過去 10 年，1% 的美股頭部科技公司貢獻了美國科技股 99% 的回報。2013 年，美股大概有 1,700 家科技公司，當時的總市值為 4.2 萬億美元，現在美股科技公司的總市值漲到了 20 萬億美元，但頭部的 1% 差不多是由大概 10 家公司貢獻的，從 2 萬億漲到 18 萬億美元，基本上相當於這頭部的十幾家公司貢獻了漲幅的 99%，這些公司無疑都抓住了移動網際網路和雲計算這兩波關鍵的技術變革。這也決定了拾象的策略是：只專注於下注大賽道下的頭部公司，且下注比較重。拾象在一級市場也已經投了一批最優秀的頭部獨角獸公司，它們的總估值加起來超過了 6000 億美元。

毫無疑問，AI 領域一定會誕生下一代頭部科技公司，power law 也在 LLM 領域被驗證。

過去兩年，拾象團隊專注在大模型這一個環節做了很多研究，我們在大模型研究上的投入至少已經達到了 1 萬小時。最近幾個月我們也在做大模型應用場景的調研，我們有一個很強的感受就是：矽谷的很多一級 AI 公司都是在 AI feature 方面進行創新的，但很少有公司做到了完整的產品商業閉環，而有可能是在給老公司打樣。

就連 OpenAI 這樣的大公司也都在巨頭的陰影之下：GPU 受限於英偉達，infra 基建受限於微軟，GPT 企業級市場也要靠微軟的銷售，到了 to C 端其實就是 iPhone 上的一個 feature。因此，我們認為在 AGI 鏈路中，ToC 的很多果子會被 Apple 摘走，而 ToB 的很多果子則會被微軟摘走。

我們特別喜歡幾個例子：

• Adobe 從轉雲之前只是一個當年從一個幾十億美金的傳統軟體公司，但轉雲之後，它的商業模式、市場規模、增速都有變化，並且一躍成為了一個差不多 3000 億美金的公司；

• 海康威視在上一波計算機視覺的變革中，從賣裝置轉為賣系統，商業模式變得更加 recurring，利潤率和估值倍數都變高了；

所以，我們相信 AI 肯定也會帶來類似的故事，但這個大幕還沒有真正展開，我們很期待 AI 能改變更多傳統行業公司的商業模式。

現階段大家還沒有對 AGI 的定義和理解達成一個共識，我們聽過的最好的一個定義是：AGI 能在 90% 的行業，超過 90% 的專家，完成 90% 有經濟價值的工作。其實這三個 90% 還是很激進的，但它代表了一種願景。

另外，AGI 不完全是一個商業問題，它還兼具了科學發現的屬性。它的背後是永無止境的研究發現精神，不斷地探索新的能力邊界。更抽象地來說，AGI 是怎麼用能源和晶片來產出智慧？未來各大公司比拼的就是智慧產出的效率和能力到底有多高，是否可以無限產出幾億的新勞動力？

從歷史上看，科技進步是創造增量價值最關鍵的要素。有一個有意思的現象是：歷史上每一波技術變革的頭部公司市值都會比上一波頭部公司的市值再加一個 0。10 年前，投中一個 10 億美金估值的獨角獸就很厲害，但今天，很多公司半年內就成為了獨角獸、甚至一出生就是10 億美金估值。2010 年前後 Apple 的市值也才 2000 多億美金，那個時候，我們根本不會想象到全球還會有萬億美金的公司，就像我們今天也不會想到未來可能會出現 10 萬億美金的公司。

所以，今天 AI 領域最大的一個非共識就是：其實我們並不知道 AGI 到底有多大。之前軟體產品都是按照人頭數定價的，比如一個人 20 美金，但未來可能會按照結果產出來定價，比如 AI 幫我的工作創造的增量價值是 1 萬元，那 AI 技術拿走其中的 5-10% 是很合理的，其實現在電商和廣告平臺已經在按結果付費了。我們認為，未來的工作任務很可能是按結果付費的，這就相當於在增量的 GDP 裡面抽稅了。

AI 和 AGI 一定是未來 10-15 年 GDP 的最強拉動力。結合之前 Sam Altman 的觀點，我們也有一個預測：AI 有機會在 10-15 年內讓全球的 GDP 翻倍，從今天的 100 萬億美元漲到 200 萬億美元，但今天 100 萬億的 GDP 中和 AGI 浪潮直接相關的可能還不到 0.1%，離解鎖 90% 還有很遠。

從歷史上看，農業的機械化已經讓 90% 的農民不用再種地了，我們認為這一波 AI 技術基本上能夠讓這些白領 90% 的日常工作內容實現自動化。坦白來講，絕大部分知識工作者的內容也是相對簡單、機械的重複，所以，就像自動駕駛在很多情況下的安全水平已經超過司機的平均水平那樣，如果可以“造出” 3 億的白領，那未來電費和晶片的成本就可以替代掉每個白領 3 萬多美金的年薪，也就是 10 萬億美元級別的收入，如果要對應到市值，這個數字還要再乘以 10。

主觀上，我們更期待的是 AI 能創造出李白和杜甫。平均每 1000 萬人中，可能會有一個像李白、杜甫這樣的天才，而 AI 也是一個機率模型，隨著模型能力解鎖、如果能從根本上提升 AI 的審美和創造水平，就能更批次地創造出李白和杜甫了，那這將成為一個新文化和創意湧現的時代。

拿 GPT-4 的訓練來舉例。現在訓練出一個 GPT-4 最少也要 8000 張 H100 的有效算力，接近萬卡叢集。萬卡叢集是一個標配，如果自己買卡，每張 H100 的售價接近 3 萬美金，再加上週邊裝置，僅硬體成本就需要 3 億美金。當然也可以租，如果租 H100 一年，需要差不多 1.5 億美金。

為什麼萬卡叢集工程的難度很大？這個和 GPU 的特點有關，傳統 CPU 是序列計算的，一個 CPU 壞了是不會影響到其他 CPU 做任務的。但 GPU 是平行計算的，1 萬張卡里 1 張壞了或者 1 張的處理速度慢了，剩餘卡的任務進度也會慢下來，這就需要我們快速定位出故障的卡，這件事很難，而且萬卡叢集基本上每天都會壞，每天都有故障率，因為本身 GPU 的故障率就很高。

第二就是能源上的問題，每張 H100 的功耗是很高的，差不多要 1000 瓦。假設 GPT-4 用 8000 張 H100 訓練 100 天，對應就需要 2600 萬度電，這意味著三峽一天的發電量，或上海一天用電量的 5%。此外，模型訓練對電力的波峰波谷需求很明顯，有些任務很耗算力自然對電力消耗也很大，如果規劃不好可能會影響到居民用電。之前大家都沒預料到 AI 會發展這麼快，而重新建造一個電站往往要 2 年左右的建設週期，而且很多地區都有能源環保政策，因此修建電站會比我們想象中還要慢。

我們一直在談論 1 萬張卡的用電量，10 萬 H100 叢集一年的用電量大概是 12.4 億度，這大概是整個上海一年用電量的 0.8-1%。現在 AGI 資料中心主要是在美國本土，美國一年的總用電量在過去 20 年裡一直都比較穩定，大概是 4 萬億度，其中資料中心可能要用 2000 億度，也就是 5% 左右。但媒體預測，到 2028 年，美國本土的資料中心用電量會增至 6700 億度電，也就是在 5 年內漲 3 倍，從 5% 漲到 16%，這對製造和基建能力明顯退化的美國來說，其實是一個很大的挑戰。

當一個大的科技革命到來的時候，長期的投資回報是非常可觀的：iPhone 在 2008 年上市，Apple 當年的股價從 8 美元漲到了 10 美元，16 年過去後，Apple 現在的股價在 230～240 美元之間。16 年的時間裡，Apple 公司的股價漲了 15～16 倍。考慮到我們現在其實還處於 AI 革命的早期，所以現在是參與 AI 投資最好的時間。

最近這幾周，硬體板塊出現過一些回撥，也因此市場上開始討論接下來要如何佈局 AI 投資的問題。對於這次回撥背後的原因，我們整體上認為有兩方面：

• 在邏輯趨勢上，市場上有相當一部分觀點開始擔心 AI 的貨幣化；

• 另一個很重要的點就是美國進入了一個偏風格輪動的階段。

從基本面的趨勢角度來講，我們認為其實並沒有特別大的變化。以 Meta 為例，在它基於 GPU 演算法的廣告模型中，客戶每投入 1 美元，就可以創造 3-4 美元的收入，所以這個 GPU 的推薦廣告演算法帶來的收入端增益其實是非常不錯的。我們之前也測算過微軟的 GPU 回本週期，大概是 3 年左右，也就是說每年大概能帶來 30% 現金層面回報，從大的網際網路公司角度來說，這個投資回報率還算不錯，這個是無需質疑的，這也是為什麼這些公司今年都在不斷地上調資本支出的指引。在我們和 ServiceNow 以及其他公司的調研和交流中，我們也能很深切地體會到 AI 投入的 ROI 是非常高的。

但從企業使用者角度，他們採用 LLM 的瓶頸其實並不是因為 ROI 的問題，而是用模型時需要確保在基礎設施、網路、客戶隱私以及準確度上符合要求，企業使用者採用 LLM 很多時候普遍會考慮三個問題：

• 準確率高不高？

• 資料安全性問題能不能得到解決？

• 應用場景上會不會有各方面合規的要求？

其實現實角度，美國很多企業已經開始在內部部署 LLM 了，比如內部的 IT 答疑係統，如果是一個大型企業，假如有一個 IT 問題，在過去處理這個問題可能需要 5 個工程師把所有的問題問清楚後，再去找到系統的問題並進行修復，但用了 LLM 之後就完全替代了這 5 個工程師的人力。

隨著下半年模型的能力會進一步發展，尤其是在邏輯推理能力、多模態能力、agent 能力上都會有進一步的發展。模型能力的進步也會解鎖更多的應用場景，我們相信企業也在不斷地嘗試各種場景，預計明年會看到更多應用端的出現。所以從基本面角度來講，我們認為 AI 還是在發展的，我們也對明後年非常期待。

短期來講，可能會出現板塊輪動的現象，包括美國大選等外部事件帶來的不確定因素等都會成為波動的原因，所以，我們的觀點是基本面還是在發展，短期的這些因素更多的還是市場因素，是非基本面的因素。

在二級投資中，拾象選擇將精力集中在 5 條投資主線中，分別是算力、雲基礎設施、端側、互聯與軟體。結合我們的調研與研究，我們也會根據 AI 領域的進展來動態地調整我們在這五個方面的佈局。

當前我們認為算力與雲基礎設施仍然是制約 AI 大發展的瓶頸，算力的需求仍然非常強勁，因此我們在算力與雲基礎設施上的佈局相對更重一些。作為對比，AI 對軟體的影響不是非常明確，因此我們暫時對軟體的佈局會相對輕一些。但預計在未來 2 年，我們能夠看到端側的應用與 AI 軟體側的進步都會越發明顯，因此我們可能會在未來兩年中進一步增加端側和軟體側的佈局。

前面我們提到，目前全球平均有兩億人每人每天會使用一分鐘 GPU time，如果沿著這個思路去想，假設未來有 20 億人每人每天使用一小時 GPU time，那對算力的需求可能會增長 100 倍甚至 1000 倍。

算力成本越低，經濟可行的演算法會越多。以 GPT 的發展為例，GPT-5 需要 5 萬張 H100 叢集訓練 6 個月，所以當前每一代模型如果要訓練成功，需要 6-9 個月，模型的迭代速度非常慢，制約模型發展的最主要瓶頸其實就是算力。但如果我們用下一代英偉達 B100 的卡去訓練 GPT-5，它的訓練時間可能會大幅縮短，只需要 1-2 個月，那模型的迭代速度就可以大幅度提升。

中長期看，我們看到有 3 個方面的因素會進一步拉動算力的需求。

1. 我們仍然處於 scaling law 的早期，模型的能力還是會隨著模型引數的增加而提高。OpenAI、微軟與 Anthropic 等頭部公司的高層曾在訪談中多次提到：scaling law 遠遠沒有觸及邊界，他們的產品仍在你追我趕的過程中。算力軍備競賽仍然在如火如荼地進行。

2. 多模態模型，尤其是上週 GPT-4o mini 的釋出，會進一步解鎖更多應用場景，例如隨身攜帶攝像頭，提供即時的 AI 助手功能等。多模態模型也可以進一步地替代人工成本較高的職位，例如醫生出診、律師諮詢、銷售等，這些職位以後都將有可能被 AI 所取代，這樣 AI 所帶來的經濟價值也會越來越高。

假設每年有 3～5% 的國防開支用於 AI 或資訊相關投資，就有 1000 億美元的邊際增量

綜合各方面因素，我們認為世界仍然需要更多的算力。

英偉達仍是我們目前在算力這個投資邏輯中最為看重的一支股票，雖然它的股價已經漲了很多，但我們認為估值遠遠沒有飽和，目前英偉達的市值已經達到了 3 萬億美元，但我們對英偉達的心理價位至少是 5 萬億美元左右。

市場上會有觀點認為，因為競品的快速追趕，英偉達護城河與此同時也在不斷變窄，但拾象的判斷是：推理對系統要求更高，英偉達系統的護城河其實是越來越寬的，這是英偉達實現 5 萬億的前提。

我們對英偉達看多有三方面原因：

• 從市場規模來講，我們認為整個加速晶片市場會進一步擴大，有機會達到 3000-4000 億美元的規模；

• 英偉達擁有從晶片、互聯到軟體三位一體的競爭優勢。在短期內，我們看不到英偉達有任何的競爭對手；

• 英偉達有非常完善的產品矩陣。英偉達在今年的展覽會上明確宣佈了它在 2024 年下半年、2025 年以及 2026 年的產品路線圖。我們能看到它正在從賣晶片逐漸轉向發展成熟的系統和軟體，不僅路線圖明確，產品力也在逐年提高。

未來 5 年之後，資料中心的基礎設施將達到 2 萬億美元的市場規模，這裡的 2 萬億指的是整個 IT 基礎設施的規模，即同時涵蓋了 CPU 和 GPU，現在存量的資料中心規模大概在 1 萬多億，每年有大概 2000-3000 億的增量，5 年後就會達到 2 萬億美元左右的規模。

在資料中心規模達到 2 萬億後，就會出現：現在硬體的使用週期一般是七年左右，如果以 7 年作為一個替換週期，那實際上每年的替換率有 15%。正常情況下，每年的增長大概是高單位數，也就是 7-8% 左右，所以 15%的替換週期加上高單位數的自然增長，那每年就會有近 20% 的替換加增長的一個市場空間，隨之也會帶來一個 4000 億的 Capex 的空間。

過去的每個時代，最頭部的企業都佔到了 70-80% 的價值量，並且今天來看英偉達的護城河非常寬、也很值得市場的信任，所以我們認為英偉達仍舊可以佔到 75% 的價值量，也就是說，它可以達到 3000 億美元的收入體量。

目前英偉達的淨利潤率是 45-46%，隨著規模擴大，它的經營槓桿會進一步體現，所以我們認為它有機會達到 50% 的利潤率，也就是 1500 億的資料中心盈利。

資料中心之外，再疊加上比如自動駕駛，gaming，以及它在幫很多企業開發的資料中心業務等等，我們認為英偉達肯定是可以達到 5 萬億的。值得強調下英偉達在自動駕駛上的佈局，英偉達可能是除了 Tesla 之外在自動駕駛上投入第二大的公司，我們認為這一點其實是被市場忽略了。

雲廠商能最直接受益於大模型進步與應用。我們已經能看到 AI 對雲廠商的收入拉動在逐步增加：過去四個季度中，AI 對微軟的邊際貢獻分別是 1%、3%、6% 和 7%，在很多 CIO 調研中也能明顯感受到全球頭部企業在雲上的投資意願是在不斷增加的，2025、2026 年在雲上的投資意願都顯著高於 2024 年，也因此，我們對幾大雲廠商在未來幾年的收入都是非常樂觀的。

Amazon 是四家雲廠商中我們目前最喜歡的一家，並且我們認為市場其實低估甚至忽略了 AWS 受益於 GenAI 的程度，也因此我們看好 AWS 的長期增長潛力。

拾象團隊對於 Amazon 的投資邏輯，主要基於以下兩點。

• 首先，如前面所提到的，AWS 作為雲廠商也是 LLM 的重要分發渠道，其中，AWS 和 Anthropic 的合作雖然不能 100% 看作 Azure 和 OpenAI，但也是相當深度的合作。Anthropic 最新發布的 Claude 3.5 系列模型的表現資料很驚豔，從市場反饋來看，Claude Sonnet 3.5 是一個和 OpenAI GPT-4o 不相伯仲的一個模型；

• 第二，因為 Amazon 收入中很重要的一部分來源於零售以及廣告，而今年和明年零售和廣告業務會進入一個快速復甦和增長的環節，

總結來說，無論是在近期零售與廣告的復甦，還是中長期在大模型的佈局與雲服務上，我們都非常看好亞馬遜。所以，現在這四朵雲中，我們的首選是亞馬遜。

更進一步，我們可以把 AWS 和 Azure 進行對比，來感受為什麼 AWS 的實際表現可能比市場認知中要更強。

和 AWS 相比，微軟更擅長為大企業和政府服務，它和 OpenAI 繫結更深。但是我們也能看到它和 OpenAI 之間彼此有一定提防的，比如 OpenAI 其實並沒有把某些互動的 API 許可權開放給微軟 Azure，但 AWS 對中小企業更友好，尤其對 start-up 更友好。

從模型能力的差異來看，兩者可以說是齊頭並進，在某種程度上，雖然 Anthropic 的每一代模型雖然可能比 OpenAI 稍微晚幾個月，但其實它的效果在很多方面，尤其是在長文字的閱讀能力、作圖能力等上都略高於 OpenAI，所以我們認為亞馬遜和微軟在能力上並沒有絕對的差異。

甚至和 AWS 相比，微軟更封閉一點，因為它的目標是透過 AI 來推動其他產品的銷售，比如推動 Office365 和 Windows 的銷售，所以微軟的主觀性更強，有更強的主觀控制的 tendency。而 Amazon 就更開放一些，如果我們相信 AI 會產生一個新的獨角獸或者產生一個新的顛覆式的公司，那麼這個公司很有可能最早是 AWS 的客戶。

也因為市場對微軟的共識太強了，這就導致它的 PE 的 multiple 很高，可能有 35 倍左右。但因為對 Amazon 的預期不太高，甚至覺得它會因為 AI 受損，所以 multiple 並不高，這也是一個非常大的區別。

To C 端，今年是 AI phone 的元年。2008 年，我們看到的是 smart phone 開始取代過去的 feature phone，隨著 Apple 在今年的 WWDC 上推出的 Apple Intelligence，我們認為今年進入了 AI phone 的時代。在企業端，在很多 survey 中都能看到，企業高管們對端側的 AI 都是非常看重的，也都非常願意進一步投資端側的 AI 應用。

在端側的佈局上，我們目前的首選就是 Apple，我們認為 Apple 最關鍵的價值在於，因為它在軟硬體上佈局足夠全面，所以能夠把控整個流量的入口，Apple 是 AI 時代 ToC 端當之無愧的最大受益者。

AI Chatbot 對於 Apple 來說一定是一個相對比較大的應用，但是在系統級的層面上，它一定、並且也會牢牢地把所有的流量入口、分發權以及 APP 的呼叫權控制在了自己的手裡。這也是我們為什麼非常喜歡 Apple 的原因：在 AI 時代，它仍然是最能佔據流量入口和心智的卡位。

我們對這次 WWDC 最大的感受也是：Apple 非常有機地把 AI 結合到了 iOS 系統中，我們甚至可以說，一方面是 Apple 深度地擁抱 AI，另一方面 AI 也在某種程度上在重構 Apple。可以想象一下，未來 AI 時代的手機入口可能不再需要點選螢幕上的一個個 APP，Siri 變成了一個全能的 Agent，因為它的許可權很大，可以把各種應用都呼叫起來、完成複雜任務和互動。

舉個例子，我們可以讓 Siri 幫忙查詢一班明天北京到上海的飛機，根據我目前的日曆行程，也許一個上午 10 點從北京機場飛到浦東機場的機票會更合適，目前可能我們還需要到幾個 APP 中自己搜、比價，但在可預見的未來裡，這件事可能會變成透過我們和手機的互動，讓手機幫我們實現這個操作。

此外，我們認為 iCloud 作為 Apple 的服務端，它的增長潛力遠遠被市場低估了。Apple 目前的手機銷量慢慢進入了 2 億 的相對平穩期，LLM  首先會改善這個情況，但更重要的是隨之而來的隱私剛需也會帶動 iCloud 這個“個人雲”的收入提升。Apple 服務端的滲透率目前只有 10%，如果未來的 AI 功能的加入，使用者訂閱 iCloud 成為，那麼每一個點的滲透率的提升都會給 Apple 貢獻 3-4 個點的 EPS （Earnings Per Share）增速。所以我們認為 Apple 在未來的 3-4 年將會進入一個超級換機週期，同時它的服務端也將會有很大的收入增長的可預見性，所以在端側，我們現在的首選是 Apple。

在一開始的投資判斷中，我們也提到 LLM 會革新商業模型，我們認為在 SaaS 領域這個趨勢是一定會發生的，過去 Seats-based 的軟體模式有可能會轉變成 Token-as-a-Service 的模式。

過去軟體是按照人頭收費的，因為每一個生產力的單元都是員工，所以軟體最主要的增長方式是服務更多的員工，但是進入 AI 時代後，業務或者生產力的增長點可能不在員工數，而是變成 LLM 數，也就是說未來企業的生產力將不再由員工數來決定，而是由企業有多少個 LLM，LLM 能產生多少個 token、它的計算量有多大。這些因素會成為未來企業盈利增長最主要的模式。

最近有一篇關於 Salesforce 的研究中寫到， AI 會降低 Salesforce 10% 的席位數，我們認為這則訊息證實了我們的一個猜想：未來的軟體模式將由席位數逐漸轉變成 token 數，不過可能有更貴的 token，也可能有更便宜的 token，比如說模型好的公司可能 token 的價格就會更高。我們會沿著這個思路去做相應的投資佈局。

當前我們在軟體方面最喜歡的公司是 ServiceNow，我們認為 ServiceNow 目前是在海外 SaaS 公司中最明確的 AI 收益標的。目前來說，幫助企業部署 AI、部署 LLM 的公司非常少，而 ServiceNow 是我們目前看到的能幫助企業部署 AI 的有限的幾個公司中最好的一家。

ServiceNow 主要業務是為企業 IT 自動化提供各種服務，經過這麼多年的發展已經成為很多大型公司的長期合作伙伴，對很多公司內部的 IT 系統和資料系統都非常熟悉，所以在 AI 時代，如果很多公司想部署 LLM ，首先找到的合作伙伴就是 ServiceNow。因此，從去年開始 ServiceNow 就在很多場合提到它的訂單非常強勁，無論是基於 LLM 能力的 Now Assist 服務，還是提供的解決企業資料、企業內搜尋等方面的服務，都受到了很多企業客戶的好評，相關需求也很多。

在 LLM 的實施過程中，很重要的一點就是企業內部搜尋，ServiceNow 在這方面做得是最好的，

因此，我們認為，無論是訂單、現金流、所處的位置，還是橫向拓展的能力，ServiceNow 現在都屬於 AI 時代第一批最受 AI 收益的標的，也是我們目前在軟體領域最喜歡的一個標的。

延伸閱讀