KeyFrame內部研究專用

Microsoft: The Most Certain Opportunity in H2 2026 | My Buy Zone

大唐气象之股为金用·7月1日週三·15 min中文

三句話摘要

微軟在AI時代的真實價值被市場低估,其戰略地位是構建企業級AI作業系統而非開發最聰明的模型。 微軟正從傳統軟體公司轉型為企業級AI作業系統公司,市場因短期資本支出擔憂而嚴重低估其長期價值,當前股價372美元創造了過去20年難得一見的投資機會。 微軟不競爭模型而競爭管理平台

重點整理

重點
  • 1

    微軟不競爭模型而競爭管理平台

  • 2

    OpenAI解決的是AI的大腦問題(模型智能),微軟解決的是身體問題(企業系統)。企業進入AI時代面臨五大難題:Agent運行位置、數據存取權限、身份認證、監控審計、責任歸屬。這些恰好不是模型公司擅長的,正是微軟累積幾十年的強項。

  • 3

    單一Agent時代已過,Multi-Agent管理是剛需

  • 4

    未來企業同時使用微軟、OpenAI、Anthropic、內部開發和產業專用Agent,不需要「最好」的一個Agent,而是需要能統一管理所有Agent的平台。這類似企業不會問員工是否全來自微軟,而是如何管理所有員工。

  • 5

    商業訂單是最真實的需求信號

  • 6

    訂單年增99%達6,270億美元證明不是行銷炒作。客戶已簽署合約承諾支付,說明企業相信AI能創造超過成本的價值,未來收入已被鎖定。

  • 7

    基本面加速但估值被壓縮到歷史低位

  • 8

    獲利預期從15.93上調至19.4美元、Azure和Copilot繼續加速成長,卻被市場壓低至19倍本益比(過去五年平均32.8倍),形成經典的長期投資機會——高成長低估值。

實用技巧與重點

乾貨
  • 核心財務數據
  • Azure年增率:40%(預期38-39%)
  • 商業訂單:6,270億美元,年增99%
  • M365 Copilot席位:2,000萬+,年增250%
  • 大型企業客戶數:年增4倍
  • 營收:828.9億美元,年增18%
  • 調整每股收益:4.27美元(預期4.03美元)
  • AI年化收入:370億美元,年增123%
  • 估值數據
  • 當前股價:372美元
  • 當前本益比:19倍(2026財年)
  • 歷史平均本益比:32.8倍
  • 預期2026年每股盈餘:19.4美元
  • 三情景估值
  • 悲觀(18倍PE):349美元,下跌6.2%
  • 中性(26倍PE):504美元,上漲35%
  • 樂觀(29倍PE):563美元,上漲47%
  • 參考(32倍PE):620美元,上漲67%
  • 分批建倉建議
  • 第一批(30%倉位):378-390美元,約20倍PE
  • 第二批(40%倉位):350-365美元,18-19倍PE
  • 第三批(30%倉位):325-345美元,極端錯殺區
  • 關鍵風險信號
  • Azure成長跌至30%以下且無法解釋
  • 商業訂單停止成長
  • Copilot付費席位成長明顯放緩
  • 新協議對利潤率的影響
  • 微軟對AI前沿模型知識產權保留免版稅使用權至2032年,取消部分收入分成,未來利潤率改善空間存在。
  • 競爭對手定位
  • Google:強於AI研發實力和模型,弱於企業IT市場滲透
  • Amazon:強於基礎設施(AWS),弱於企業端直接接觸
  • Salesforce:強於CRM領域流程自動化,弱於全企業生態覆蓋
  • ServiceNow:強於IT運營工作流,弱於整體企業平台控制力

結論

結論

微軟正從傳統軟體公司轉型為企業級AI作業系統公司,市場因短期資本支出擔憂而嚴重低估其長期價值,當前股價372美元創造了過去20年難得一見的投資機會。

完整解析

詳細

微軟股價一個月內下跌33.7%,市場開始質疑傳統軟體公司在AI時代是否還有存在價值。投資者擔心AI Agent能否直接呼叫企業數據和工具,從而繞過軟體工具,削弱微軟掌握的使用者介面和工作流程入口這個核心護城河。然而這種擔憂忽視了一個根本問題——當AI Agent真正進入企業生產環境時,需要解決五個關鍵難題:Agent在哪裡運行、能存取哪些數據、如何證明身份、如何被監控審計、犯錯時誰負責。這五個問題恰好不是那些專注開發更聰明模型的公司所擅長的。

OpenAI和微軟的分工體現了這個邏輯。OpenAI專注的是AI的大腦——創造接近人類的智慧模型,關注參數、推理能力、上下文長度和多模態等技術指標。微軟關注的則是如何讓這種智慧安全地進入企業環境。這兩個方向並非衝突,反而互補。一個人擁有最聰明的大腦並不代表他能管理一家大型企業,企業需要制度、流程、安全和管理體系。未來的AI Agent也是如此。微軟希望成為AI時代的企業作業系統,因此不斷強化Azure AI Foundry、Copilot Studio、Entra和Security等產品,打造的不是簡單的聊天機器人,而是企業級AI操作系統。

這個戰略還解釋了為什麼微軟沒有像其他公司那樣把全部資源投入開發萬能Agent。微軟深知企業世界是碎片化的,大型企業不可能只使用一個Agent,而是同時用微軟的Agent、OpenAI的Agent、Anthropic的Agent、內部開發的Agent和產業專用Agent。未來企業最大的需求不是誰創造最好的Agent,而是誰能管理所有Agent。這類似於今天企業不會問員工是否全部來自微軟,而是如何管理所有員工。微軟的目標是成為那個統一管理所有AI員工的平台。根據微軟描述,未來每個企業員工都可能擁有多個數位化Agent,如果全球有數億企業員工,Agent管理市場將成為新的企業軟體類別,規模非常龐大。

與其他競爭對手相比,微軟優勢明顯。Google擁有最強的AI研發實力和Deepmind、Gemini模型能力強悍,但Google Workspace在大型企業IT領域仍不如微軟。Amazon的AWS是全球最大雲平台,但AWS偏重基礎設施,不像微軟擁有Office、Teams、Windows、Security等直接接觸企業員工的產品。Salesforce提出AgentForce策略由Agent自動完成銷售客服行銷,方向正確,但Salesforce只控制企業某一部門數據,而微軟控制整個企業信息基礎設施——Agent需要客戶數據,但也可能需要郵件、會議記錄、文件、員工身份、企業權限、安全策略,這些都在微軟生態中。ServiceNow在企業流程自動化很強,但同樣面臨Salesforce的問題。從競爭角度看,OpenAI競爭智能、Google競爭模型和搜尋、Amazon競爭計算、Salesforce競爭業務流程、ServiceNow競爭工作流程,而微軟競爭的是企業AI作業系統——這正是最大的平台。

財務數據驗證了這一戰略的實效性。Azure年增率達40%,超越市場先前38-39%的預期,在數百億美元規模的業務上還能加速成長,說明背後是真實企業需求而非單純市場炒作。更關鍵的是商業訂單——已簽約但未確認收入的訂單——年增99%達到6,270億美元。訂單不會騙人,客戶已簽署合約承諾支付費用,意味著未來收入被鎖定,一年時間訂單接近翻倍說明企業提前購買未來幾年的雲端和AI服務。M365 Copilot付費席位突破2,000萬、年增250%是推出以來最快成長,超過5萬席位的大型企業客戶年增4倍,表明AI從實驗階段進入商業部署。季度營收828.9億美元年增18%,調整每股收益4.27美元高於預期的4.03美元。AI相關年化收入已達370億美元、年增123%,證明AI不是概念而是快速形成商業收入。此外,新的微軟-OpenAI協議取消部分收入分成安排,微軟保留至2032年對AI前沿模型知識產權的免版稅使用權,這意味著未來微軟銷售基於OpenAI技術的商業產品時利潤率存在改善空間。

最有趣的是估值悖論。年初市場對2026財年每股盈餘預測約15.93美元,最新財報後分析師上調到19.4美元,盈利預期上升,獲利正在加速,但股價卻被壓低。以當前372美元計算,微軟2026財年本益比只有19倍。這意味著什麼?過去五年微軟平均本益比約32.8倍,現在獲利成長正在加速但估值卻降至過去五年低位。基本面持續改善但估值下降——這正是長期投資的經典機會。如果公司成長放緩估值下降是合理的,但如果繼續成長且加速,因為短期擔憂給予更低估值,往往創造長期投資機會。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。