拆解 AI 投研：从问题树挖掘超额收益
【核心词】
AI 投研策略 | 供应链断点 | 问题树模型 | 超额回报 | 磷化铟 | 光通信模块 | 周期研判 | 深度研究
---
## 令人敬畏的并非五月四十五倍收益，而是他将 AI 投研重构为问题树
### 你是否也在如此低效地利用 AI 进行投研？
当你启动 DeepSeek 或 GPT，输入："当前 AI 产业链中哪个细分领域最具潜力？"
系统会反馈一份架构严谨、逻辑通顺的分析简报：GPU、算力集群、数据中心、能源配套……阅读后你或许觉得"质量尚可"，但内心深处明白，这与市面上任意财经自媒体输出的内容并无二致。
随后你关闭页面，一切归于平静。
这并非 AI 的缺陷，而是提问方式的局限。
你的问题挖掘得不够深入。
---
### 真正的瓶颈：不在答案层，而在问题层
Serenity 的真实背景是前 AI 科研专家及 RISC-V 基金会成员。令众多投资者反复推敲其观点的，并非收益率本身，而是他筛选标的的独特逻辑——这些企业大多并非行业明星，市值微小至机构无暇顾及，业务冷门到散户难以理解，但在 AI 产业链的特定环节中，它们恰好处于"一旦短缺便牵制整个 AI 进程"的关键节点。
简而言之：他从不预判股价走势，而是持续推演供应链的"断裂点"。
多数人利用 AI 投研的路径往往是：提出疑问，获取答案，评估结果，做出决策。
这种模式的上限，仅在于高效整合既有共识。它解决了"信息获取效率"的痛点，却未触及"问题挖掘深度"的核心。
真正的差异不在于工具，而在于问题本身的层级。
AI 投资的精髓，非追逐涨势，而是识别被市场忽视的约束条件。
换言之：市场中人人可见的机会，其价值已被充分定价。超额收益仅藏匿于他人尚未洞察的深层逻辑中。
因此，核心议题转化为：如何系统性地将自己推向更深的认知层级？
---
### 问题树的形态：以 AI 光互连为例
以 AI 扩张为原点，市场首要关注的是第一层级：GPU、HBM、数据中心及电力需求。
这一层已完全处于共识之中。
若继续深究：AI 数据中心内，数据如何在 GPU 间传输？答案是光互连。光互连依赖什么？光模块。光模块的核心组件为何？激光器。激光器的关键基材是什么？
磷化铟（InP）衬底。制备高纯度、低缺陷的单晶 InP 锭难度极高，需采用高压液封直拉法等特殊工艺，其良率管控难度与成本远超硅晶圆，导致供给相对紧张。在衬底环节，全球仅少数企业能稳定供应通信级高品质 InP 衬底，形成了天然的寡头垄断局面。
这一环，正是真正的物理瓶颈所在。
截至 2026 年 5 月，磷化铟（InP）衬底缺口已超 70%；年需求达 260-300 万片，而产能仅 75 万片，住友与 AXT 占据了高端产能的九成以上。
全球头部供应商的订单已排至 2027 年，全产业链库存仅剩三个月，创下历史新低。
但这仍未触底。继续追问：谁能扩充 InP 衬底产能？扩产的制约因素何在？
单晶生长环节是核心瓶颈，行业良品率普遍偏低，单晶炉设备定制周期漫长。真正构成 EML 芯片扩产"硬约束"的，是上游外延及芯片制造环节的关键设备——MOCVD。该设备依赖进口，交货周期长，全球争相抢购，先行者具备显著优势。
由此可见，这棵问题树的架构如下：
AI 扩张 → 光互连 → 光模块 → EML 激光器 → InP 衬底 → 单晶炉/MOCVD 设备 → 设备进口周期
激光器、硅光、CPO、特种材料、测试设备、系统集成——至此层级，多数投资者的认知已难以为继，因为这些领域需具备工程背景与供应链知识方能理解，绝非几份研报所能涵盖。
但这正是超额收益孕育之地。
目睹"光互连"概念，切勿本能地寻找涨幅最大的个股，而应先拆解产业链：光模块、激光器、DSP、封装、基板、测试，哪一层最为紧绷？这种紧张是源于订单驱动，还是纯粹的故事炒作？
这套追问机制，正是问题树的核心：不问"是什么"，只问"何处将先断裂"。
---
### AI 仅延伸了你的研究半径，方向仍由你定
此处是大多数人对 AI 工具最大的误区。
他们误以为 AI 简化了投研。实则 AI 的作用是：将你原本需耗时三天查阅的产业链资料，压缩至三小时完成。
研究半径确实得到了大幅延展。
但 AI 并未替你决定"从哪个方向挖掘"。
若问"AI 产业链有何机遇"，AI 会给出一个共识版本的答案。
若问"若 2026 年 AI 数据中心电力需求突破某阈值，哪类设备的交付周期将率先成为瓶颈，且该瓶颈在当前资本市场中是否已被充分定价"——对此，AI 将给予完全不同维度的回应。
Serenity 所为，是将投资认知门槛从"谁已胜出"提升至"系统将在何处受阻"。这是一个比常人更深层的问题，理应获得超越常人的回报。
问题的层级决定了答案的稀缺度，答案的稀缺度决定了超额收益。
AI 未改变此链路，仅加速了其运行。这对善于提问者而言是倍增器，对不善提问者则仅是噪音放大器。
---
### 我的判断账本：如何应用此框架及潜在失误
明确阐述我如何运用这套体系。
本文不推荐具体标的，但可揭示我基于问题树逻辑的行动路径。
**当前观测信号**：
银河证券预测，2026 年 800G 光模块中硅光方案占比将逾 50%，1.6T 光模块中该比例更高达 70% 至 80%。
这意味着技术路线正在快速迭代。InP 的瓶颈可能催生截然不同的解决路径——硅光方案的兴起，正将产业链关键节点从磷化铟转向 SOI 晶圆及硅光代工产能。
Tower 披露，截至 2028 年的硅光总产能中，超 70% 已被客户预订或处于预订流程，且有预付款项作为担保。
瓶颈正在转移，这便是我下一步追问的方向。
**过往判断失误**：我曾犯下的错误，是将"趋势正确"与"瓶颈卡位"混为一谈。AI 是未来这一事实，两年前已是共识，但共识不等于超额收益。我曾手握一个"方向判断"便自以为研究足够深入，结果买入的是已被充分定价的中间层，而非尚未被发现的三阶瓶颈。
**下注策略与禁区**：我将问题树视为研究入口，而非直接的交易信号。
Serenity 的极致方法论既是其优势，亦含风险。瓶颈可被绕过，技术路径可被替代，卡位公司或许永远无法获得关键订单。
鉴于我缺乏其工程背景以验证供应链物理细节，故设定边界：利用问题树判定研究方向与注意力分配，而非直接生成持仓决策。注意力可下注，但仓位需更多现实验证。
**误判代价**：若误判瓶颈位置，注意力成本尚可控；但若加杠杆下注，代价可能是毁灭性的。
此类投资的难点在于，它常发生于财报真正兑现之前。逻辑或许正确，但市场可能提前透支三年预期。
这是问题树方法论本身最大的风险边界，也是我运行此系统时始终保留的刹车线。
---
### 此刻你可立即行动的一件事
下次利用 AI 进行任何研究——不仅限于投研，亦可是职业研判、赛道选择乃至子女教育规划——切勿先问"哪个方向更优"。
应先问："若此趋势持续扩张，哪一环将率先供不应求？"
继而追问："那一环的'率先供不应求'，今日是否已被市场/共识/大众所察觉？"
若能持续将问题向深处推进一层，AI 将助你以三倍速跑完全程。
若仅将 AI 视作"答案生成器"，你获得的将是一份精美的共识报告，以及一个已被充分定价的机会。
工具无高低之分，问题却有层级之别。