025年至2028年，美国电力缺口将达到47吉瓦，相当于44座标准核电站的发电量[21] - 中国在能源方面具有潜在优势：2024年发电量是美国的2倍，工业电费不到美国的一半[21] 公司具体表现与市场动态 - 英伟达2025年第三季度AI芯片业务毛利率保持在78%的高位，全球九成以上的AI训练算力依赖其芯片[15] - 甲骨文因与OpenAI的“循环收入”交易细节曝光，股价在三个月内近乎腰斩，截至2025年11月总负债额超过1240亿美元[13] - 第三方统计显示，80%部署AI的企业没有实现净利润的提升，AI带来的效率提升仍停留在“演示”阶段[16] - OpenAI 2025年设定的周活跃用户数目标是突破10亿人次，但当前尚不足9亿，增速大幅回退[17] 行业转型与地缘竞争 - AI产业重心正转向基建，从轻资产的脑力竞赛转变为重资产的工业基建比拼，暴露了美国工业空心化的短板[19][20] - 行业存在逻辑转向宏大叙事，从业者将解决变现困境的方向挪到产业上游，强调算力规模扩张和AI基础设施对主导未来话语权的重要性[17][22] - 美国需要维护其“第一”地位，因此会继续执着于AI的宏大叙事；而中国要参与竞争，也需要有自己的“英伟达”[22][23]

文章核心观点 - 当前围绕美国科技巨头AI算力基础设施“折旧年限”安排的会计争议，可能成为2026年“AI牛市叙事”的潜在风险，尤其考虑到科技巨头在股市中的巨大权重和当前的高估值环境，相关争议若升温可能引发市场回调 [1][3][11] 会计争议的背景与市场关注 - 会计问题成为华尔街热门话题通常不是好兆头，近期关于科技巨头折旧年限的讨论应引起投资者警惕 [1] - 历史上，安然、世通等公司的会计造假曾引发市场重大变革和剧烈下跌，虽然《萨班斯-奥克斯利法案》后赤裸造假减少，但具有误导性的合法财务披露仍是市场重大风险 [1][2][3] - 标普500指数过去三年累计上涨约30万亿美元的行情，很大程度上由全球最大科技巨头（如美股七大科技巨头）、AI算力基础设施公司及电力供应商推动 [3] 主要涉及的科技公司与具体做法 - “大空头”迈克尔·伯里发布推文，认为Meta、甲骨文等斥巨资布局AI算力基础设施的科技巨头，甚至英伟达本身，通过将半导体采购/生产成本在过多年份内摊销，从而高估了自身盈利能力 [6] - 伯里认为，由于技术进步，芯片价值将比公司折旧年限假定更快下降；而看多者则认为更长折旧期反映了芯片的实际物理使用寿命 [6] - 除英伟达外，甲骨文也被点名，且自2020年以来，包括Alphabet、亚马逊、Meta和微软在内的其他“七大科技巨头”也一直在延长某些重大重型资产的“假定使用年限” [7] - 有证据表明IBM也参与其中，其折旧费用总额从2020年的42亿美元降至2024年的22亿美元，而营收从523亿美元增至628亿美元，该变化不符合其经济基本面增长步伐 [7] 折旧的会计实质与影响 - 财报口径的折旧年限设置本身不会创造或增加公司的真实经济价值，股东价值由未来自由现金流决定，而非会计费用的分摊方式 [8] - 折旧是一项非现金费用，仅将过去的资本开支在会计上分摊到未来，拉长折旧年限只会让每年计提的折旧费用变小、账面利润变大，但不会增加自由现金流 [8][9] - 此类“延长折旧年限”做法更多是让每股收益更好看、让市盈率分母变大、估值倍数看起来没那么贵，属于“表观修饰”，而非创造现金流的经营改善手段 [9][10] - 折旧会影响EBIT等核心利润指标，降低折旧、抬高EBIT可能让信用比率（如利息覆盖率）数字更好看 [11] 科技公司可能调整折旧年限的动机 - 可能是一种降低看似“过高”的市盈率倍数的方法，使投资者相信公司估值仍偏低 [10] - 截至12月18日，基于一致预期，信息技术类股票的平均市盈率高达36倍，而标普500指数整体为25倍，通过提高分母（盈利）可以让市盈率看起来不那么高 [10] - 此举可服务于估值、管理市场预期与CEO们主导的“盈利质量”叙事逻辑 [11] - 需要明确的是，没有任何迹象表明当今大型科技公司存在欺诈性/造假性质的会计报表做法 [10] 当前市场环境与潜在风险 - 标普500指数市值权重约35%-40%集中于“七大科技巨头”（苹果、微软、谷歌、特斯拉、英伟达、亚马逊、Meta），它们是指数屡创新高的核心推动力 [3][4] - 市场对科技股高昂估值和巨额AI投资回报的怀疑情绪增长，驱动资金关注工业和能源等传统板块，Yardeni Research创始人甚至建议减持七大科技巨头 [5] - 英伟达市值超过4万亿美元，其股价与市值动向攸关“AI牛市叙事”逻辑乃至全球股市牛市能否延续 [6] - 在估值处于历史高位、“AI牛市叙事”支撑情绪且市值集中度极高的市场，任何被感知为“坏消息”的因素都可能引发神经紧绷，关于折旧的负面争议或许足以引发一场痛苦的“熊市边缘”回调 [11]

文章核心观点 - 当前围绕美国科技巨头（尤其是“美股七巨头”）AI算力基础设施“折旧年限”安排的会计争议，可能成为引发市场对高估值AI板块进行重新评估的潜在风险点，在估值处于历史高位、市场情绪紧绷的背景下，或足以引发市场回调 [1][4][12] 市场背景与驱动因素 - 标普500指数过去三年的“超级牛市行情”累计上涨约30万亿美元，主要由全球最大科技巨头（如美股七大科技巨头）、AI算力基础设施公司（如美光、台积电、博通）及电力系统供应商（如Constellation Energy）所推动 [2] - “美股七巨头”（苹果、微软、谷歌、特斯拉、英伟达、亚马逊、Meta）占据标普500指数约35%至40%的高额权重，是指数屡创新高的核心推动力，被视为互联网时代以来最大技术变革中最有能力带来巨额回报的组合 [3][4] - 市场对科技股高昂估值和巨额AI投资回报的怀疑情绪日益增长，驱动资金关注工业和能源等传统周期板块，Yardeni Research创始人甚至建议自2010年以来首次“减持”七大科技巨头 [5] 折旧争议的焦点与案例 - 知名投资经理迈克尔·伯里（“大空头”）发布推文，认为Meta、甲骨文等斥巨资布局AI算力基础设施的科技巨头，通过将半导体采购/生产成本在过多年份内摊销，从而高估了自身盈利能力 [6] - 争议核心在于：看空方认为由于技术进步，芯片价值将比公司折旧年限假定更快下降；而看多方则认为更长的折旧期反映了芯片在磨损意义上的实际使用寿命 [6] - 英伟达并非唯一受审视的公司，甲骨文、谷歌母公司Alphabet、亚马逊、Meta、微软等其他科技巨头自2020年以来也一直在延长某些重大重型资产的“假定使用年限” [7] - 有证据表明IBM也参与其中，其折旧费用总额从2020年的42亿美元降至2024年的22亿美元，而营收从523亿美元增至628亿美元，变化步伐与经济基本面不符 [7] 折旧的会计实质与影响 - 财报中的折旧是一项非现金费用，仅是将已发生的资本开支在会计上分摊到未来期间，延长折旧年限只会让每年计提的折旧费用变小、账面利润变大，但不会增加自由现金流或企业的真实经济价值 [8][9] - 此类“延长折旧年限”的做法更多是让每股收益更好看、让市盈率分母变大、使估值倍数看起来不那么贵，属于“表观修饰”，而非创造现金流的经营改善手段 [9] - 折旧调整会影响EBIT等核心利润指标，进而影响以EBIT为分子的信用指标（如利息覆盖率），使这些比率数字更好看 [12] - 公司向美国国税局提交的税务口径报表与向投资者提供的GAAP口径财报是两套体系，改变财报折旧年限通常不等同于改变税务折旧，不必然带来现金税减少 [8] 潜在动机与市场影响 - 调整折旧年限可能是一种降低看似“过高”市盈率倍数的方法，截至12月18日，信息技术类股票的平均市盈率高达36倍，而标普500指数整体为25倍 [11] - 这种做法使得高估值科技公司的市盈率看起来不那么高，可能有助于管理层与投资者沟通，但会干扰投资者对股票价值是否定价合理的判断 [11] - 当前科技股被市场“完美利润预期”所定价，且市值集中度极高，若折旧争论升温，投资者可能重新评估公司的实际盈利水平，任何负面争议都可能在神经紧绷的市场中引发痛苦的“熊市边缘”回调 [12]

文章核心观点 - 2025年A股市场科技是主线，但二级市场投资需警惕高波动风险，不应孤注一掷也不应完全置身事外，建议采用“杠铃策略”进行配置[4][5] - 杠铃策略的核心是构建非对称投资组合，放弃中风险资产，将大部分资金配置于低波动资产以抵御危机，小部分资金配置于高风险资产以博取高收益[7] - 在A股市场，杠铃策略演变为进攻端集中配置高成长科技股，防守端持有高股息红利资产，两者在商业模式和现金流上形成本质互补，构成有效的杠铃两端[10][12][14] 市场主线与投资策略演变 - 2025年A股市场以科技为最滚烫主线，DeepSeek、摩尔线程和沐曦科技等公司股价表现突出，但关于“AI泡沫”的争议在下半年兴起[4] - 霍华德·马克斯指出，投资AI初创公司即便只有千分之一概率成长为万亿美元市值公司，早期投资的预期回报也能超过投资金额的八倍，这种“VC式回报”对二级市场构成诱惑[4] - 二级市场净值每日波动，优胜劣汰残酷，倾其所有押注VC式回报常导致净值曲线如过山车，因此需避免孤注一掷，也不应完全置身事外[4] - 全球市场在2020年后经历黑天鹅震荡，投资信仰从巴菲特式“价值坚守”转向塔勒布式“反脆弱”，杠铃策略因此受到关注[7] 杠铃策略在A股的具体应用 - 由于衍生品工具限制，A股的“杠铃策略”降维为：进攻端配置科技股赚取产业爆发成长，防守端持有红利资产赚取确定性股息[10] - 2025年下半年，红利资产重新获市场关注，例如红利ETF易方达（515180）四季度以来净流入资金超过30亿元，管理规模突破百亿，截至2025年12月19日资产规模达116亿元[10] - 红利资产被许多投资者视为“带票息的类债券资产”，其跟踪的中证红利指数股息率接近5.2%，在当下利率环境下具备强劲生息能力和低波特性[11] - 在A股存量博弈环境下，科技与红利资产呈现弱相关甚至负相关关系，科技提供收益弹性，红利提供反脆弱韧性，资金会在板块间切换以避险[11] 科技与红利资产的本质差异 - 科技股与红利资产的核心差异在于底层收益来源：科技股算的是终局价值，红利资产看的是当下利润与实在分红[12] - 科技股的成长性源于颠覆性创新，但成长期企业常需将利润及融资投入设备、产线和研发，导致自由现金流紧张甚至为负，呈现“烧钱扩张”特征[15] - 红利资产所处产业多已成熟，龙头拥有深护城河或“特许经营权”，已度过高资本开支周期，且多集中于金融、能源、公用事业等需求相对稳定的刚需行业[15] - 红利资产具备“收租式”商业模式，自由现金流充沛，只有自由现金流极其充沛的企业才能承诺长期稳定的高比例分红，自由现金流被视为企业的“测谎仪”[17] 低波动资产的超额收益逻辑 - 红利资产股价下跌时，股息率被动上升，一旦股息率高至具备吸引力（如超过5%或6%），长线资金会进场扫货，从而控制股价下跌空间，形成天然低波动属性[17] - 低波动本身是一种稀缺的超额收益来源，“波动损耗”的数学原理显示：高波动会严重磨损复利，例如第一年涨50%第二年跌50%，实际亏损25%，发生50%回撤后需上涨超过100%才能回本[18] - 二级市场比拼耐力，少跌本身就是一种难得的超额来源，低波动带来的平稳曲线能让投资者在震荡市中敢于持有，最终穿越周期[19][20] - 一级市场拥有时间特权，管理人锁定期长，容错空间大，更有望向终局的底气；而二级市场资产价格按日计价，净值波动公开透明，巨大回撤会直接暴露，因此投资者很少会用全部仓位押注单一赛道[21]

文章核心观点 - 当前围绕美国科技巨头（尤其是“美股七巨头”）AI算力基础设施“折旧年限”安排的会计争议，可能成为引发市场对高估值AI板块重新评估的导火索，在估值处于历史高位、市场情绪紧绷的背景下，足以引发一场痛苦的“熊市边缘”回调 [1][4][12] 市场背景与驱动因素 - 标普500指数在过去三年累计上涨约30万亿美元，很大程度上由全球最大科技巨头（如美股七大科技巨头）、AI算力基础设施公司（如美光、台积电、博通）以及电力系统供应商（如Constellation Energy）所推动 [2] - “美股七巨头”（苹果、微软、谷歌、特斯拉、英伟达、亚马逊、Meta Platforms）占据标普500指数约35%至40%的高额权重，是指数屡创新高的核心推动力 [3][4] - 市场对科技股高昂估值和巨额AI投资回报的怀疑情绪日益增长，驱动资金更加关注工业和能源等传统周期板块 [5] - Yardeni Research创始人自2010年以来首次建议相对于标普500指数其余部分“减持”七大科技巨头 [5] 折旧争议的焦点与案例 - 知名投资经理迈克尔·伯里（Michael Burry）发布推文，认为Meta、甲骨文等斥巨资布局AI算力基础设施的科技巨头，通过将半导体采购/生产成本在过多年份内摊销，从而高估了自身盈利能力 [6] - 争议核心在于：技术进步可能导致芯片价值比公司折旧年限假定更快下降，而看多者则认为更长折旧期反映了芯片的实际使用寿命 [6] - 英伟达并非唯一受审视的公司，甲骨文、Alphabet、亚马逊、Meta、微软等其他科技巨头也一直在延长某些重大重型资产的“假定使用年限” [7] - 有证据表明IBM也参与其中，其折旧费用总额从2020年的42亿美元降至2024年的22亿美元，而营收从523亿美元增至628亿美元 [7] 折旧的会计本质与市场影响 - 财报中的折旧是一项非现金费用，仅是将已发生的资本开支在会计上分摊到未来期间 [8] - 延长折旧年限只会让每年计提的折旧费用变小、账面利润（如EPS）变大，但不会增加自由现金流或公司的真实经济价值 [8][9] - 此类调整更像是“利润表的外观管理/沟通工具”，旨在让市盈率（P/E）等估值倍数看起来不那么高，服务于估值管理和市场预期 [9][11] - 信息技术（IT）类股票的平均市盈率高达36倍，而标普500指数整体为25倍 [11] - 折旧调整会影响EBIT等核心利润指标，可能让利息覆盖率等信用比率数字更好看 [12] 潜在的市场风险 - 在“AI牛市叙事”支撑市场情绪、市值集中度极高的背景下，市场对任何“坏消息”都神经紧绷 [12] - 如果关于折旧的争论升温，投资者可能开始重新评估这些公司的实际盈利水平，从而可能引发市场回调 [12] - OpenAI主导的“AI循环投资”夸张以及甲骨文等巨头大规模举债建设AI数据中心，已引发市场对“AI泡沫破裂”的担忧，尤其指向2026年 [4]

市场估值与泡沫判断 - 标普500指数处于泡沫化估值水平 Shiller PE已攀升至40倍 [1] - 估值泡沫主要由人工智能主题驱动 以“七大科技巨头”及整个科技板块为核心 [1] 市场观点分歧 - 看涨阵营认为当前AI泡沫处于初期阶段 建议“追涨泡沫” [4] - 看跌阵营认为泡沫已达顶峰或临近顶点 主张“抛售泡沫” [4] - 市场共识认为泡沫破裂需要“导火索” 仅凭高估值本身不足以引发崩盘 [5] 泡沫破裂的潜在诱因 - 历史经验显示 泡沫破裂前通常伴随货币政策紧缩周期 如2000年互联网泡沫 [6] - 当前美联储处于降息周期 被看涨派视为支撑泡沫继续膨胀的核心论据之一 [6] - 分析师认为AI泡沫已正式见顶 破裂进程已进入初始阶段 [7] - 当前AI泡沫本质是一场由信用驱动的AI基础设施泡沫 而信用周期已正式转向 [7] AI基础设施泡沫的逻辑与风险 - 基础模型构建者研发大型语言模型 市场的核心赌注是“生成式”特性将从根本上改变经济与社会形态 [9] - AI技术大规模普及依赖数据中心提供的算力支撑 数据中心建设具有高资本密集性 对电力、水资源等需求巨大 [9] - 初始阶段的数据中心建设由超大规模科技公司主导 资金主要来自企业自身经营利润 [10] - 下一阶段建设需要大量外部资本 融资方式多样化 包括企业发债以及由房地产投资信托基金和基础设施基金主导建设再租赁的模式 [10] - 潜在致命风险在于 若AI企业无法承担租金而终止租赁协议 将导致REITs和基础设施基金成为“接盘侠” [10] - AI企业无力支付租金的核心原因是其AI业务无法产生足够利润 [10] - 核心症结在于AI商业化变现的速度远跟不上AI需求扩张的速度 [10] AI商业化与盈利模式困境 - AI服务提供商当前主流定价模式有两种 按固定额度收费和按量收费 [10][11] - 这两种模式根本无法覆盖生成式AI的高额成本 可行性极低 [12] - AI企业实现盈利的唯一路径是其产品能为终端用户显著降低成本或提升收入 从而收取远高于前两种模式的结果导向费 [12] - 然而 麻省理工学院一项研究发现 企业主导的AI项目中95%均以失败告终 结果导向定价模式目前尚不具备落地条件 [12] 泡沫破裂的信号与进程 - 甲骨文-蓝猫头鹰密歇根数据中心项目流产 本质上已刺破了这场由信用驱动的AI基础设施泡沫 [7] - 该项目失败是刺破AI泡沫的“第一根针” 未来依赖外部融资的AI基础设施建设将愈发艰难 [13] - 这大概率会导致近期内AI资本开支的收缩 [13] - 当AI资本开支显著放缓时 AI泡沫的破裂将进入后期阶段 [14] - 对于英伟达等核心AI供应商 随着AI资本开支放缓 市场上其芯片的租赁价格将因供应过剩而大幅下跌 [14] 市场前景预测 - 伴随AI泡沫破裂 市场将进入衰退型熊市 对2026年标普500指数持此预测 [15] - 当前经济已显现动能放缓迹象 而AI泡沫破裂已进入第一阶段 [15] - 投资者应做好准备迎接动荡的2026年 [15]