前言与引入
帕特里克： 今天我的嘉宾是亚历克斯·萨塞多特 (Alex Sacerdote)，他是鲸石资本 (Whale Rock Capital Management) 的创始人。鲸石资本是一家专注于科技领域的投资机构，管理着超过 170 亿美元的资产，横跨对冲基金、仅多头（long-only）以及混合型策略。在过去几年里，它是表现最好的基金之一，年化复合收益率约为 44%。Alex 仅通过他提炼了 20 年的单一视角进行投资：他寻找科技发展、S曲线、可持续的竞争优势以及被市场低估的盈利能力。今天的对话将带大家全面领略他是如何应用这一框架的。
我们从他目前最具信念的头寸——Anthropic 开始，并以此探讨整个 AI 技术栈——从芯片、模型到应用层。请欣赏我与亚历克斯·萨塞多特的对话。
Anthropic 是如何赢得编程领域的
帕特里克： Alex，你刚才说你目前最具信念的头寸是 Anthropic。你能讲讲发现它并决定投资的故事吗？希望能以这个案例为契机，聊聊我们目前共同感兴趣的话题：像你这样的投资者在私募市场的布局、Anthropic 这家公司、AI 领域等等。这是一个非常棒的切入点。为什么它是你最具信念的头寸？你们是如何开始的？
亚历克斯： 当 OpenAI 在 2022 年 11 月凭借 ChatGPT 打响第一枪时，我们立刻带领全公司 10 个人的研究团队进行了一次大规模的深度探究。每当出现新的计算范式时，都会产生一套全新的技术栈，而这会在旧技术栈上创造出新的赢家和输家。现在黄仁勋经常谈到这一点：底层是电力、最底部是芯片、然后是云厂商、接着是基础模型层，最后是顶部的应用层。
在那个时候——大约是 2023 年初——我们认为自己首先应该布局芯片和基础设施层。因为这部分不仅最先迎来需求，而且谁是赢家一目了然。不论上面谁赢（当时我们还不确定），我们都知道行业将需要海量的算力。我们对此进行了深度挖掘，待会儿可以聊聊。但在接下来的两三年里，我们开始对基础模型层将如何演变有了更清晰的认识。
两三年前，大约有 60 家不同的公司在这个领域竞逐。OpenAI 处于领先地位。我们在 2023 年 4 月举办了一次研讨会，当时我们说：看，这可能会是一个“赢家通吃”的市场；也可能是一个完全“商品化”（commodity）的市场，因为有开源玩家在，可能会成为一场竞相杀价至零的战争；或者它可能是一个“寡头垄断”的市场，由三到四家头部玩家主导。而在接下来的三年里，我们看到几乎所有的初创公司都出局倒下了。
然后，世界上一些规模最大的巨头入场了，包括亚马逊、Meta 等。亚马逊其实没有真正拿出像样的拳头产品；Meta 的动作拭目以待，他们刚进来时势头很猛，但由于模型效果未达预期不得不进行全面重置。与此同时，Anthropic 成了这匹“黑马”初创公司，他们纯粹专注于企业级服务（enterprise），而 OpenAI 则赢得了消费级市场。当然，谷歌的 Gemini 也是不可忽视的力量，我们也非常喜欢谷歌，它是我们最大的持仓之一。
所以，这真的开始看起来像是一场“三足鼎立”的马车赛，并在某种程度上形成了寡头垄断。这与当年的云计算市场演变非常相似：微软 Azure、亚马逊 AWS 和谷歌 GCP 三家公司支撑起了整个 SaaS 软件世界，并且都拥有极佳的商业模式。同时，我们也意识到了来自中国以及开源社区的挑战。我们开始确信，最前沿模型的 Token 质量是更为优越的，因为如果在跑分测试中你已经接近顶峰的 80%，那么从 80% 提升到 85% 将会带来巨大的能力解锁。
开源玩家没有那么多算力，所以他们可以接近最前沿，但无法实现跨越式反超，随后就会陷入停滞。与此同时，随着缩放定律（scaling laws）以及通过反馈循环等其他手段改进模型的路径逐步清晰，我们看到了非常强劲的发展势头。行业内所有接近核心层的人都认为，缩放定律将继续起作用。
因此我们形成了这样的假设：这会是一场三家争霸的格局。而真正的爆发点在于“编程”（coding），这是 AI 真正解放生产力的关键解锁。在最初的几年里，我们知道 AI 会很宏大，但我们也持怀疑态度。我们之所以进行大笔投资，是因为我们知道“模型训练”的算力需求是确定存在的，但我们不确定能产生多少实际收入，或者它是否真的能够替代人工。因为如果你还记得的话，早期版本的模型虽然不错，但企业端客户有很多负面反馈：它们真的能具备智能体（agentic）的自主工作能力吗？
到了 2025 年，第一代 Claude Code 和编程工具真的开始爆发了。第一代编程工具就像微软的 Copilot，每月大约 20 美元，它能帮你改改语法错误、找找 bug、写一小块或一段代码。接着在当年年中左右，Anthropic 推出了新的功能，它能做的事情远不止这些。它达到了可以像智能体一样自主运行的程度，编程市场彻底被引爆了。
随后我们开始听说有人在无限制地使用它。我们听说，甚至在 Anthropic 内部，当时人们每天在 Token 上就要花掉 100 美元——算下来一个人一年就是 2 万到 3 万美元。如果想想全球有 2000 万程序员，光是编程这一个市场，就蕴含着半万亿美元（5000亿美元）的规模潜力。
请注意，这还只是基于七八个月前的技术。我们当时就看到，仅凭编程市场，Anthropic 面前就摆着巨大的机遇。所以我们是在 180 亿美元估值时做的那笔投资，当时他们可能希望能拿到 90 亿……
帕特里克： 是的，从 10 亿涨到 90 亿。
亚历克斯： 没错，从 10 亿涨到 90 亿。他们当时的数据是史无前例的——年营收（ARR）从 1 亿美元飙升到 10 亿美元，正朝着 90 亿美元进发。但当我们 2025 年 8 月投资时，谁也没想到 2026 年会爆发成什么样。
最近的第二个重大解锁是，Claude Code 已经几乎完全实现了“智能体化（agentic）”。像 Andrej Karpathy（译者注：前特斯拉 AI 负责人、OpenAI 联合创始人）和 Linus Torvalds（Linux 创始人）这两位编程领域最聪明的人，态度都发生了彻底的逆转。Karpathy 去年曾说，AI 编程工具只能写 20% 的代码，80% 仍需人手写；但当最新模型出来后，这个比例完全颠倒了，现在他除了用英语，基本不怎么亲自动手写代码了。更不用说对于那些根本不会编程的人来说，这会带来多大的生产力大解放。因此，单就编程市场而言，就已经彻底腾飞了。
云计算（GCP、AWS）和 AI 模型公司之间的一个关键区别在于：云服务大体上是同质化的（commodity），卖的是服务器和存储空间。虽然上面有许多软件可以增加粘性，但在 AI 模型层，大家都曾以为它也会沦为纯粹的同质化通道。但现实中，模型内部存在着巨大的差异化——它们有不同的训练方法和各自擅长的专业领域。
很多人使用“路由”（routers）在不同模型间进行切换，这听起来像是一种同质化的特征。但实际上，Anthropic 在处理涉及私募股权与金融领域的任务时表现极其出色，而谷歌在解析 PDF 方面非常强大。这里面包含着许多差异化的核心知识产权（IP），构成了极强的竞争优势。有很多公司试图挑战 Anthropic 在编程领域的统治地位，但 Anthropic 始终保持着领先。
此外，基础模型和 Anthropic 的另一个优势在于，它不仅仅是一个 API 或一个模型。他们正在围绕 API 构建一整套完整的产品生态。所以我们有了 SDK、Claude for Cowork、编排层（orchestration layer）以及各种配套工具——他们称之为“套件/架构”（harness），即围绕 API 的软件，用来把模型的能力发挥到极致。
这也是我们在 2013 年很早就从 AWS 身上看到的逻辑：当时人们觉得它不过是仓库里租给你的普通服务器而已，没什么大不了。但亚马逊看到这是一种全新的计算方式，所以他们发明了所有这些配套产品——他们比其他人更早地看清了这一点——并一步步构建起了用户锁定。
我们思考这个问题的另一种方式是——我们现在处于 S 曲线的什么位置？我们基础设施层的 S 曲线目前的渗透率只有 10%。顺便说一句，我们认为这依然是布局 AI 最好的方式之一，稍后我们会聊聊它是如何产生反馈作用的。
但如果仔细想想，目前大概有 8 亿人在使用 AI。但他们使用的只是 AI 1.0——就像是加强版的搜索引擎。但现在随着这些全新底层原语（primitives）的出现——比如你可以在电脑上安装 Claude，实现系统级联动，然后构建技能、搭建真正的 AI 机器人（bots）。大型企业将会构建规模庞大得多的系统。
但是在做这件事的人群比例是多少呢？谷歌的 Sundar Pichai 说过，这仅占全球知识工作者的万分之十（10 bips）。Anthropic 的日活跃用户（DAU）大约在 1400 万到 1500 万之间，而其中可能只有极少部分人是在以它真正被设计的方式来使用 AI。从万分之十开始——这是经典的 S 曲线起点：最开始是极客和折腾的人，然后过渡到早期接纳者（early adopters），再到早期主流。但在接下来的四年里，这个比例将从万分之十走向 2% 到 3%、5%，乃至 15%。
今年在企业端，大家都配置到了这一转变，副业层面也开始大刀阔斧改革，意识到了一件如梦初醒的事：我们必须立刻做这件事，而且要快。但这依然处于互联网 1.0 的阶段——这就好比在 1998 年，你知道自己需要一个网站，但当时搭建网站极其困难。不过，现在的技术整合速度非常快。所以，企业级 AI 应用市场的渗透率其实还不到 1%。当我们在 Whale Rock 谈论 S 曲线时，我们称这一条是直接拔地而起的“L曲线”。
再把视线转回基础设施——我们处于只有千分之一的人在真正深度使用 AI 的阶段，并伴随着巨大的算力缺口。Anthropic 目前拿到的算力只有他们当下实际需要的一半，而这还没有算上接下来的这股爆发性需求。Marc Andreessen（译者注：硅谷知名风投 A16Z 联合创始人）说过，未来四年里他唯一能确定的事情就是，算力永远供不应求。
一级市场私募额度是如何“凭本事”争取的
帕特里克： 我非常好奇。像你这样的投资人，历史上主要是二级公开市场的投资者——你可以直接敲击键盘买入任何你想买的资产。但现在，你频繁参与了许多最重要的一级私募市场公司，比如 Stripe、Databricks、OpenAI、Anthropic 等。
既然不像过去那样可以直接从市场上买入，你是如何拿到你想要的持仓额度的？这其中有多少是依靠跟公司直接沟通时的创造性方案？如果是直接跟公司沟通，这需要“双向选择”——他们也必须决定是否接纳你。你是怎么做到的？对于在一个非你传统背景的一级私有公司里，拿到你想要的配额或股权比例，你积累了哪些经验？
亚历克斯： 我们需要去了解这家公司。我们的一位分析师认识他们财务团队的人。我们曾经研究过他们 600 亿美元估值的那轮融资，但当时我们对这家公司还不够了解。当时他们的毛利率是负的，坦率地说，我们还没看到编程市场像后来那样爆发。二级公开市场的一个好处是，你可以在很长一段时间里去了解一家公司，并按照你自己的节奏进行投资。
后来我获得了一个跟 Anthropic 首席执行官 Dario Amodei 面对面交流的机会，我开始意识到他们的管理团队非常优秀。他们的专注、投入——骨干几乎没有任何流失。他们的代码质量极高。然后他们的商业计划也确实开始兑现了。从 1 亿美元的 ARR 做到 10 亿美元是一回事，但要朝着 90 亿美元做，就是另一回事了。
所以我们尽一切可能去对接这家公司，他们也接受了我们的会面。我们做了一份长达 90 页的 PPT 演示案。在准备过程中，我们用 Claude Code 搜遍了互联网，收集了关于编程市场的所有反馈——他们的产品擅长什么，哪些地方需要改进，同时我们也阐述了我们对整个编程市场发展空间的研究。他们对我们这轮融资的加入表示欢迎，之后我们也跟 CFO 保持了密切的联系。
能和他们建立起这样的信任关系非常棒，我认为我们在拿到配额方面可以说是“超水平发挥”了。所以那笔投资是一次彻底的本垒打。
现在我们所处的这个阶段，一级的“独角兽”市场规模已经超过了欧洲大多数股票市场的总和——甚至可能比它们加起来还要大，绝对比德国股市大，也绝对比英国股市大。在我们 2020 年投下第一笔私募之前，我们就必须去了解这些公司。现在你更需要对它们了如指掌，因为有时候它们是该领域里体量最大的公司，具有巨大的行业影响力。
所以，我们一年要进行 2000 到 3000 场与管理团队的面对面交流，其中大约有 10% 到 15% 是与私有公司进行的。我们会重点锁定那些我们极度渴望深入学习的公司，并寻找方法与他们建立联系，参与到他们的融资轮次中。
我们的第一个私募项目是 Stripe。在那之前，我们在 2017、2018、2019 和 2020 年在支付领域有过大笔布局。我们持有 Adyen（译者注：欧洲数字支付巨头），这是一家极其优秀的支付公司。他们是下一代云支付领跑者，正不断抢夺 Worldpay 等传统支付公司的份额，当时现代云支付也只占整个 80 万亿美元市场的 5% 左右。但是，如果不把 Stripe 摸得底朝天，你是无法投资 Adyen 的。
所以我们做了海量的尽职调查——访谈了 200 多家 Adyen 的客户。而在我们询问 Adyen 的同时，我们也在打听 Stripe，我们意识到这两家就是支付领域的“可口可乐与百事可乐”。我们对自己说：必须想办法投资 Stripe。终于，我在 2019 年见到了 Collison 兄弟（Stripe 创始人）。这就是我们的第一步。
当时我们其实不怎么以投私有公司闻名。我有一个朋友，他跟一家持有大量 Stripe 股份的顶级风险投资机构关系密切。我跟他聊过，说如果你们什么时候想出让一些额度，随时找我。接着在疫情期间，也就是 2020 年 4 月，我接到了他的电话。当时我们对 Stripe 已经有了很深的研究。虽然当时没有拿到完整的财务报表，但根据已知的信息，我们确信在那个估值下——我记得当时是 350 亿美元——他们披露的年化交易总额（TPV）已经超过了 5000 亿美元。
我们知道 Adyen 的净费率（take rate）是 25 到 30 个基点，而 Stripe 的费率大约在 40 到 50 个基点。我们知道他们有多少员工，所以我们可以大致推算出他们的盈利能力。结果证明，他们的净费率比我们想象的更高，而且他们在 TPV 数据上显得有些谦虚了——实际交易总额远高于 5500 亿，接近一万亿美元。我们基于自己的假设对这笔交易进行了压力测试，结果比预期的要好得多。最终，我们从卖家手里成功承接了一笔高达 1 亿美元的块状交易（block trade）。
风投机构终归会持有并选择卖出，而我们喜欢买入并一路持有到它们上市，并在公开市场继续持有——我们在 Nubank 也是这么做的，在它上市后的二级市场上依然持有了很长一段时间。
以4倍市盈率买入“伟大的企业”
帕特里克： 也许现在是系统性梳理你对 S 曲线所有认知的最佳时机。显然，你们基金的立足之本就是基于“技术采用生命周期”（technology-adoption life cycles）这一概念，并在某个平台级变革或 S 曲线变革的恰当时机投资于相关公司。既然这是你长期审视市场和股票的透镜，我非常希望你能深入细节，和我们聊聊为什么 S 曲线对于投资如此管用。
亚历克斯： 我们有一个统一的投资框架——S曲线（S-curve）、竞争优势（competitive advantage），以及被低估的盈利能力（underappreciated earnings power）。当你切入 S 曲线的正确阶段时，你将获得指数级的出货量/单位增长（exponential unit growth）。如果你拥有非常强大的商业模式——在科技行业，针对不同类型的护城河有太多优秀的商业模式——你的利润增长绝对不会是线性的，它会呈指数级爆发。这就是最后一块拼图。
在企业长期盈利能力被市场严重低估时买入，很多时候他们的利润可以从 1 美元增长到 10 美元。这种情况发生的概率远比想象的要高，并且这能让你以极低的市盈率（P/Es）买入一些世界上最顶尖的企业。当我们在 2023 年买入英伟达（Nvidia）时，我们付出的估值只有其未来真实盈利的 4 倍市盈率。当我们在 2019 年买入特斯拉以布局其汽车 S 曲线时，对应的仅是 5 倍市盈率。当我们持有苹果时，对应的也是 4 倍市盈率。当我们买入亚马逊以布局 AWS 时，相当于免费得到了 AWS 的资产。
这个世界习惯于线性思维，而不善于做指数级思考。人们太关注下一年、下一季度了。极少有人相信你可以准确预测两三年、甚至四年后的景象。但如果你遵循并理解 S 曲线，洞悉其护城河，并懂得如何建立财务模型，你确实能够预见这些伟大趋势的发生。让我们回到 S 曲线。
S 曲线之所以至关重要，是因为每一项颠覆性科技都遵循这个规律。智能手机在 iPhone 问世 10 年前就已经存在了；互联网在 Netscape（网景）浏览器爆发 20 年前就已经诞生了；AI 也早已存在，并被大公司雪藏在内部，直到 ChatGPT 将它推向公众并点燃了这股热潮；电动汽车——特斯拉在 2019 年业务走向垂直爆发前 15 年就已经上市了，因为在这之前有太多的接纳壁垒。
早期的智能手机非常笨重。它们没有触摸屏，没有无线数据网络，而且价格太贵了——要 500 或 600 美元。史蒂夫·乔布斯成功将价格降到了 200 美元。AT&T 提供了 3G 网络。它是触摸屏，简单到连你的祖母都能轻松上手。同时，他构建起了一个化繁为简的生态系统。于是，所有的采用壁垒都被扫清了。
接着你就会迎来火箭般升空的阶段。当这些壁垒被移除时，就会引爆市场的“需求龙卷风”——世界上每个人都会意识到自己立刻需要这个东西。这就是临界点发生的一瞬间。在电动汽车领域同样如此。以前价格太高，埃隆把价格降到了 4 万美元；以前有里程焦虑，他把续航做到了 300 英里；供应链也终于准备就绪，可以成百万地生产这些车辆。这触发了行业曲线的拐点。
不过，这里面更微妙的难点在于——不仅是“噢，它现在开始起飞了”，而是“这条 S 曲线能画多高？上限在哪里？”这样你才能知道什么时候该卖，能拿多久。因为我们的投资期限一般会看到两三年以后，我们必须清楚那之后的增长动能长什么样。而且这些 S 曲线往往是动态变化的。
比如，当亚马逊拥有 AWS 且它还只是隐藏在零售分析师覆盖范围下的一个副业条目时，我们意识到这部分业务的潜在市场空间（TAM）是企业级 IT 历史上最大的 TAM——因为以前企业 IT 的市场只是路由器、内存、存储、戴尔和 EMC 等，但现在 AWS 把这些全包了。为了估算这条 S 曲线有多高，我们算出它直接瞄准的是 6000 亿美元的企业 IT 系统。
我们当时猜测，这可能会带来 50% 的通缩效应，因此我们的渗透率只有 1% 到 2%。但随着时间推移，我们意识到它其实并没有通缩。如果你现在去问任何一家企业，他们会告诉你，现在自己搭建服务器的成本和上云其实差不多。这意味着 AWS 的潜在市场空间（TAM）比想象的要大得多。
在整个科技生态中，既有“超级大S曲线”（mega-S-curves），也有“子S曲线”（sub-S-curves）。我们很幸运地亲历了互联网 1.0、移动互联网、云计算、电子商务，以及现在的 AI 浪潮——我们可以确信 AI 是其中规模最大的一个。所有这些大趋势都在前人的肩膀上不断叠加。以电动汽车的 S 曲线为例，你必须时刻保持警惕，因为我们曾以为会有 40% 到 50% 的汽车走向电气化，但它在渗透率达到 10% 到 15% 时遇到了巨大的瓶颈。
通常 S 曲线会走完全程，但在电动汽车这个案例中，由于各种错综复杂的原因，它没有。所以你必须不断调整自己的模型，并紧跟变化。一般而言，当某项技术的渗透率达到 30% 到 40% 时，它就会失去指数级增长的势头，这意味着卖方的分析师们也会反应过来并跟进预测，公司便不再会有超预期的业绩（beats）。
帕特里克： 那就是你们选择卖出的时候吗？
亚历克斯： 通常，我们偏爱高速成长期。我们在苹果（Apple）身上犯过错。在苹果的最早期，也就是前五年左右，那段历程极其美妙。它是我们最大的重仓股，除了 2008 年外，每年能为我们带来 50% 到 70% 的涨幅。但我们在 2012 年把苹果卖掉了，当时美国智能手机的渗透率大概达到了 50%。
回过头看，苹果成功捍卫了它的市场统治地位。虽然它中间经历了几年的平淡期，估值倍数也一度走低，但他们随后增设了许多生态周边的业务。他们也吃到了应用层的红利，因为他们可以从所有 App 收入中抽取 30% 的“苹果税”。这让他们能够以大约 20% 的速度非常漂亮地持续复合增长。但真正的黄金收益期，依然发生在渗透率从 0% 走向 50% 的那段陡峭曲线上。
收音机与洗碗机：S曲线的采纳模型
帕特里克： 在这些 S 曲线开始前，往往会经历一段长达十年甚至更久的平坦期，这让我很好奇，你是如何拿捏最佳的买入时机，或者在买入前何时开始关注它的？你该如何去衡量这一点？每个案子都不同吗？你踩过哪些坑？你如何确定是时候对这类资产进行布局了？
亚历克斯： 英特尔前首席执行官安迪·格鲁夫（Andy Grove）说过：当面临战略转折点（strategic inflection points）时，你不能盲目相信现有的统计数据。战略转折点高度依赖于直觉和草根证据（anecdotal evidence）。我很喜欢一本书，叫《道琼斯均线：全脑投资指南》（The Tao Jones Averages: A Guide to Whole-Brained Investing），它讲的是右脑和左脑的协同。最顶尖的投资者往往有着极强的右脑（即创造性的一侧），他们拥有视觉化的敏锐度，擅长将零散的线索联结成面。
比如我们曾在移动游戏 S 曲线中投资了很长时间。以前手机屏幕很小，处理芯片性能也很弱，所以市面上全是轻度的休闲小游戏。但是有一次我在中国，看到一个 12 岁的小男孩捧着一部大屏幕手机，在上面玩着画面极度震撼、制作精良的重度游戏。我当时脑子里“嗡”的一声：天呐，高品质游戏的时代正在向手机端转移。这就是直觉和画面的力量。
但在企业级（enterprise）领域要做到这点很难，因为你无法亲眼看见。智能手机你拿在手里，可以直接感叹：“天呐，我懂了，这太棒了。”AI 也是如此，它带有某些直觉性。但对于企业级软件，你很难有这样直观的切身体会。所以我们会去参加高德纳 IT 峰会（Gartner IT Symposium），每年有 3 万名美国公司的 CIO 去那里。
我们曾见证过 Splunk（机器数据分析巨头）的崛起，它以前是一家神奇的数据库公司——在峰会上，他们进行技术宣讲的房间里挤得水泄不通，甚至连站脚的地方都没有。我们 30 年前在 VMware 身上也见过类似的场景，当他们演示如何将一台物理服务器虚拟化时——也是连立足之地都没有。那一刻，你就能清晰地预见到企业端需求的爆发。在 AWS 最早起跑时，我们去参加他们的发布会，早上 9 点，主宴会厅塞得满满当当；10 点，依然爆满；11 点，还是爆满。那一刻，你能在财务报表上有所体现之前，就亲眼看到需求的爆发。
我们一直在寻找各种线索，这需要进行一整套的模式识别。顺便说一句，在投资中，买得晚一点是完全没有问题的。在很多情况下，即使你错过了前一、二、三年的机会也无妨。因为如果这条 S 曲线的顶端能达到半万亿美元规模，那么增长期就会拉得极长。你不必一定要在第一天就精确入场，错过最开始的 100% 涨幅也是可以接受的。
彼得·林奇（Peter Lynch）——我职业生涯起步于富达，彼得非常乐于指导我们这些年轻人，所以我跟彼得有过不少交流。他说过：把历史走势图给涂白抹掉，一切都只关乎未来。所以，错过前期的涨幅并不可怕。关键在于搞清楚这条 S 曲线能走多远。此外，S 曲线的斜率也是至关重要的。
现在很多人认为，因为我们身处现代社会，一切技术的迭代与采用都必然是神速的。但实际上，决定一项技术被市场接纳速度的因素非常多。我们曾委托克莱顿·克里斯坦森（Clayton Christensen）的前同事、知名科技分析师 Horace Dediu 进行过一项历史研究，我们把过去 100 年里所有的重大 S 曲线图表都贴在了我们办公室的墙上。
我们发现，收音机（radio）的 S 曲线是历史上最陡峭、最快的之一——它只用了 7 年就达到了 100% 的家庭渗透率。但洗碗机（dishwasher）的 S 曲线则截然相反，因为它的安装必须跟房屋后端的管道系统和水路进行对接。企业端（B2B）的技术接纳往往需要耗费漫长的时间，因为它们需要跟企业内部现存的、盘根错节的旧系统进行复杂的软硬件对接。相比之下，消费级（B2C）的产品通常会跑得快得多。
帕特里克： 我太喜欢这个比喻了。收音机和洗碗机——这成为了技术采用的两种经典模型。
亚历克斯： 我当年在富达覆盖互联网行业。我跟踪的第一只股票就是亚马逊——那是一段非常有趣的故事。但我也研究 B2B 互联网，当时市场上对它有极度乐观的牛市预期。但事实上，当时的底层基础设施根本无法承载 B2B 业务的爆发。直到 20 年后，随着 SaaS 的成熟，这个市场才真正兑现。
这同样是当前 AI 面临的一个潜在风险——这些大型企业对安全性极度敏感，它们的行动可能会非常缓慢。AI 的落地涉及许多企业组织内部的文化冲突：你真的需要企业内有几个坚定的“传教士”去死磕推动，需要最高管理层强力施压，而 IT 部门则一直在警告这里面充满了合规风险。当年的云计算（cloud）落地也经历了一模一样的博弈。
当年云计算发展最大的瓶颈在于，每个人都在害怕：“把公司最核心的数据放在公有云上，这真的安全吗？”直到我们看到中情局（CIA）把数据托管给 AWS，看到第一金融（Capital One）开始上云。我们专门去和 Capital One 的 CIO 交流，他告诉我们：“把数据放在云端其实比放在我们自己那破破烂烂的数据中心里更安全。”自那以后，云计算才真正迎来了全面腾飞。
这些企业端的技术起飞——或许正因为 SaaS 就像是“洗碗机”，云计算必须跟企业的复杂架构深度对接——意味着虽然它们在增长，但通常是一个 30% 到 40%——多则 50% 左右的温和增长曲线。然而，AI 最不可思议的地方在于——至少对于普通消费者或某些轻量业务而言——你只需打开网页浏览器，它就已经在那里了。这就是为什么它的增长能画出一条陡峭的直线。
而且我认为在短期内有足够的可见度——随着渗透率从区区万分之十的极客人群走向 2% 到 5% 的大众企业——这股动能会支撑它继续以陡峭的角度直冲云霄。我想我们可以称这为一条“反向L型曲线”。这真的非常令人兴奋。
数字经济马太效应：领导者增长更快、规模更大
帕特里克： 那么，当一个群体最终脱颖而出成为领头羊、开始从竞争红海中甩开对手时，你总结出了什么规律？你刚才主要谈到的是 S 曲线的整体增长和需求。但市场上永远有多方势力在残酷厮杀。感觉你们的投资风格是在某个赢家已经明显跑出来、确立了竞争优势后才买入，而不是试图在混战中去赌谁能赢。
亚历克斯： 我们寻找 S 曲线，然后对该领域的所有参与者进行穷尽式研究，试图找出那个拥有最强大竞争优势的玩家。许多传统的价值投资者——比如沃伦·巴菲特（Warren Buffett）——以前不喜欢科技股，因为他觉得科技发展日新月异，难以看透它的未来。
帕特里克： 变化太快了。
亚历克斯： 因而，S 曲线就是我们透视未来的“活地图”。过去很多人对科技股抱有疑虑，因为他们认为科技行业颠覆太频繁，你无法将任何一家科技公司视作可以长青的资产。但我们这些年发现，在数字世界中，某些竞争优势（护城河）的强度，如果不是更强的话，至少也是和实体世界的传统壁垒并驾齐驱的。
你拥有网络效应（network effect），这对 LinkedIn、Facebook、阿里巴巴等企业构筑了极其强悍的壁垒。其次是成为行业标准（industry standard），例如 Oracle（甲骨文）和 Bloomberg（彭博社）。甲骨文的软件收费极其昂贵，市面上有大量的免费和开源替代品，但甲骨文锁定了所有的数据库管理员（DBAs），所有的企业应用软件都是针对他们的产品进行优化调整的。这让他们在关系型数据库市场中享有了近乎永久的统治力。
此外，由于 S 曲线的爆发性，你可以极快地将业务做到极其庞大的规模——比如转瞬之间 Anthropic 的营收就能做到 30 亿甚至 300 亿美元。或者亚马逊有那么多规模，而且他们能够迅速获得它。这让他们在 5 年时间里就建立起了相当于沃尔玛耗时 40 年才构筑起的规模壁垒。
所以，你可以同时拥有网络效应、规模优势，并成为行业事实上的标准和底座平台（platform）。你还可以拥有不可绕过的核心知识产权（critical IP），比如高通（Qualcomm）——你如果不向他们交纳专利费，根本造不出一台智能手机；又如 ASML（阿斯麦）——你如果不买他们的光刻机，根本生产不出一颗先进芯片。
你还可以拥有品牌（brand），这同样极其关键。因为谷歌和亚马逊——他们在成长过程中几乎不需要做任何品牌广告。埃隆·马斯克也从来不需要为特斯拉做广告。获客成本（CAC）与客户终身价值（LTV）的比值——构成了这套商业模式的全部底层。我们前面提到的那些伟大科技巨头，几乎都是将这些护城河要素熔于一炉的庞然大物。
有些时候，我们能比市场更早地察觉到这些优势。我们职业生涯的高光时刻之一是在 2013 年的罗宾汉投资人大会（Robin Hood Investors Conference）上，我们公开推荐亚马逊的 AWS。我们当时指出：市场上的牛市派根本没有意料到他们手里握着怎样一张王牌——亚马逊在战争还没开始前就已经打赢了。在那个时候，我们说这个市场只有“可口可乐”，连“百事可乐”都还没影子。虽然后来证明确实有百事可乐（微软 Azure）跑了出来，但这个市场的空间庞大到足以容纳两家巨头。
当时我们可以清晰地看到，亚马逊拥有 7 年的领先优势。所以先发优势（first mover）极其重要。随后他们蜕变为了一个完整的生态系统和开发者平台，紧接着确立了规模优势，体量达到了其他跟随者的 10 倍以上。这导致没有任何竞争对手能投入足够的研发资金（R&D）来赶超他们。但你说得对，如果在爆发的 S 曲线里你没有竞争优势——
帕特里克： 最终也只能沦为炮灰。
亚历克斯： 没错。如果你的名字是 RIM（黑莓）、Palm、诺基亚、HTC、LG、摩托罗拉——我可以列出一大串名字——你最终的份额只会归零，利润归零，甚至带来巨额亏损。这正是我们在基础模型层看到的景象：两三年前有 50 家公司在厮杀，现在它们基本都出局了，只剩两三家巨头傲立在潮头。我们有充足的理由相信，这几家领先者将继续捍卫并巩固自己的统治地位。
软件行业的“新 Rule of 40”
帕特里克： 那么，我很想知道，这一切对软件行业意味着什么？当我翻看你们的投资组合时，我没有看到很多大型企业级软件公司（enterprise software）。我不确定是你们过去持有过但后来卖掉了，还是其他原因。
但是，对于我们这些普通人来说，当用过这些极具革命性、酷炫好玩的 AI 工具（哪怕它们现在可能还略显稚嫩）后，很难不去想——天呐，如果我多花点时间在上面，哪怕我没有任何技术背景，也许我能直接为我们公司定制出一套 ERP 替代系统或者其他办公软件。这从技术底层上看起来是完全可行的，而如果这样的话，那些传统的软件巨头可能会面临大麻烦。
大家对这个问题似乎都有非常极端的两派观点。既然你们现在几乎没怎么持有这类公司，我很想听听你是如何看待这些软件企业的。
亚历克斯： 五年前，我们可能把整个投资组合的 40% 到 50% 都重仓在了软件上。在 2023 年 4 月的研讨会早期，我们明确提出：首先买芯片。但对于应用层（application layer），我们最初的想法是——这些软件巨头体量庞大，拥有遍布全球的销售铁军，可以轻松把 AI 接口接入自己的产品中，而且他们手里握着用户数据。这对传统软件来说应该是一次巨大的赋能。
但很快，我们意识到这只是一厢情愿——这些传统软件公司做出来的 AI 产品体验非常平庸。它们不仅无法解决核心痛点，而且没有客户愿意为此额外买单。所以，我们几乎卖光了手里所有的软件股。到了今年年初，我们在软件上甚至是净做空（net short）的——这在第一季度极大地帮我们锁定了超额收益。
这里面有太多的认知维度。旧的软件时代就像是使用纸笔记录，或者赶着马车；而新的 AI 软件则像是喷气式发动机，甚至是《星际迷航》里的传送门。它极其具有颠覆性，以至于它注定会带来毁灭性的重构。哪怕 AI 现在还没有完全砸掉传统软件的饭碗，这些软件公司也面临着另一个迫在眉睫的危机：在所有企业 CIO 的采购任务清单上，传统软件的优先级已经被严重边缘化了。即使 AI 目前还没有完全替代他们的系统，CIO 们也宁愿把预算花在购买 Anthropic 的 Token 上，因为那里的投资回报率（ROI）见效要快得多。
第二，由于企业把大量的资金投向了算力与 AI 端，这直接挤压了总体的 IT 预算，从而让传统软件饱受冷落。第三，过去很多软件公司每年都能雷打不动地提价，而现在在 AI 冲击下，他们可能根本不敢提价了。第四，虽然关于 AI 到底会如何影响就业岗位大家还在争论，但我们确实看到有些公司已经在进行激进的裁员，并冻结招聘——这导致传统软件按账号数（seats）收费的商业模式受到了直接的重创。
如果站在乐观派的立场，你可以说——这些大公司可能只是需要时间来沉淀出可以商业化的 AI 产品，毕竟现在的 AI 底层原语还很早期。但他们内部可能根本没有这方面的人才。这跟销售一套固定的标准化系统是完全不同的逻辑——在 AI 时代，你是去帮客户用算法替代人类的工作，你必须派驻工程师蹲在客户身边贴身服务，确保算法真的把活干好了。因此你需要“前线部署工程师”（FDEs）。传统软件公司内部可能根本没有这样的团队基因。
此外，这里面确实存在着“客户自己用 AI 搭建系统”的风险。牛市派会反驳说，客户绝对不可能自己去折腾写一套大型 ERP 系统——这或许是对的。而且传统技术栈的粘性确实极强。当年移动游戏并没有干掉主机游戏，平板电脑没有杀死 PC，智能手机也没有取代 PC。软件系统内部有着极其复杂的集成和定制工作。这都是客观现实，企业客户通常也确实更喜欢购买成熟的方案，而不是自己重新造轮子。这都没错。
但是你可以设想这样一个世界：在未来一、二、三年甚至五年内，针对每一个传统软件细分领域的巨头，都会诞生出一家完全 AI 原生（AI-native）的初创公司去挑战它。如果数据优势一旦被算法抹平，客户很容易就会卸载旧系统，换上全新的 AI 原生系统。
目前的软件估值依然高企，面临着巨大的下行压力。有些人会觉得这些跌下来的软件股估值诱人，但我们要知道， AI 编程工具迭代得太快了。我们必须紧密跟踪这些软件公司，看看它们是否能产生足以扭转这个颓势的 AI 业务收入。但这非常困难，因为如果你像 Salesforce 这样拥有 400 亿美元的营收底座，哪怕你做到了 5 亿或 7 亿美元的 AI 经常性收入（ARR），在总盘子里依然微乎其微。这需要极其漫长的时间去消化。
在软件行业，过去有一个著名的 Rule of 40（40法法则），即你的营收增长率加上运营利润率应该大于 40%。而在 AI 时代，我们提出了一个全新的 Rule of 40：**你的收入中有多少比例是由 AI 驱动的？你的 AI 产品在所在细分领域的市场份额是多少？**如果这两个指标加起来能超过 60%，那才是一个极佳的投资标的——这意味着你不仅享受到了 AI 带来的红利增长，而且确立了稳固的市场统治力。但传统软件目前的硬伤在于，他们的 AI 收入占比只有可怜的 1% 到 2%，这中间有太长的路要走。
不过我们最近也捕捉到了一些稍微有些不一样的线索——虽然这套逻辑还没有完全被时间验证：AI 可能会让某些特定的软件平台变得比以前更重要。因为当你用上 Claude 后，你做的第一件事是什么？是把它接入 Slack。如果 Slack 能够成为 AI 沉淀各种数据和指令的核心仓库，那么它将成为企业内部无法被拔除的永久性底座。因此，下一波 AI 的浪潮很可能是这些自主运作的“智能体”（agents），它们会像人类员工一样，在现有的企业软件工具（如 Slack、CRM 等）中进进出出，帮人完成工作。
帕特里克： 沿着这个思路往下看，感觉那些最难被 AI 替代、最具有粘性的传统工具，共同的特征都具备“网络效应”。所以 Slack 是个绝佳的例子——Slack 本身的代码和软件功能并没有什么了不起，关键在于“所有人都在上面办公”。我很好奇，在你的筛选标准中，网络效应是否成为了唯一真正决定生死存亡的指标？
亚历克斯： 我们对此的思考还在非常早期的阶段，但像 Workday、人力资源系统或者那些大型的“记录系统”（systems of record，如 ERP），AI 智能体可能会直接在这些系统之上运行。这其实是一把双刃剑。比如 CRM（客户关系管理系统）目前正在走向“无头化”（headless），这也是看空软件的底层逻辑——即传统软件被降维打击为单纯的后台数据库。以前软件有一个漂亮的图形用户界面（UI）供人使用；而在 AI 时代，人机交互被消灭了，AI 智能体会直接读取底层的数据库。你失去了跟客户直接互动的 UI 界面。但是，如果 AI 智能体去 CRM 里面抓取数据，并在 CRM 内部帮客户完成所有工作流，这反而会进一步锁死客户对该 CRM 系统的依赖，从而确保它不会被轻易干掉。
传统硬件的“去商品化”与复兴
帕特里克： 我们能聊聊芯片和硬件吗？你刚才提到了几次——基础设施芯片、以及围绕数据中心的一切。我很想知道你是如何理解这个板块的。为什么它对你来说如此具有吸引力？你刚才提到的针对 AI 占比和市场份额的“新 Rule of 40”非常有趣，在这个标准下，哪些公司正在大放异彩？哪些曾经的巨头掉队了？
亚历克斯： 在过去的 40 年里，数据中心的架构基本上没有什么太大的变化。即使在云计算时代——英特尔的 x86 芯片在 90 年代确立了数据中心的统治地位，算力需求随之稳定增长。当时计算工作负载每年的增长率大约在 25% 到 40% 之间，但摩尔定律（Moore's Law）提升性能的速度刚好能匹配这一增长，因此硬件端并不需要多么激进的颠覆性创新。这导致整个服务器硬件行业在长达数年的时间里陷入了停滞与同质化（commoditized）。
整个服务器硬件链条上的每一个环节——印刷电路板（PCB）、内存芯片、服务器机箱、网络连接设备——都沦为了毫无技术含量的“大宗商品”。这里面几乎没有创新。从 1Gb 速率升级到 10Gb，行业能磨洋工磨上七年。而在升级的第一年，确实需要一些创新来搞定 10Gb 速率，从而创造一个小幅的升级周期，但随后很快又会坠入同质化的价格战红海。
但现在跨入 AI 时代，算力工作负载每年都在以 10 倍（1000%）的速度疯狂暴增。这直接将底层硬件的每一个单一环节都推向了物理极限。这不仅创造了惊人的设备出货量增长，更是彻底打破了原有的同质化格局，我们称之为硬件行业的“去商品化（de-commoditization）”。
我大约三年前见过红杉资本的 Shaun Maguire，他说——我真希望自己能倒退回去，做一个专门投硬件的对冲基金，因为现在所有的硬件公司都是上市的，而且都拥有极强的知识产权（IP）壁垒。红杉资本当年在硬件黄金时代做出了许多最伟大的投资——比如苹果、思科（Cisco）等。我们目前正处于硬件和芯片的文艺复兴时期（renaissance）。由于算力推向极限，硬件端需要进行极其艰深的系统级创新。
这重构了服务器里的每一个零部件。以内存（DRAM）为例，过去它是最典型的周期性同质化商品；但现在 AI 所需的高带宽内存（HBM）是将 10 颗 DRAM 裸芯片通过极度精密的工艺垂直堆叠在一起，它的数据输入/输出（I/O）吞吐量比以前提升了 10 倍以上。三星（Samsung）在这个技术上研发了数年才勉强攻克，这是一块极难啃的硬骨头。而且产品迭代速度极快，这些内存厂商必须提前三到四个产品世代就跟英伟达（Nvidia）的研发团队坐在一起进行协同设计。
我们在 Celestica（天弘科技，加拿大知名电子制造服务商，原 IBM 子公司）身上看到了这个逻辑。Celestica 原本是一家代工厂——自从 1999 年互联网泡沫破裂后，代工就变成了一个极度悲惨的行业，几乎所有的产能都迁往了中国，沦为了低毛利的同质化代工。但 Celestica 撑了下来。他们的技术底子承袭自 IBM 当年的超级计算机研发团队，保留了极其优秀的设计人才。随后，我们注意到他们三年前成为了谷歌 TPU 服务器的独家代工商。而当时这只股票的市盈率只有可怜的 8 倍。
同时，他们还向云巨头销售“以太网白牌交换机”（white box switches）——在过去，这被视作廉价、同质化的白牌以太网交换机。但结果证明，这是一门极其优质的生意。不仅出货量暴增，而且因为要承载 AI 算力，现在的服务器必须采用液冷（liquid cooling）技术，运行温度极高。一台 AI 服务器的造价高达 20 万到 30 万美元——而在过去，一台旧服务器只要 5000 美元，如果坏了直接扔掉换新的就行；现在的 AI 服务器如果坏了，整个算力集群都会面临宕机风险。所以，你从一个可有可无的同质化代工厂，瞬间蜕变为了类似于飞机关键零部件的供应商——客户一旦用上，根本不敢把你换掉。
事实证明，Celestica 在液冷散热技术上积累极深。许多其他同行试图跟进做液冷，但都以失败告终，这让他们锁定了绝对的领先优势。另外，在以太网交换机市场，以前从 100G 升级到 400G、再到 800G，需要一个长达 7 年的漫长周期。而现在，交换机速率每年都必须翻倍升级。这在工程实现上极其困难。此外，还有底层的软件控制层——即开源的 SONiC 软件层。Celestica 的工程团队正是参与编写该开源底层软件的功臣之一，并且他们跟芯片巨头博通（Broadcom）有着极度紧密的协作。
我们最初以为这只是一个踩中行业风口的短期增长故事，但深入后发现这其实构筑了极其坚固的竞争壁垒。他们目前在云端以太网白牌交换机市场中斩获了 50% 到 60% 的绝对份额——这在 AI 时代是一个生死攸关的关键设备，因为 AI 运算对网络带宽和低延迟有着极其变态的要求。甚至连最普通的印刷电路板（PCB）也是如此。以前普通的服务器只需要 10 层板；而现在的 AI 服务器主板需要高达 40 层的极精密堆叠。全球有能力生产这种超高层数 PCB 板的供应商极少。
我们还持有 Elite Material（台光电子），这家公司生产 PCB 板最核心的原材料——铜箔基板（CCL，copper clad laminate）。随着 PCB 板出货量暴增和层数从 10 层翻到 40 层，仅就原材料的使用量而言，就带来了 50% 到 60% 的年复合增长率（CAGR）。并且由于技术难度极高，产品的平均售价（ASPs）在不断上扬，毛利率也在持续走高。
更重要的是，过去客户对你的态度是——“我们下周如果需要货，再给你打电话通知”；而现在的能见度变成了——“我们需要你们在接下来的四年里，跟我们的团队一起把下一代的硬件路线图给开发出来”。你的业务从过去一个增长只有 5% 的低毛利同质化代工，瞬间蜕变为了未来四年营收复合年增长率（CAGR）高达 35%、40% 甚至 50%，且利润率不断走高的超级明星业务。
在这之上，由于各种环节都面临严重的产能短缺——哪怕真的是某种同质化商品，这也会是一个极度亢奋的供需红利周期。我们在整个硬件供应链上都看到了这样的逻辑。比如 Corning（康宁公司，光纤与特种玻璃巨头）。他们生产光纤，在高端光纤市场里垄断了极其恐怖的份额。我之前读到关于微软最近新建的一个数据中心的报道——里面铺设的光纤长度可以绕地球整整四圈半。康宁的光纤做到了更纤细、更耐弯折，并且能够严格按照云巨头的定制规格进行精密制造。这带来了极高的毛利率，也成为了他们公司增长最迅猛的发动机。
在数据中心网络连接中，有“横向扩展”（scale-out，连接同一个服务器机架内部的各节点），也有“跨域连接”（scale-across，连接不同数据中心大楼之间）。当你想要搭建一个极其庞大的算力集群，而单一地点无法获得足够的电力供应进行训练时，你就必须把不同大楼、甚至不同地区的数据中心连接在一起。这就需要极粗、光纤容量极大的高规格线缆。这带来了海量的增量需求。
而最关键的增量红利发生在“纵向扩展”（scale-up，连接机架内部的每一个 GPU）。目前这部分连接主要是通过铜缆完成的。但随着带宽突破极限，这部分连接网络层终将向光纤（fiber）过渡。一旦这个拐点到来，康宁所面临的市场机会将会直接翻两到三倍。所以在机架的每一个底层……
帕特里克： 每个人都被这股海量的需求给淹没了。
亚历克斯： 没错，大家都忙得不可开交。在电源供应层，英伟达的每一颗新芯片或新机架的功耗都提升了 50% 到 125%。这直接拉动了 Delta（台达电）和 Advanced Energy（雅特生科技，高端电源巨头）等电源模块厂商的平均售价（ASPs）。当我听到这些业务数据时，我简直不敢相信自己的耳朵。我心想：“等等——你的产品平均售价在未来四年里每年都要暴涨 40%，而且这部分新产品还是高毛利的？”
整个宏观图景全部是由 AI 算力需求引爆的。如果我们关于“L曲线”的假设是正确的，那么在目前这个节点上，整个 DRAM 内存市场、NAND 闪存市场、PCB 市场就已经面临着 30% 左右的严重产能缺口了。
帕特里克： 在你评估的“AI 收入占比”与“该品类市场份额”这两个指标中，你更看重当前的绝对数值，还是这些指标的变化率（rate of change）？
亚历克斯： 我们在 2024 年做过一个展示，把每个供应商的市场份额都罗列了出来。接着我让 Claude 把这些数据绘制成图表，但其实它画得不够准确——因为它忽略了“变化率”这一核心要素。变化率才是最关键的。这是最美妙的部分，因为如果你的 AI 业务占比从 10% 迅速攀升到 30%，这就意味着你的营收增速在成倍加快，你的毛利率在迅速扩张。所以，指标的变化斜率比静态数值重要得多。
当风险遇到信念
帕特里克： 为什么在二级公开市场上，绝大多数投资人无法看懂并抓住这一机会？如果你们的框架——S曲线、竞争优势和被低估的盈利能力——在过去 25、30 年里已经被一遍遍重复验证过，那为什么公开市场依然存在这么大的偏见？
亚历克斯： 我母亲曾经问我：“你为什么要把你的发财秘籍告诉所有人？”这就像是，为什么赌场乐意教人怎么玩二十一点一样？因为知易行难，在实操中它极其困难。在科技股投资中，你必须拥有一颗强大的心脏。我在 Whale Rock 专注科技股投资已经 20 年了。我们的团队亲历了多次科技周期的起伏。在过去很长一段时间里，市场上几乎没有任何人去关注硬件和半导体芯片。所以，现在涌入这个板块的全是一群缺乏周期常识的新手。
帕特里克： 只有你和 Gavin Baker（注：知名对冲基金经理，专注于硬核科技投资）在坚守。
亚历克斯： 是的，Gavin 做得非常出色。大多数人不适应这种投资。这比看起来要难得多。许多半导体和硬件公司的股价走势图看起来已经涨上了天，这会让很多人望而却步——“我真的还能在这个位置买入吗？”此外，你必须拥有宏观的系统级视野。因为如果你没有对产业底层逻辑的深厚信念——在过去四年里，每次英伟达涨得好一点，市场上就会铺天盖地充斥着“这绝对是泡沫”的警告。接着他们又交出了一季亮瞎眼的财报，然后股价横盘调整六个月，市场又在说：“看吧，泡沫要破了，这太疯狂了，太吓人了。”
做空或者看空的理由并非完全没有道理，但如果你能看清整个科技生态的宏图，理解这些技术栈是如何层层向下传导的，并在此基础上建立起坚如磐石的投资信念。坦率地说，许多单纯研究半导体的行业分析师之所以错失了这波机会，就是因为他们不了解基础模型层（AI models）正在发生怎样的革命，缺乏这种全局视野。
所以，全局视野极其重要。它能让你将当下的变化与过去几十个 S 曲线的起伏规律进行对照，并看透它们是如何在不同板块间传导的。
帕特里克： 那么，目前最让你感到担忧或不确定的因素是什么？是这些技术迭代的速度太快了吗？在市场情绪似乎极度亢奋的当下，什么会让你夜不能寐？
亚历克斯： 让我感到担忧的一点是，大众舆论中对于 AI 抱有相当程度的负面情绪，政府层面也充斥着许多反对的声音。我记得缅因州刚刚禁止了新建数据中心，而且民调显示只有 20% 的人对 AI 持乐观态度——这可能会带来非常严苛的行政监管风险。但我确实认为，AI 这只“精灵”已经从瓶子里被放出来了，无法再塞回去。
另一个潜在的结构性风险是：如果 AI 模型的性能提升遇到了物理瓶颈而陷入停滞。当然，即使模型不再进步，目前也足够支撑未来数年海量的商业化落地了。但正如黄仁勋多年前在推广他的显卡时所说的：如果“足够好”就已经够用了，那我的公司就离倒闭不远了。他之所以能持续增长，是因为他每一年都能把图形性能再往上推一推，而客户永远在追求极致的最前沿。
在 AI 领域，如果 Anthropic 或者 OpenAI 的模型改进突然撞了墙、停止了进步，那么开源模型很快就会赶上来。到那时，整个行业就会退化成一场竞相杀价的红海惨战，这对模型公司的股票将是毁灭性的。不过，这对底层的芯片公司来说或许依然是好事。芯片巨头并不在乎上面到底谁赢——他们横竖都要卖芯片。黄仁勋其实内心极其渴望开源生态能够蓬勃发展，他在上一届 GTC 大会上反复提及这一点。所以，模型性能停滞可能是模型层玩家的一个巨大风险。
另外，如果现有的两三家模型巨头中有一两家突然掉队，无法跟上这轮资本军备竞赛，这可能会导致未来市场上空出大量的算力需求。当然，如果 AI 蛋糕足够大，别人会立刻把这些空出来的算力给吞掉。我们当年在甲骨文取消了一笔算力大单后，就看到 Meta 立刻接盘补位。但假设 Meta 某一天决定退出 AI 争霸——“ Hey，我们跟不起了，这纯粹是在浪费我们的资源。”
我们正密切监视着这些潜在的动作。但总体而言，我们看到的是越来越多的巨头正源源不断地加入到这场算力军备竞赛中，甚至微软也试图研发自己的定制芯片。这些都是我们跟踪的关键风险。
AI 无法替代分析师做的事
帕特里克： 感觉你们在 AI 应用层的投资其实非常克制。从历史上看，最终摘得最大市场份额和市值的往往是顶部的应用软件（applications），而不是底层的基础设施。而在过去的科技周期里，其实没有“模型层”这个概念——硬要说的话，当年大概就是云计算厂商吧。
为什么你们现在高度聚焦在黄仁勋“五层蛋糕”的底层几层，而不是那些直接被消费者使用的应用层公司？
亚历克斯： 首先，应用层的爆发总是滞后的。在 iPhone 问世的前三四年里，真正伟大的杀手级应用其实花了很长时间才孕育出来。所以，也许应用层好戏才刚刚开始。而在目前这个阶段，我们发现投资应用层的风险极高，因为“基础模型”和“应用软件”之间的边界依然非常模糊。应用软件真的能构筑起足够高、足够深护城河，来抵御模型层能力的不断向下兼容吗？这是存疑的。
我们曾以为会在一些传统软件巨头（如 CRM）身上看到 AI 带来的巨大业绩提升，他们确实也在尝试，但目前这还没能在财务报表上产生任何实质性的影响。虽然现在一级市场有许多非常出色的 AI 应用初创公司，但整个应用生态的格局依然极其混乱。而在我们开始投资时，半导体芯片层的格局是极其清晰的。后来，基础模型层的竞争格局也从混乱走向了如今的几家寡头垄断。但对于应用层，目前的格局依然极度不明朗，甚至有些雷区密布。
但未来注定会诞生出极其伟大的 AI 应用公司。我们一直在密切跟踪 Bret Taylor（前 Salesforce 联席 CEO、OpenAI 董事会主席）创立的 Sierra。Bret 曾任 Salesforce 联席 CEO、撰写了谷歌地图的底层代码、曾任 Facebook 的 CTO。他创立的 Sierra 绝对是一家梦幻般的 AI 原生应用公司。我们目前虽然没有持股，但这正是技术与商业碰撞的前线。他能否将 Sierra 做成一家千亿美金级别的巨头？他们目前发展得极好，我们静观其变。
这完全是一个“时机（timing）”的问题——你必须等待这些应用公司证明它们的商业模式是可持续、可预测的。这通常不会发生在周期的前三四年。它总是会来得稍晚一些。
帕特里克： 在你办公室里，有一面巨大的荣誉墙，上面记录着每一年为 Whale Rock 做出最杰出研究项目（Research Job of the Year）的分析师名字。我记得在你们成立最早期、只有你一个人的时候，你曾亲自把自己的名字写在了上面。这面墙承载了你们 20 年的投研历史。
我很想知道，在当前这轮技术变革的冲击下，你们的投研工作和研究范式发生了怎样的改变？今年能把名字刻在那面墙上的分析师，他们所做的工作——那些必须由人类完成的工作——跟 2009 年有什么不同？因为很多在 2009 年能让你赢得年度研究奖的繁琐工作（如整理数据、写基础简报），在今天可能用 Claude Code 一小时就能搞定了。
当前的研究范式、以及要在鲸石资本那面荣誉墙上刻下名字所需具备的核心素质，正在发生怎样的实时变化？
亚历克斯： 我很希望能告诉你，我们的 AI系统已经进化到了极度科幻的阶段，整个投研工作已经发生了翻天覆地的改变。但老实说，AI 目前主要是帮助我们以极快的速度去学习一个全新的陌生领域，我们内部用了一些非常棒的 AI 工具，但它完全没有取代分析师工作的迹象。因为我们工作中最核心的部分，是去尽可能多地与公司管理层进行面对面的实地交流，去跟行业竞争对手摸底，去跟产业链的上下游建立深厚的信任关系。
我们沿用的这套投研体系，直接承袭自菲利普·费舍（Philip Fisher）在 1950 年代撰写的投资圣经——《普通股与不普通利润》（Common Stocks and Uncommon Profits）。这就是“草根调研法（scuttlebutt approach）”。这是成长股投资的精髓：走出办公室，去跟供应商、客户、竞争对手进行大量的访谈和求证——去寻找这些行业领头羊最核心的商业特征，并在实地调研中逐步淬炼出对持仓的强大信念。
现在，如果面临一个全新且复杂的领域——比如 ABF 载板或者 PCB 铜箔基板，我们确实能利用 AI 在几小时内搞懂这些软硬件的底层工艺原理，但 AI 绝对无法帮你做出最终的投资决策。我常对团队说，如果一个分析师仅仅擅长整理财报和搬运基础数据（blocking and tackling），虽然这依然有价值，但你必须在此之上提炼出真正的“真知灼见”（insight）。
我们现在用 AI 来写季度财报跟踪或者会议纪要，AI 整理得非常漂亮——但前提是分析师必须在纪要的最上方，亲手写下那一段代表人类智慧和洞察力的核心摘要。这段摘要必须回答：这究竟意味着什么？这个业绩如何证实或证伪了我们的投资假设？业务的底层究竟发生了什么改变？不要仅仅做一个无情的“速记员”或“播报员”。AI 可以是一个完美的播报员，但它绝对无法防范未来的不确定性，也无法洞悉未来。
比如我们两位优秀的广告科技（ad tech）分析师 Michael 和 Sam，他们在两年前发掘 AppLovin（移动营销平台，2024 年凭借 AI 广告推荐算法暴涨数倍的超级牛股）时所做的工作。我本人对广告科技非常熟悉，在我做投资银行之后，曾在纽约一家互联网广告初创公司工作过。我深知广告科技历史上是一个多么悲惨、充满恶性竞争的行业。
但 Michael 和 Sam 在市场所有人之前，就彻底看懂了 AppLovin 的转型故事。他们在公司还处于私有化阶段时就对其进行了紧密的跟踪。他们对所有的竞争对手、所有的专业术语和算法演进细节了如指掌。Sam 专门跑去拉斯维加斯参加移动广告开发者大会，我们还跑去法国戛纳广告节，去跟数十个行业一线的从业者聊天。我们在模型上做了极其细致的压力测试，并跟他们的首席执行官 Adam Foroughi 建立起了极其深厚的信任关系——Adam 是我们见过的最优秀的企业掌门人之一。我不认为 AI 能够做到这一切。
帕特里克： 那么，跟公司外部的其他投资同行进行交流，在你的日常工作和生活中扮演着怎样的角色？
亚历克斯： 这其中最美妙的一点是，我得以跟许多极其聪明的投资同行建立起了深厚的友谊。菲利普·费舍在阐述他的投研方法时也说过：你的投资流程中应该包含这样一步——在全国范围内结识 10 到 15 位志同道合、投资理念相近的同行，并坦诚地共享行业见解。这些都是非常值得结交的挚友。他们中许多人也曾做客过你的这档播客。你跟他们建立起深厚的友谊，互相讨论想法、切磋观点。但最关键的前提是，这必须是一个“双向奔赴”的良性互动（two-way street）。
我把这称之为“三脚架法则（the tripod）”——当我本人看好一个机会，同时我的分析师也极度看好，接着某一位我极度尊敬的外部投资同行也对这个机会赞赏有加——这就构成了三脚架的三个支点，它能让你的投资信念瞬间变得无比牢固。
在超大盘科技股中寻找超额收益 Alpha
帕特里克： 鲸石资本在成立的 20 年历史中，你们所提供的投资产品也经历了不少演变。它不再是最初单一的对冲基金结构了。如果我是一个机构投资者，现在有几种不同的方式可以把钱托付给你们。你是如何去设计和 shaping 这些产品的？对于其他试图为他们的有限合伙人（LPs）提供最佳投资选项的资产管理同行，你有哪些可以分享的建议？
亚历克斯： 在我们成立的前 15 年里，我们只有一只专注于科技股的 long/short（多空对冲）基金。我们希望保持专注——因为一旦分散精力，可能会带来灾难性的后果。所以我们把这只基金做到了我们期望的规模。在我们成立大概 10 年时，许多 LP 开始向我们提出希望有 long-only（仅多头）产品的需求。于是我们在 2020 年正式推出了 long-only 基金，目前它已经运行了 6 年，规模甚至超过了我们最初的多空基金。目前我们绝大部分的资产都管理在这两只旗舰基金里。
大约在 2015 年，我们正式确立了可以配置一级私募股权的框架，我们给 LP 提供了 opt-in（加入）或 opt-out（退出）的选择——你可以选择将 15% 或 25% 的资金配置在私有公司上。直到 2020 年，我们才真正投下了第一笔私有公司头寸。2021 年，我们推出了一只混合型基金，这只基金可以将高达 80% 的仓位重仓在私有公司上，这主要是为那些渴望获得更多私募敞口的 LP 设计的。
最近，我们刚刚推出了“鲸石超大盘科技基金（Whale Rock Mega Cap Tech Fund）”。因为我们配置到，全球许多大型投资机构对世界上体量最大的那几家科技巨头的配置比例，存在着极其严重的“结构性过轻”（underweight）。同时我们意识到，鲸石资本历史上的绝大部分超额收益（alpha），其实正是由这几家最大体量的公司贡献的——不论是早期的苹果、亚马逊还是特斯拉。
全球许多大型的捐赠基金（endowments）等机构持有人突然意识到，因为他们配置了大量的私募股权（VC/PE），导致他们在公开市场上的超大盘科技股配置比例极低。而且，在他们的公开市场股票组合中，半数以上还是国际非美资产。此外，在他们的资产配置框架里，存在着一种根深蒂固的执念——认为“超大盘股（large caps）里不可能存在超额收益（alpha）”。
因此，他们严重低估超大盘股，而把大量的资金交给了那些专注于中小盘的股票投资经理，因为在直觉上，大家都觉得超大盘股的研究太充分了，不可能有 alpha。同时，在他们的对冲基金配置中，哪怕是偏向多头的基金，也不可能给英伟达这样的巨头配上 15% 的重仓。
我们意识到，大家在对这些科技巨头感到担忧。但这其实只是数字经济运行规律下的必然产物——在科技世界里，赢者通常会变得更强大、规模更大，并以极快的速度包揽大部分的行业利润。并且它们拥有极其恐怖的竞争优势。它们的业务版图是面向全球的。这必然会导致行业的大部分利润和市值高度集中在头部的这几家公司身上。这是不可逆转的趋势。而大多数捐赠基金因为配置过轻，实际上是在赌这个趋势不会发生。
终于，有 LP 找上门来问我们该怎么办。我本人是汉密尔顿学院（Hamilton College）的校董，在他们的投资委员会里，大家当时也一直在为这个配置痛点而头疼。我们最终说：我们可以帮你们管理这部分资产，因为在这些超大盘股里依然蕴含着极其丰厚的 alpha 收益。而且，不论是所谓的“七巨头”（Mag Seven）还是当年的“FAANG”，它们的业务表现分化是极具戏剧性的。
在 2022 年，它们泥沙俱下集体大跌；而在去年，它们的表现走向了极度的分化；今年，它们又面临着整体的估值承压。因此，我们成立了这只超大盘科技基金，我们的股票池是全球市值前 30 大的公司，我们从中精选出 12 到 13 只我们最具信念的标的进行重仓配置。
我相信即使在市值最大的那一批公司中，依然存在着巨大的 alpha 空间。因为对于一只小盘股，可能只需要一两个基金经理发现它的闪光点就能把股价拉上去；但对于谷歌这样的巨头，你需要 100 个甚至更多分散的综合型基金经理（generalist PMs）同时意识到“谷歌不是 AI 的输家，它依然是赢家”，它的股价才能完成重估。而我们能否比这 95% 的综合型基金经理更早、更准地看清这一点？我们用过去的业绩证明了，我们可以。
帕特里克： 看来你觉得我们的胜算挺大的。
亚历克斯： 是的，我们非常有信心。所以这部分配置依然有极其丰厚的 alpha 可以挖掘。而且作为一类资产，这些超大盘科技巨头天生拥有绝佳的护城河。虽然它们不一定是处于爆发期的 S 曲线本身，但有时候它们就是。我意思，英伟达绝对是；台积电（TSM）深度受惠于此；SK海力士（Hynix）在 HBM 上极其受益；阿斯麦（ASML）也牢牢卡住了这一生态位。目前这只超大盘基金运行了 4 个月。
帕特里克： 听起来你所构建的，本质上是一个以“公司”为研究切入点、去透视整个物理和数字世界的“超级研究机器”。而你唯一在做的事情，就是不断迭代和进化这台研究机器。
如果我要理解 Whale Rock，那应该首先去探究这台研究机器。
亚历克斯： 我们内部把它称之为“鲸石学习机器（Whale Rock learning machine）”，它是由 10 位经验极其丰富的专业人士组成的精干团队。沃伦·巴菲特通过阅读大量的书籍来学习，我们同样阅读海量的书籍、财报和博客。但在科技投资领域，你必须走出办公室去跟产业界深入交流，所以我们一年要进行 2500 到 3000 场实地交流。芒格和巴菲特总是谈论“知识的复利效应”——而我们在这台机器里已经复利积累了 20 年的科技投研认知。
虽然团队在历史上有过人员的更迭，但总体上保持了极高的稳定性。Andrew 和 Michael 已经跟我并肩作战了 18 年。我们团队的平均从业年限在 10 年左右——这还把一些新加入的成员给算进去了。这台强大的投研引擎可以同时支撑我们所有的公开与私有市场产品。而且，负责公开市场和私有市场研究的，是同一批分析师。所以我们不会漫无目的地去翻看市面上每一个平庸的项目——但当我们看到某些新线索完美契合我们的 S 曲线投研系统时，我们能够以极快的速度做出决策并果断出手。
导师与绅士：缅怀父亲
帕特里克： 跟你的对话真的充满了乐趣。在每次访谈的最后，我都会向每位嘉宾提出这同一个传统的终极问题：别人为你做过的最善良的事情是什么？
亚历克斯： 那绝对是我的父亲。我非常幸运。我父亲毕业于康奈尔大学，获得了电气工程学位，随后转战华尔街，在 Goldman Sachs（高盛）度过了极其辉煌的职业生涯。他在 80 年代掌管高盛的集团企业融资部，在 90 年代以主席身份执掌高盛的私募股权投资部。他是一个极其聪明的人，但他身上有一种无与伦比的谦逊与绅士风度。
当我着手创立鲸石资本时——打给亲人与朋友募集第一笔种子资金时，他是我的第一个电话。他在电话里对我说：“我在高盛工作了 41 年。要不我过来加入你吧？我来做你的‘白发导师’（gray hair），我来帮你做风控把关，担任你的基金主席。你去做你擅长的事——去建立公司、打造团队、管理资金。我来帮你去募集一些资金。”
我们得以在一起并肩工作了 6 年，直到他在 2011 年去世。我至今依然觉得自己能跟父亲一起创业是此生最幸运的事。管理一家对冲基金绝非易事，但我们在一起工作的 6 年里，从未向对方提高过一次嗓门。他对许多年轻人来说都是一位极其不可思议的导师。在他去世时，我收到很多信，里面都在说：你的父亲对我的人生带来了极其深远的影响，他是一个真正的绅士，是一位无与伦比的导师。
能跟父亲共同度过那段岁月，我感到极其幸福。如果我这辈子能有他一半的修养与成就，我就已经彻底赢了。
帕特里克： 他是怎么做到这一点的？他的相处之道是什么？为什么有那么多人对他给出了如此高的评价？
亚历克斯： 他极其谦逊。他绝顶聪明，又充满智慧。同时他被公认为是一位极其出色的投资家——这在以撮合交易为主的投资银行家群体中其实并不多见。他当时也是高盛承诺委员会（commitments committee）的核心成员，帮高盛避开了无数个可能会带来灾难性后果的泥潭。而且他为人极其温暖——同事们遇到任何棘手的问题都会走进他的办公室，不论意生活上的私事还是工作上的难关，他总能优雅地帮人化解。他身上有一种春风化雨般温柔的力量。同时，他还极具幽默感。能做他的儿子，我真的太幸运了。
帕特里克： Alex，非常感谢你今天宝贵的时间。
亚历克斯： 非常感谢。