AI 全产业链深度解析与投资逻辑

在文章开篇，我先分享几个案例，供各位参考。假设存在一家企业，其所有者权益为负，资产负债率突破100%，但市值却高达千亿，你如何看待？再假设另一家公司，大部分融资来自表外，利率超过8%，市值却达万亿，你又有何看法？若某个行业的市值占据整个指数45%以上，你觉得是好事还是隐患？

乍看之下，这些情况似乎荒谬，但现实中正在上演。如果我说这就是AI行业，你会作何感想？或许你会迟疑，毕竟AI已成为当前市场的焦点。然而近期，诸多风险信号频现：高志凯警示未来三年可能爆发金融危机，桥水基金创始人瑞·达里奥也指出，AI领域投资者撤离可能意味着泡沫破裂的开始。

若你与各行业人士交流，可能会听到两种截然不同的声音：一方称AI发展迅猛，技术突飞猛进，不存在泡沫；另一方则强调AI尚无实际收益，估值过高，泡沫即将破裂。

AI是否代表未来？在我看来确实如此。但AI是否存在泡沫？我的观点是存在，至于是否会破裂、何时破裂，则难以断言。自ChatGPT引爆AI热潮以来，AI领域已发生巨变，产业链正在成型。然而，某些风险不容忽视。今天，我不做预测，只想针对高志凯和达里奥的观点展开分析，从产业链与金融市场角度，探讨这两位专家的看法是否合理。

简要阐述什么是AI

当被问及“什么是AI”时，大多数人会想到人工智能。那么，人工智能究竟是什么？它能做什么？许多人认为，人工智能就是让计算机像人类一样思考，实现拟人化。然而，尽管当前AI能力强大，距离真正像人一样思考仍相去甚远。

AI的优势何在？其革命性体现在哪里？简单来说，在AI出现之前，计算机执行任务必须依赖人类明确指令，流程细化到每一步。大多数应用程序和软件均由程序员编写数万甚至数百万行代码，经测试后方可上线。正因如此，程序员工作极为辛苦。这好比教导一个人从如何走路到如何参加体育比赛，过程艰辛可想而知。但这也带来一个问题：人类需求会变化。例如，开发一款软件，客户需求可能调整，环境也可能改变。比如，最初设计的在线会议系统，后来客户对音质要求提高，程序需修改；接着对稳定性提出更高要求，程序又需调整；再后来客户希望软件具备字幕识别功能，仍需修改。因此，各类APP和软件如同堆叠的山头，一次次被反复构建。每次修改从开发到测试再到上线，短则数周，长则数年。以Windows系统为例，Windows 10的开发历时2.5年，核心工程师达4000至5000人，加上测试等其他人员，总数逾万，代码量高达5000万行。由此可见，为了让计算机执行任务，人类付出了巨大代价。

但引入AI后有何不同？AI相当于为机器赋予了学习能力。仍以之前为例，过去让机器完成任务，需从走路教到参加运动会，每一步都需人为指导；如今机器具备学习能力，我们无需逐步教导，只需提供案例，如如何爬行、如何行走、如何奔跑，让机器自行学习归类，直至模仿无误，便能自主参与运动会。因此，AI的关键在于向计算机提供海量数据，使其自主学习与归纳，最终具备相应能力。这与过去有何区别？过去需人类一步步教导，现在则提供教材，让机器自学，人类只需检验成果。打个比方，过去人类是教师，需逐步传授知识；如今人类成为考官与教官，提供课本与资料，让机器自主学习训练，人类负责最终检验与纠正。而大模型可视为一个训练场或自习室，人类开发大模型旨在优化这一环境，使机器学习更高效。由此可知，AI并非赋予机器意识与智商，而是提升其归纳与学习能力。若要求机器从零开始创造，目前几乎不可能，因为AI的回答基于已有数据的总结归纳，而非真正创造。为何我们会觉得AI聪明？日常生活中，阅读量多者与少者差异明显。据统计，中国人均阅读量（纸质书+电子书）约为8.39本，而AI训练数据相当于上千个图书馆、上百万册书籍，覆盖全行业。这就像让一个仅读几本书、深耕一两个行业的人，与一个阅读上百本书的人交流，自然会产生碾压感。因此，并非AI更聪明，而是其阅读量巨大，造成了一种“聪明”的错觉。这也侧面证明，阅读量多对人是有益的。

那么生成式AI（AIGC）是什么？可理解为训练场更加专业化，使AI能够像拼积木一样完成任务。例如，制作PPT时，许多人会将任务交给AI。人类创建一个专用大模型（训练场），专门学习海量PPT案例与数据，让机器理解并拆解成积木模块，如绘图、排版、图片元素等。掌握这些模块后，当人类下达指令，如“生成一份行业报告PPT”，AI便从已学习的各类行业PPT中模仿结构、排版与内容，结合素材库进行组合，最终输出PPT。这便是AIGC。

关于AIGC，许多人存在误区，认为只需告诉AI需求，它就能完成一切。其实不然，AI的完成质量取决于你提供的指令与资料详细程度。例如，若你告诉员工“我要一份行业报告PPT和一份工作汇报PPT”，员工可能会抱怨：数据是什么？具体要求？需要达到什么效果？是否需要标注数据？