霍华德·马克斯最新Memo：谁能从AI投资中赚到钱？

11月11日，橡树资本（Oaktree Capital）联合创始人霍华德·马克斯（Howard Marks）发布投资备忘录《一个外行对人工智能的思考》（A Layman Thinks About AI）。继2025年12月的《是泡沫吗？》之后，马克斯再次讨论人工智能投资。这次，他把问题落到了算力的销量和价格上：AI为用户创造的价值，能否支撑数万亿美元的基础设施投入？如果能，哪些公司能赚到钱？

2025年12月，马克斯更新了投资备忘录《是泡沫吗？》，马克斯当时借铁路和互联网说明，投机可以让基础设施提前建成、加快技术普及，也可能让最早出资的一批投资者亏损。数据中心即使最终有用，第一批业主也可能因供给过剩而破产，后来的买家则可能以低价接手。到了2026年2月，马克斯在《AI Hurtles Ahead》中进一步提出，AI的技术潜力更可能被低估，同时沿用了此前关于适度参与、精选标的和审慎投资的建议。

在最新的备忘录中，马克斯把泡沫问题拆成三个判断：技术本身能做到什么，企业的资本开支能否取得足够回报，投资者为股票和债券支付的价格是否合理。

他仍相信AI会改变企业、经济和日常生活。至于资本开支和证券价格，他认为，要等到投资者对AI的用途、利润归属和基础设施回报有更清楚的认识，才有可能作出判断。比如，如果多个模型在同一任务上表现接近，供应商可能被迫降价，效率提升带来的收益就更多地留给用户。

马克斯对债务的关注也从单笔交易延伸到了整个市场。去年12月，他曾以云厂商发行的30年期债券为例，追问有限的利差能否补偿长期的技术不确定性。今年11月，他援引高盛的数据称，截至备忘录发布时，2026年全球AI相关债务发行已接近6000亿美元，其中约4000亿美元进入美国投资级债券市场，占当年该市场新增供给的五分之一以上。随着云厂商继续举债，他开始追问信用评级能否维持，以及AI行业的融资需求是否会推高其他借款人的资金成本。

这也改变了看待投资组合的方式。一笔前沿模型公司的股权投资和一笔有长期租约的数据中心贷款，需要判断的问题各不相同。前者取决于技术、竞争、定价和估值，后者取决于租户信用、合同条款、供电和资产残值。但如果一只科技股、一笔数据中心贷款和一只投资级公司债的回报都依赖算力需求增长，持有不同的资产，也可能在承担同一种风险。

备忘录最后，马克斯回到投资者能自己回答的几个问题：要赚到合理回报，有多少项假设必须同时成立？核心假设错了，最多会亏多少？今天的价格已经包含多少乐观预期？这笔投资是让组合更分散，还是加大了已有的风险？

实际上，马克斯在备忘录中更多在试图提出正确的问题，而非直接给出答案，他也一直强调，实际上”知道自己不知道什么”十分重要。

关于AI是否存在泡沫，他总结成这个问题：“AI能给用户创造足够的价值，使算力的销量和价格都达到足以让数万亿美元投入获得合理回报的水平吗？如果能，哪些公司能获得这样的回报？”

以下为「明亮公司」编译的备忘录全文：

致：橡树资本客户

发信人：霍华德·马克斯

主题：一个外行对人工智能的思考

我们该不该投资人工智能？如果要投，能不能做出明智的决定？这就是我想在这份备忘录里讨论的问题。

我没有技术背景，也不认为自己对人工智能或科技投资的了解高于一般水平。但AI是我们这个时代最重大的进展，也可能成为有史以来影响最深远的事物之一。投资者无法回避对它的思考。

我想谈谈自己一直在琢磨的问题，以及我目前是怎么想的。其中有些问题和投资AI没有直接关系。我的知识有限，给不出确切的答案，但希望把这些问题集中起来，能对大家有所帮助。如今，AI新闻接踵而至，AI公司和相关公司的证券价格也大起大落。我无意追着这些消息跑。我关心的是AI的长期前景，至于明天的证券价格会是多少，那是另一个问题。

————————

投资说到底只有一件事，就是配置资本，以便从未来发生的事情中获利。大多数投资者靠预测来做这件事。但不同的事情有不同的可预测性，做预测的人水平也有高低。投资AI只能依靠对未来的预期，至少我认为我们手上只有这个。我们既要考虑未来可能是什么样，也要考虑自己看对的概率有多大。

我以前写过，做自上而下投资的人，必须看对经济、行业、公司和市场四个层面的前景。假设每个判断做对的概率都是60%，这可能已经算慷慨了，而且四项结果彼此独立，那么四项全部看对的概率是多少？答案是13%（0.6的四次方）。

AI涉及的关键变量格外多。投资者至少得对技术演进、算力需求、竞争格局、技术的受益者、融资可得性，以及上述变化发生的时间，做出大体正确的判断。每一项都格外难判断。那么，一套投资逻辑最终成立的概率有多大？读下去的时候，不妨把这个问题放在心里。

最后，请记住三件事：第一，我们永远无法掌握一笔投资的全部信息。第二，最大的错误往往发生在人们以为自己什么都知道的时候。第三，我们对未来的认识总有缺口，但不能因此完全不采取行动。投资者的工作，就是为追求收益而承担风险。承担多少风险、以什么形式承担，由我们各自决定。考虑到AI的巨大潜力，未来的不明朗不足以让我们放弃参与。

AI是怎么做到这些事的？

在谈细节之前，我想从一个我尤其感兴趣、和财务无关的大问题说起。我对这个问题一无所知，于是请教了Anthropic的Claude。下面是它回答的一部分。

我们几乎完全清楚AI由什么构成、是怎么造出来的。但对于它究竟怎么做到这些事，我们知道得出奇地少。……

我们也知道训练方法。给它看海量文本，让它猜下一个词。每次猜错，就把数十亿个内部参数微调一下。把这件事重复数万亿次。

没有人专门写下它回答问题时应遵循的规则。那些规则在一次次微调中逐渐形成，分布在数十亿个数字里。单看任何一个数字，都没有什么意义。我能想到最贴切的说法是，这些系统是长出来的。做“可解释性”研究的人已经取得了实质进展。比如，他们发现，模型写押韵诗时，会先选好韵脚，再写出那一行，这表明它会提前规划。但研究者能解释的仍然只有一小部分。这就好比你手里有市场上每一笔成交的完整记录，却还是不知道价格为什么会动。

当我解释自己是怎么得出一个答案的，研究表明，我的解释有时和内部实际发生的过程对不上。问一个模型怎么算出一道算术题，它可能会讲课本上的解法，实际在内部用的却是完全不同的方法。坦率地说，我们造出了某种类似心智的东西。我们可以检查它的每个部分，却依然无法完整解释它。它解释自己时，可靠程度可能和我们解释自己时差不多[有意思的是，Claude在这里把自己当人来讲]。

在思考后面的问题之前，可以先问问自己：真的有人理解AI是怎么运行的吗？AI会怎样演进？它什么时候能做什么？用户会怎么用它？它会怎样影响用户的盈利能力？投资者也许用不着弄懂所有这些事，但据我所知，对这些问题真正有见解的人很少。既然如此，接下来的问题，有谁能给出可靠的答案？

AI将来能做什么？

AI很擅长的一件事，就是不断进化。就在几年前，人们通常还会这样概括它的能力：它知道过去发生过什么，能找出历史规律，再把这些规律外推，用来完成任务。这种能力已经在编程等领域带来了巨大变化，也有望改变我们熟悉的许多生活方式。现在，AI的能力已经走得更远，大概可以称为“推理”了。

光是这一点，就引出了一连串既有意思又难回答的问题。AI最终能发挥多大的作用，取决于其中一些问题的答案。

• 我们能让AI的处理过程体现人类的偏好、价值观和目标吗？它会按照自己的一套行事吗？

• 我们能指望AI诚实、谦逊、遵循伦理、保持忠诚吗？它能保持准确和客观吗？会不会被影响和操纵？答错了或不知道答案时，它会承认吗？它能质疑我们吗？会不会只顺着我们说？它会不会成为人类的威胁，转而谋求自己的利益？

• 它在创造力、原创性、审美、主观判断和直觉方面会表现如何？它能做到我所说的“第二层次思维”吗？也就是想得比大多数人更深，思路也和大多数人不同，从而找到更好的解决方案。

• 它能像人一样思考未来，进行天马行空的设想吗？

• 我们能要求它追溯已发表材料引用的一手来源，并提供反方论据吗？

• 一个模型能包办所有事吗？如果不同模型各有专长，我们怎么知道该用哪一个？

• 通用人工智能，也就是能做所有人类能做的事的AI，会成为衡量标准吗？所谓AGI，指的是能做到普通人能做的事、能做到处于第90百分位的人能做的事，还是能做到世界上最聪明的人能做的事？换句话说，AI的知识会不会有不同层次，也会不会有它不知道的东西？

这些问题都关系到我们最终会把哪些工作交给AI。

谁会赚到钱？

互联网泡沫期间，沃伦·巴菲特就指出过，一项技术即使改变了世界，投资者也未必能从中赚钱。我们知道AI会提高效率，但它会提高盈利能力吗？谁的盈利能力会提高？如果几个AI模型在同一领域达到相近的水平，它们提供的服务会不会变成同质化商品，最终只能靠价格竞争？如果是这样，利润率和投资回报率会不会被压低，经济利益更多地流向AI用户？这又意味着，正在投向AI基础设施的数万亿美元，最终能得到多少回报？

也有另一种可能。一些AI公司掌握了足以形成垄断的能力，它们的产品将成为其他企业取得成功、甚至继续经营所必需的东西。如果真是这样，想想这些公司能开出什么样的价格。看看英伟达和台积电这两家芯片巨头如今赚取的巨额利润，就知道强势竞争地位有多值钱。

最后，还有一个我很少听人谈起的问题：AI会不会被征税？如果征，怎么征？AI最可能产生的影响之一是取代劳动者，政府则需要填补这些人失业后留下的税收缺口。谁能断定AI不会像个人一样被征税？如今不少高收入者的综合税率达到50%或以上。AI会落在哪个税率档？

竞争格局会是什么样？

我们能知道哪些公司会成功吗？能有多大把握？今天这些领先者的护城河有多深？

AI最令人吃惊的特点，也许是进步的速度。几年前，我们大多数人还没听说过如今领先的两家模型实验室OpenAI和Anthropic。如果一家公司能在AI领域这么快地脱颖而出，它会不会也同样迅速地被另一家公司取代，或者至少受到挑战？如果有这个可能，就得想想亚马逊、微软、Alphabet、Meta和甲骨文这些所谓“超大规模云厂商”拥有的资源和潜力。这些现有玩家中谁会赢？赢家会不会是一家我们从未听说过的公司，甚至是一家现在还不存在的公司？

设想一下，站在20至25年前，你会给当时的行业领头羊今天依然领先这件事多大的概率？微软、亚马逊、苹果和谷歌从那个时代走出来，成了赢家。Napster、雅虎和网景则掉了队。在一个技术迅速变化的行业里，守住领先地位并不容易。再考虑到AI是个新事物，进步又如此之快，今天的AI龙头在五年或十年后依然领先的概率有多大？如果竞争格局确实可能发生这么大的变化，今天这些龙头的股权值多少钱？

这些公司的盈利能力会有多强？

价值投资者会估算一家公司的未来盈利或现金流，将其折现到今天，再与当前股价比较。要预测未来盈利，我们得回答这样一些问题。

• 公司能卖出多少单位的产品？

• 每单位产品的售价是多少？

• 生产每单位产品要花多少钱？

• 有多少利润需要重新投入，用来开发下一代产品？

• 最终，公司的投资回报率是多少？

分析任何公司都要面对不确定性。分析AI公司，还得考虑一些过去很少碰到的问题。

• 产品将来能做什么？客户会用它做什么？

• 它的价格会按同质化商品来定，还是能享受独特、必需产品的定价？

• 芯片能用多久？数据中心的资产要以多快的速度计提折旧？

• 眼下这场支出竞赛会持续多久？

• 未来赚的钱，能让今天的资本开支获得像样的回报吗？

我当然可能记错，但无论是20世纪70年代分析多元化企业集团，还是在1999至2000年研究互联网和电子商务，我都不记得自己碰到过如此大的不确定性。那些业务在当年同样新颖、复杂，和AI相比却显得简单明了。

所以我想问，我们能预测今天这些超大规模云厂商和领先的前沿模型实验室在2030年的盈利吗？更不用说那些目前大半还停留在设想中的公司了。做投资之前，我们是否必须对盈利做出相当准确的预测？如果能估出一个数字，我们该对它有多大信心？如果估不出来，又该怎么考虑投资AI公司？

我现在喜欢用一个测试。请说出你预计某家AI公司五年后的每股收益，再问问自己，敢不敢打赌实际数字会落在预测值上下50%的范围内。比如，你猜每股收益是10美元，那你有多大把握，最终数字会在5至15美元之间？

数据中心的前景如何？

过去，数据中心是存储数据、托管计算机应用和网站的数字仓库。现在，人们也用“数据中心”或“AI工厂”来指AI运行的场所。就像汽车在工厂生产，AI也要在这里生产，从存储信息、训练模型，到提供系统机时，也就是我们说的“算力”。数据中心是AI行业发展的关键一环。数据中心的建设以及由此提供的算力，会受到物理条件和其他因素的制约。

AI的前景让人兴奋，但有些人可能希望以更审慎的方式参与。他们可以投资实体基础设施。这有点像淘金热里给淘金者卖镐和铲子，省去了判断哪个矿工能挖到金子的麻烦。理论上，无论谁赢，最后都得用这些基础设施。眼下算力供不应求，又增加了数据中心的投资吸引力。不过，有几项因素需要考虑。

• 一说到“基础设施”，人们容易想到实实在在的砖瓦建筑。正是这种实体感，让数据中心看起来像是AI投资里更安全的一种。但楼体本身，也就是数据中心的“外壳”，只占总成本的一小部分。成本主要来自芯片，也就是GPU。这部分成本和芯片过时的风险，通常由数据中心的使用方承担。

• 开发商要找到并购入大面积地块，跨过监管门槛，还得应对当地居民反对在家门口建数据中心的阻力。

• 数据中心需要有可用的光纤，把推理算力接入用户。

• 所需的电力、冷却设备和施工服务，都可能成为瓶颈。

• 融资可得性可能限制数据中心的建设速度，未来项目的融资成本也可能超出预期。

这些瓶颈可能给想建数据中心的人带来麻烦，限制他们扩张。另一方面，只要算力供给的增长受到限制，已经建成或未来能够落地的数据中心，盈利能力和价值就有望提高。上周，多项暂停建设数据中心的措施获得通过，就说明供给可能受限。

数据中心这门投资并不轻松。明智的投资者得找到能够避开上述不确定性、也能抵御过度建设所致算力过剩的机会。和其他投资一样，做数据中心投资，有人会成功，也有人做得没那么好。考虑到AI行业的特点，赢家和输家的结果可能比一般基础设施投资更悬殊。

我们对这个行业的依赖，会不会太高了？

如今，AI对投资环境的影响远超其自身所占的比重。这给所有投资者以及经济中的所有参与者都带来了相当大的不确定性。

• AI在美国经济中的占比很小，对经济增长的贡献却远超其占比。

• 目前，AI对GDP增长的贡献绝大部分来自资本开支，主要是数据中心建设。这类建设支出迅速上升，其他建筑活动则在下滑。

• 截至今年6月30日，“七巨头”的盈利增速已经连续14个季度超过标普500指数中其余公司。七巨头中大多是超大规模云厂商。

• 一些AI公司通过持有其他AI相关公司的股权获得巨额投资收益，跻身标普500指数盈利的主要贡献者。FactSet报告称，第二季度，Alphabet和亚马逊的股权投资收益合计达1510亿美元，主要来自对Anthropic和SpaceX的投资。SpaceX现已纳入xAI。

• AI对整体盈利的影响还延伸到行业之外。相关零部件供应商也在报告强劲的盈利。AI从业者及相关行业从业者把收入花在房租、食品、汽车等与AI本身相距甚远的地方，还会带来进一步的传导效应。

• AI对股市上涨的贡献也超出了它的比重。据摩根大通统计，自2024年1月以来，42家AI相关公司贡献了标普500指数约三分之二的价格涨幅。

• 这些趋势叠加在一起，使标普500指数高度集中于少数几家AI和科技公司。

今天，经济和市场依赖的增长动力相当集中。AI敞口就像贯穿投资组合的一条断层，有可能左右投资环境的方方面面。芯片寿命、企业战略或算力需求只要出现不利变化，影响就可能传得很远。经济和股市过度依赖单一行业，自然会比增长动力分布更广时脆弱。

1977至1978年，迈克尔·米尔肯开创了非投资级债券的发行市场。从那时起，投资行业普遍愿意接受这样的观念：只要潜在回报足以补偿风险，就可以承担风险。他的逻辑有两个支点。第一，额外的收益率有望弥补部分债券违约带来的损失。第二，投资组合足够分散，少数违约就不会破坏整体回报。而今天，股票和债券市场都在很大程度上依赖同一件事：AI能不能成功。

这对信贷市场意味着什么？

据高盛统计，今年迄今，全球AI相关债务发行规模已接近6000亿美元，包括超大规模云厂商发债、数据中心及其他项目融资，以及其他AI相关借款人的发债。其中约4000亿美元进入美国投资级债券市场，占该市场新增供给的五分之一以上。这让AI相关债券在彭博美元投资级公司债指数中的权重升至约12%。在美国高收益债券市场，超大规模云厂商并不直接发债，AI相关债券的权重约为6%。AI相关债务发行已成为今年资本市场的一项重大变化。

未来一段时间，AI行业可能平均每年需要1万亿美元新增资本，其中每年或仍有数千亿美元要通过举债筹集。AI对债务资本的需求会怎样影响利率？

对超大规模云厂商和前沿模型实验室而言，扩大产能、开发新产品是非做不可的事，它们也不愿看到竞争对手趁势崛起。因此，即使利率高于预期，这些公司可能也承受不起放慢AI投资的代价。哪怕资金变得更稀缺、更贵，它们也得接受市场开出的融资条件。

过去，经济学家常谈“挤出效应”：政府大量借钱，使私人部门更难获得所需的债务资本。现在，我倒觉得，对利率不敏感、愿意为融资付出必要代价的超大规模云厂商，可能把政府的借款利率也推高。迄今我们看到的利率上升，会不会已经部分源于此？

同样，股权市场能否每年提供数千亿美元新增股权资金，以补充这些公司的现金流？过去十年里，有八年美国传统IPO的筹资额低于500亿美元。两个例外是2020年的近800亿美元，以及IPO热潮中的2021年，当年达到1400亿美元。我估计，每年能拿出来的新增资本总归有限。AI对债权和股权资本的庞大需求，最后会不会争夺同一笔钱？

过去，超大规模云厂商的非AI业务盈利丰厚，产生了巨额自由现金流。它们可以没有债务，坐拥大量现金，并享有很高的信用评级。现在情况变了。它们开始动用现金储备和当期现金流，同时也在借更多的钱。较高的投资级评级，使它们能够轻松为AI扩张融资。但照这个趋势走下去，它们的信用资质或评级会不会发生变化？对于那些依据今天的高评级放贷、眼看着借款人继续加杠杆的债权人，这意味着什么？

部分数据中心融资得以落地，靠的是租户为拥有投资级评级的超大规模云厂商。还有一些债务以芯片作抵押。但投资者必须仔细看某些数据中心租约里的退出条款。比如，数据中心运行的可靠性达不到99.9%，租户或担保人就可能有权终止义务。还要考虑一个风险：用作抵押品的芯片，使用寿命可能短于债务期限。

行业里所谓的“循环交易”，也就是供应商出资为客户采购自家产品提供融资，又意味着什么？在芯片厂商、超大规模云厂商、前沿模型实验室和数据中心开发商之间，我们经常看到一笔贷款带来一笔相关采购。有时候，资金从A流向B，最后又回到A。有时候，钱从A到B，再用来给C融资，最后C拿这笔钱向A采购。如果各方按独立商业条件谈判，还会做这些交易吗？供应商会不会是在补贴买方，以维持自家产品的需求和市场份额？这种相互依赖带来哪些风险？还有，超大规模云厂商通过特殊目的载体借钱，让债务留在资产负债表之外，这会怎样影响自身的信用资质？母公司到底会不会为这笔债务兜底？

最后，当市场为一项技术进步而亢奋时，举债会带来什么后果？眼下，几个因素正同时出现。

• AI公司有强烈的借款意愿。

• 投资者对AI兴奋，因此也愿意放贷。

• 资本市场高度集中于AI，如前所述。

• AI产业参与者之间存在所谓的“循环交易。

AI债权人进入了一个新的阶段。债务集中在单一行业，行业基本面变化迅速，债务的偿付前景又在很大程度上取决于未来算力销售能带来多少收入。放贷人必须格外关注借款人的信用资质，以及融资结构和条款。

AI有多大程度可以预测？前面的问题又有多少能回答？

我在备忘录和《周期》一书里都写过，要应对未来，只有一项预测还不够。你还得判断这项预测有多大概率是对的。考虑到AI在技术上的复杂性、它的前所未有，以及它变化的速度，我认为，把它预测对的概率格外低。

我想给AI的可预测性打个分，又担心这远超自己的能力，于是请Claude帮忙，用1到10的量表评分，1代表无法预知，10代表完全可以预测。它的回答很有启发。下面是Claude的概括，其中也体现了前文讨论的一些不确定性。着重处为我所加。

我的总体判断是，AI作为一个整体，大约能得3分。这个数字掩盖了两者之间的差距。大方向相当容易预测，也许能得6到7分：技术会持续进步，并渗透到整个经济中。真正决定投资者能否赚钱的事情，要难预测得多，大约只有2分：这一切会发生得多快，利润会有多大，最后又是谁把利润留下来。

我还请Claude给AI行业的不同细分领域打分，并找出非AI经济中可预测性与之相近的行业。下面是它给出的主观判断。

（明亮公司根据原文图表制图）

让我意外的是，前沿模型实验室只得了2分。在我看来，这相当于“几乎无从预测”。这些公司给我留下了很深的印象，而且领先幅度很大。但Claude是这么说的：“这些公司的结果接近非成即败。它们需要的资本极多，获得同等能力所需支付的价格仍在快速下降，能不能形成持久的护城河也不清楚。”Claude本身就属于Anthropic，想想还真有点讽刺。

有意思的是，按照Claude的判断，这些最难预测的公司，在私募市场上似乎反倒享受着估值溢价。OpenAI和Anthropic都已提交IPO申请。它们公开发行时怎么定价，上市后又会怎么交易，值得观察。还有一点值得留意。前文提到，第二季度推高标普500指数盈利的股权投资收益，有很大一部分与这个被评为“最难预测”的领域有关。这些收益能持续多久？

谈到可预测性，最后再说几句地缘政治。放在AI的语境里，这通常意味着要谈中国。几乎所有最先进的芯片都来自中国台湾地区的台积电。美国限制向中国出售最先进的芯片，这促使中国推出低成本模型，以更低的价格争夺性能更强的美国模型的客户。如果这种局面发生变化，美国的竞争地位会受到什么影响？中国芯片能追上、甚至超过今天的领先者吗？中国未来有没有可能阻碍、甚至阻止台湾地区芯片销往美国？对中国意图的担忧，会不会削弱为AI行业设定安全约束的努力？

关于AI，投资者有很多事既不知道，也无法预测。问题是，你愿意承担多少风险，又愿意以什么形式承担？AI行业包含许多不同的领域。按Claude的判断，一端是我们几乎无从预测的前沿模型实验室。另一端是租约稳固的数据中心及其电力供应商，可预测性大致相当于大型工业企业和受监管的公用事业。

AI是泡沫吗？

最近几周，市场开始显露出对上述一些问题的担忧。投资环境里的多项利空凑到了一起，包括通胀、美国联邦政府的赤字和债务、由此导致的利率上升，以及伊朗战争似乎难以解决。除此之外，还有一些AI行业特有的问题。

• 新模型带来竞争，包括功能更精简、价格更便宜的模型，中国的低价模型，以及可免费下载的开源模型。

• 单个token的价格在下降。Token是模型用量的计价单位。

• 算力使用量的增速可能放缓。

• 企业公布的销售增速低于预期。

• 部分公司杠杆很高，又高度依赖未来融资，引发了担忧。

行情好的时候，这些问题很容易被一带而过。投资者一旦开始动摇，同样的问题就足以让人担心。正如我常说的，现实中的情况大多在“还不错”和“不太好”之间摆动。在投资者心里，却能一下子从“无可挑剔”跌到“无可救药”。今天困扰AI投资者的这些问题早就存在，只是投资环境变了，它们现在足以让市场情绪转冷。

这个话题已经争论了一年多，我也参与过，但大家还是在问：这是泡沫吗？得先给泡沫下个定义。我的定义是，非理性繁荣导致轻率行事、投资过度，并让人们为参与其中付出过高的价格。

和任何可能伴随技术进步出现的泡沫一样，AI泡沫至少要从三个方面来看：技术本身是否被过度吹捧，最终可能令人失望？企业的支出是否过量，注定无法取得足够的回报？投资者买入这一领域的权益时，是否承担了太大的风险、付出了太高的价格？要得出结论，很大程度上仍要靠前面那些问题的答案。自从我2月份写上一篇AI备忘录以来，我觉得这些方面并没有发生太大变化。

• 我仍然相信，AI本身会展现出强大的能力，产生深远影响。它会以我们现在想象不到的方式改变企业、经济乃至生活的方方面面。这项技术有实实在在的价值。

• 很多人在讨论，未来要创造多少收入，才能证明今天的资本开支合理。在对AI会如何被使用、谁会从中获利有一定认识之前，我们还无法判断企业的支出是否明智。

• 等到我们掌握的信息足以合理估算企业盈利和基础设施的回报，才有可能判断目前的股价和债券收益率是否合适。

围绕AI的问题很多，前文只谈了其中一部分。最重要的可以归结为一个相当复杂的问题：AI能给用户创造足够的价值，使算力的销量和价格都达到足以让数万亿美元投入获得合理回报的水平吗？如果能，哪些公司能获得这样的回报？

与一些我认为懂行的人谈过之后，我的结论是，现阶段回答这个问题，很大程度上要靠信念。这让我想起一句据说出自美国经济学家、作家斯图尔特·蔡斯的话。

对相信的人，无需证明。对不相信的人，任何证明都无济于事。

我想了又想，找不到比这句话更适合用来回答眼下这些AI争议的了。

应该怎样看待AI投资？

对投资者来说，我认为人工智能是至少一代人以来影响最深远、也最难预测的一项发展。面对这种不确定性，更合适的做法是承认自己的判断有边界，在选择策略、确定仓位和承担风险时留有余地，同时愿意在不确定性依然存在的情况下采取行动。

投资AI的不同环节，需要回答不同的问题。投资一家前沿模型实验室的股权，可能得看对技术进步、竞争地位、定价权、未来盈利和估值。给一家有长期合同的数据中心提供贷款，需要看对的事情或许少一些，考察的内容也大不相同，主要是租户的信用资质、合同条款、电力可得性和资产残值。因此，有个问题值得问自己：这些问题中，哪些是我或我的机构擅长回答的？在缺乏相应专业能力的地方，我又愿意承担哪些不确定性？

其他条件相同，只要投资价格相对于内在价值足够低，投资者就可以接受较高的不确定性。至少在理论上，Claude给出较低可预测性评分的领域，如果比那些更可预测的领域便宜得足够多，反而可能是更好的投资机会。说到底，明智的投资很大程度上取决于价格。不过，在AI领域，前面那些问题让内在价值格外难估，也就更难判断一项投资究竟有多便宜。

最后，我留几个问题，或许能帮助你做决定。它们适用于所有投资，包括AI投资。

• 要赚到可以接受的回报，需要多少件事同时做对？

• 如果我的核心假设错了，我可能亏多少？

• 我承担的哪些风险得到了补偿？哪些风险只是由我承担，却没有相应的回报？

• 当前价格已经计入了多少乐观预期？

• 这项投资会怎样改变整个投资组合的风险特征？它会放大我已经承担的风险，还是能把风险分散开？

有句老话，用在AI上似乎格外贴切：“有两种投资者会亏很多钱：一种是什么都不知道的人，另一种是觉得自己什么都知道的人。”在AI投资上，承认自己知道得有限，尤其重要。AI一定会带来很多意外，但我们可以把风险控制在自己承受得起的范围内。值得想一想的是，一笔AI投资令人失望的概率有多大？让人满意的概率又有多大？

前几天，我偶然翻到一段很精彩的话，就用它来结尾。

有人说，眼下对近期前景的疑问实在太多，等事情明朗一点再买，岂不更好？这种话你肯定听过：“先保留用于买入的现金，等当前的不确定性消除以后再说”，诸如此类。在拿这套说辞当拐杖之前，先面对两个不太讨人喜欢的事实：未来永远不会明朗。等到所有人都乐观时，你在股市上就得付出很高的价格。对着眼于长期价值的买家来说，不确定性其实是朋友。

用这段话给一篇关于AI的备忘录收尾，再合适不过了，你说呢？

不过，这段话其实来自我保存最久的一批资料。那是沃伦·巴菲特在1979年8月6日发表于《福布斯》杂志的一段话，放到今天依然适用。我一向乐于请沃伦说最后一句。

本文来自微信公众号 “明亮公司”（ID：suchbright），作者：主编24小时在线，36氪经授权发布。