中欧基金 中欧长谈第二季第一期从需求与供给出发 看AI投资的确定性机会

00:00:00 必须要保持客观，在买的时候你就先把可能的回撤先想清楚。我们是做变化很快的成长股的投资，你在投资上各位朋友们好，欢迎来到中欧长谈。我是硅谷101的联合创始人陈倩，ChatGPT已经上线三年半了，那么在此期间呢，我们看到AI呢已经从技术圈的热议变成了产业界实实在在的投入，再到如今的资本圈，绕不开的主线。 00:00:28 但是呢，站在今天的时间点，我们会发现有一个问题，也是投资人心中避不开的问题，这里面到底有没有泡沫？我们应该是如何去看待这一轮的AI周期呢？那今天呢，我们也邀请到了两位非常有价值的嘉宾啊，他们是中欧基金的杜厚良，还有华福证券的杨晓峰。各位观众大家好，我是中欧基金的基金经理科技组组长杜厚良。 00:00:51 大家好，我是华福证券副所长AI互联网首席杨晓峰。然后我觉得现在大家最关心的一个问题是哈，就是过去的3年AI已经涨了这么多了，它还能再涨吗？这中间有没有泡沫？你现在得出来的一个结论是什么？其实我们去判断企业的价值，它更多的根据我们对目前调研信息所掌握的一个个的事件的拼凑， 00:01:14 从现在我的观点来讲，我觉得AI可能从产业周期来讲还有很长的一段路要走。那从投资周期来讲，我觉得投资周期可能是波动的，但未来其实目前判断下来大概率还有很大的机会。那那我就从。 00:01:28 从两个方面给大家展开地讲一讲，我们其实3月份去了美国，那我们去美国一个很重要的目的其实就是去看终端的需求怎么样。那在AI的需求大家都知道AI需求就是token。那愿意为这个需求付费的，我们讲的就是像头部的大模型厂商A n t h r o p i c、O p e n A I这种公司的付费意院对，所以我们就判断这些付费医院在哪里，场景在哪里，未来有没有场 景拓展的可能性，然后模型能力的跃迁大概是怎么样的？对，然后从现在的判断来讲的话，我们看到的就是模型能力的跃迁还在持续的发生，而且能产生的场景在持续地变多。 00:02:08 因为之前大家都比较知道，其实最多场景是在coding啊，我们知道硅谷其实很多人去用呃coding去提升了这个企业的运营效率，去代替了人工成本，我觉得这个是从企业降本的角度，那从coding呢去发散开来的话，我们看到了金融、法律、教育、医疗等。等等领域，那我们去代替这种啊人工成本相对比较高的领域，因为美国整体社会它是一个需求大于供给的。 00:02:35 陈老师在美国知道，其实美国社会效率在很多方面其实是偏低的，所以它其实是对AI的需求是很大的，是有助于去改变社会这个情况的。所以就是我们看从简单的替代和覆盖需求这个角度，因为美国的白领很多嘛，那从这个角度来讲，其实潜在的空间就比较大了。我觉得这是第一个维度，那很少人讲的第二维度的需求来自于创新。一会儿杨老师也可以补充啊，就是创新这个维度是对AI发展可能久期更长更久远的这样一个维度。 00:03:07 我举一个很简单的例子，比如说我们在药物发现领域，更多是我们在靶点上面找蛋白质，但是更多是用试的方法。但是人类大家也知道，我们其实试的啊范围是有限的，基本原来在人类可视的范围其实是大概10的6次方左右，但是其实自然界它的蛋白质形成它的可能性是十的几十。10次方的AI其实擅长这种东西，那通过AI的话其实是可以把这个东西很好的去去补足甚至去扩散的。所以我们觉得未来可能在类似于这种偏创新的偏基础科学的AI，制药只是其中一个领域，会迎来比较蓬勃的大发展，会推动人类社会的这样一个整体进步，会带来产生新的需求。 00:03:50 所以是让AI的久期在持续的增长，这个是从需求层面， 00:03:54 我觉得有一个角度能很好的回答刚刚陈老师提的问题，AI涨了很多了，在现在这个维度还能不能涨？ 00:04:01 其实我们之前看产业周期，包括所有的科技周期，就历史规律大概率的展示，当一个景气行业好了3年之后，大概率是累积风险的。因为当一个景气行业它持续好的时候，产业链的环节大部分ROE较高的时候，一定会吸引人力物力资本大幅的涌入，那带来一个可见的现象就是这个供给会快速地扩张一定。程度会超过需求，那当供给超过需求，价格会出现崩塌，所以产生了泡沫。所以我们历史上看到的很多泡沫并不是需求产生的崩塌，而是阶段性的供给大于需求，价格崩塌而产生的泡沫。对， 00:04:43 但是这轮的呃周期呢，它之所以可以延长，就是因为整体人类社会需求token的速度和斜率太陡峭了，它超过了人类社会的物理极限， 00:04:55 就刚刚我们讲token的需求，其实可以用几个指标简单地去相乘。这个使用人数我们包括日活月活，然后使用频次。比如说我们开始可能每天使用一两次，然后后面我们可能使用55次10次。当它好用了之后，那第三个就是范式对吧？我们刚开始可能啊都是chatbot，就是简单的聊天，然后后面可能是Agent，然后后面可能呃包括现在什么很多人24小时啊，去让很多Agent和Agent之间的交互啊，这种当每个范式的叠加的时候，其实它也都是token带来10倍以上的增长。空间，那如果我们把这三个指标相乘， 00:05:31 很简单，大概率得到了一个结论，就是人类的token每年的增长大概率应该落到30~50倍这样一个区间。 00:05:39 那Anthropic达里奥前几天其实接受过一个采访，他讲的是我们对算力的需求每年应该是80倍的增长，它实际也就是我这个维度的逻辑，它的意思可能真实的呃token的需求每年是要80倍的增长，那我们为了实现这80倍增长需要什么呢？其实需要供给的不足对吧？供给其实是两个指标，满足的一个指标叫摩尔定律，就是降本，那一个指标叫产能扩张，那这两个指标相乘就是供给的这样一个扩张。 00:06:09 那从摩尔定律的角度，摩尔定律有软件和硬件层面的，我们去年也经历过DeepSeek时刻，它让整个的token成本下降了10倍左右，那所以这种时刻平均看来，每年的这样一 个摩尔定律带来的降本效应大概在3~5倍。 00:06:25 那产能扩张，我们讲服务器整个产业链，它涉及到其实整个电子机械的很多产业链，从最上游到最下游。 00:06:31 人类其实我们讲，其实中国企业我们说每年扩张50%是容易的，但是对于日本韩国，对于那些企业来讲，每年去扩展50%，你跟他说未来需求是星辰大海，你帮我去每年几倍的产能扩展，他们是不愿意的。我15~30的扩展已经很激进了，他们会问你一个问题，那以后没需求我扩的这些产能怎么办？所以他们本身就是谨慎的。 00:06:54 其实包括在上游的很多环节，我们都看到了类似的产能瓶颈，所以过去的呈现就是我们真实的人类社会的需求token，应该是30~50倍的增长。但是摩尔定律乘以产能扩张带来的，我们实际能补足的token的增长只能满足每年10倍的增长。所以过去产生的情况就是每年token10倍的增长，未来今年可能还不到10倍。 00:07:18 但是这个是供给约束的，就其实我们并不是比如说AI的景气周期有多长，我们当然预预测未来肯定它的场景更多，它的需求更泛化，然后它更加星辰大海，但更多更多的是当下的需求是被供给严重的抑制了，供给严重满足不了需求。杜老师讲得非常好哈，而且给出了非常重要的一个结论，就是说现在的供给端是远远不能够满足需求的。那待会儿呢，我们会把内存啊光这个拆开来跟大家来仔细地聊一聊。 00:07:47 哎，杨老师，我想请问你一下啊，你怎么看最近新出的几个大模型，就是最顶尖的SOTA模型，我们看到Anthropic出了这个Fi5对吧，然后我们看到最近OpenAI是出了GBT5.6，你觉得就是现在最前沿的这些模型对于token的需求来说意味着什么？什么？嗯，我觉得这次的模型差不多类似AGI的一个阶段啊。 00:08:09 为什么这么说呢？我举一个例子来说，就是以前的模型你可以理解它的执行能力很强，就相当于说我已经训练了一个模型，它懂去下围棋的规则，以及说去下这个围棋。但现在的 模型我们能感知到就是里面应该是加了一个决策的，就相当于说它自己懂怎么样去下围棋，并且他能下围棋，最后的结果就可能他能在前沿的围棋里面，呃跟别人进行一个围棋的竞竞争。 00:08:34 所以我们会觉得说这种模型带来的一个非常大的变化是什么呢？我可以用这种决策模型去研究非常前沿的问题了，那这样的话这个行业的需求就特别大，以前我可能问个问题两三分钟就结束了，但是未来我可以让他一周甚至一个月再去探索问题。其实这种模型出现以后啊，第一次可能开始要影响整个前沿科学了， 00:08:56 所以token上的量应该是一个更加陡峭的一个斜率。 00:09:00对，所以我就说这次模型带来的影响其实非常大。 00:09:04 好，那今年我们看到Agent的爆发，让很多的企业开始去拥抱啊要烧token这件事情。但是仅仅在3个月之后，我们看到整个风向就变了。呃，我们看到企业开始注重token的质量跟token的效率了。啊，这个后面的一个转变，这个后面的原因是什么？你们观察到什么样的现象？ 00:09:23 嗯，我觉得是这样一个过程，就是呃，确实，AI要普及落地，随着就是早期为了鼓励大家用，可能就是鼓励大家用的越多越好。但是后来也发现，其实大家都知道这个东西好用，这个时候它就是一个资源，所以希望这个token的资源能涌向效率更高的地方。所以我们我觉得说这个变化主要反映的是，就是大家都知道AI重要了，不需要再鼓励谁用得多，而是需要谁能够把AI用得更好，因为要开始创造价值了。所以我觉得说这个阶段其实反映出来，企业已经把它当成一个效率工具了，所以更精细化地在呃把资源投向更需要的一个地方。 00:10:00 其实我跟杨老师的观点是一样的，就是原来更多是普及化的工作，但是它minimizing了，是不是就是说大家对token的需求即使没有maximizing。那么那么多了，这对算力来说是 不是并不是那么好的一个事情？其实不会的就是minimizing，我们看到只是一个表象，对，但其实从整个的资源分配来讲，因为如果你作为一个企业的老板，然后你一定是想把最好的工具、最好的资源，然后交给最好的人去用。所以就是刚才那个也也也那个echo一下杨老师说的就是嗯，现在是不是企业们他们不仅是把AI作为一个工具在使用，他们是真正的开始成系统的去部署AI进入到他们的企业的系统里面去。 00:10:48 就确实我们已经看到很多的这个企业在大规模的去部署AI了，因为确实目前达到一个比较好的效果以后啊，企业的需求其实非常旺盛的，那目前来看我们能跟踪到的一个情况就这样，就是企业现在在使用这个token的量级上的非常快。 00:11:03 就可能过去我研究一个问题的时候都是网上找的资料，但是慢慢的企业为了提高效率，它正在大规模地把自己的数据库里的数据导进来。甚至可能这个企业以前是很多数据都没有清洗处理过的，现在很多公司已经开始大规模地这个清洗数据啊等等，嗯达到一个更好的效果。所以我就说在这个龙虾教育企业以后啊，企业现在很有非常大的动力把自己的数据然后清洗完向量化，然后开始分析，可以得到以前得不到的很多的结论。对于企业的一个效率提升其实非常大，所以我们感觉到就是很多个人也是一样的， 00:11:40 就是在以前工作的时候，可能每天消耗的token可能是做个PPT50万token，但是有的人可能。用用一个任务的时候已经800~1000万token了，为什么呢？因为他以前干活是让他去网上找的，现在干活是直接拖着这个文件夹拖进来。那你想，如果说一个企业它可能不是把文件夹拖进来，他分析一个问题的时候是直接公司库数据库里的数据导进来的，所以它的量级上的非常非常快。对，所以我们就说，其实经过龙虾的教育，很多企业已经发现了这样的一个机会。 00:12:09 钟老师我也想问一下哈，就是因为你之前去的硅谷的时候，你当时给出了一个结论，你说你对美国AI产业趋势的感受之前是7分，然后去了硅谷之后呢是提高到了9分，各个维度它的进展都大超预期。