KeyFrame內部研究專用

Cathie Wood’s Major Forecast: Is AI Healthcare the Next Bull Market? AI Space Data Centers Are Re...

看得懂投資邏輯·6月23日週二·17 min中文

三句話摘要

木頭姐凱西·伍德論證當前美股科技漲潮是AI驅動的超級牛市而非泡沫,並深度解析產業落地進展與投資策略。 在AI生產力革命的十年維度中,關鍵是對大趨勢保持樂觀但對操作保持謹慎,獨立思考比盲目跟風更稀缺。 生產力才是推手,而非通脹反彈

重點整理

重點
  • 1

    生產力才是推手,而非通脹反彈

  • 2

    不同於1970年代高通脹期間工資漲、產出低的局面,當前AI驅動企業以更少人力創造更多產出,單位勞動力成本壓力微弱。官方CPI數據滯後(使用幾個月前租金數據),實時區塊鏈物價指數顯示美國通脹已降至低水平,美聯儲主席傾向靠實時數據而非僵化指標決策,這意味降息時間比市場預期更早。

  • 3

    Agent正在複寫軟件產業底層邏輯

  • 4

    頭部AI智能體公司半年內營收增長速度相當於傳統軟件企業二三十年的成長,不是新增軟件市場蛋糕,而是直接替代全球數億知識工作者薪資支出(一個極其龐大的市場)。客戶評估購買AI系統比僱用多名員工便宜,且可24小時運作,付費意願極強。

  • 5

    硬科技全面落地,從概念進入工程階段

  • 6

    太空AI數據中心已於2025年完成衛星軌道訓練驗證,SpaceX預計2028年發射首顆商用AI衛星;自動駕駛出行次數大幅增加並已開始盈利;Figurea人形機器人已在5月完成多日連續不間斷自主操作,預計2028年達人類工人熟練度。這些都是有工程進度、發射日期的明確計劃,不是幻想。

  • 7

    AI醫療是被忽視的最大空間

  • 8

    醫療分析師害怕技術迭代快,科技分析師畏懼監管複雜,導致AI醫療評估嚴重不足。但其應用潛力最深遠:早期篩查、診斷時間提前、藥物研發周期縮短、罕見病有特效藥、體系從被動治療轉向常態預防。社會和商業價值超越廣告市場、企業軟件市場,人類對健康追求幾乎無上限。

實用技巧與重點

乾貨
  • 宏觀數據
  • 真實美國核心通脹水平遠低於官方CPI統計
  • 基於區塊鏈實時物價指數追蹤上萬種商品服務,能反映當下市場變化
  • 企業數據
  • Agent公司年初年化營收百億級別,至5月底翻了好幾倍
  • 傳統軟件企業同等增長需時25~30年
  • 特斯拉Optimus人形機器人未來部署至火星基地
  • 太空進展時間表
  • 2025年:太空AI數據中心完成衛星軌道AI模型訓練
  • 2027年:谷歌計畫發射示範衛星驗證太空計算可行性
  • 2028年:SpaceX計畫發射首顆商用AI衛星
  • 產業上市潮
  • SpaceX完成美股歷史最大規模IPO之一
  • 兩家頭部大模型公司6月初、6月中旬秘密提交上市申請,下半年登陸美股概率大
  • 後續排隊上市:Agent公司、機器人公司、航天供應鏈公司
  • 自動駕駛進展
  • Waymo美洲無人駕駛出行次數已很高,年底計畫再翻倍
  • 特斯拉在美國奧斯汀開啟完全無人駕駛運營
  • 國內頭部自動駕駛公司單量已實現盈虧平衡
  • 人形機器人
  • Figurea 5月進行多日連續不間斷直播,機器人完全自主完成分類操作
  • 木頭姐判斷2028年左右達人類工人熟練度
  • 特斯拉與SpaceX合併信號
  • 木頭姐公開表示未來兩年內合併概率很大
  • 華爾街明星分析師給出高概率判斷
  • SpaceX總裁採訪中暗示兩家有強協同效應
  • 業務已深度綁定:芯片製造項目前期在特斯拉、量產放SpaceX;儲能、能源系統協同採購開發

結論

結論

在AI生產力革命的十年維度中,關鍵是對大趨勢保持樂觀但對操作保持謹慎,獨立思考比盲目跟風更稀缺。

完整解析

詳細

美股市場當前呈現分裂局面,科技股創新高與泡沫論漫天皆是。在所有人激烈爭論之際,木頭姐凱西·伍德提出了截然不同的判斷:現在絕非2000年科技泡沫重演,而是一場由AI生產力驅動、類似上世紀八九十年代的超級牛市開端。

她的核心論據是生產力,而非傳統經濟學教科書中的高通脹邏輯。當前就業強勁、工資上漲,但這並不意味著高通脹在路上。1970年代大通脹時期,工資飛漲但生產力一塌糊涂,單位勞動力成本兩位數上升,物價自然壓不住。而今天的情況截然相反——AI正在快速推高全行業生產力,企業用更少人力創造更多產出。工資確實在漲,但產出增長更快,結果是單位勞動力成本壓力反而極低,根本支撐不起持續高通脹。此外,官方通脹數據本身存在質後性,尤其住房通脹採用幾個月前的租金數據。用實時區塊鏈物價指數全天追蹤美國物價,發現真實通脹已降至很低水平。新任美聯儲主席傾向根據高頻實時經濟數據而非僵化的官方CPI做決策,這意味降息時間點比市場預期更早,經濟增長反而可能超預期。

宏觀邏輯之下,產業端正驗證著AI商業化的飛速推進。2026年正在成為IPO超級周期的開端,SpaceX完成了美股歷史上規模最大的IPO之一,兩家頭部大模型公司先後秘密提交上市申請。這不是泡沫公司割韭菜,而是已走到公開財報、接受二級市場檢驗的商業化階段——它們有真實營收、客戶付費、指數級增長。最超出市場認知的是Agent智能體公司的增長速度:年初年化營收百億級別的公司,至5月底已翻了數倍,半年時間的增長體量相當於傳統軟件巨頭二三十年的成長。Agent本質上是數字員工,直接替代人力,市場不再是軟件市場蛋糕,而是全球知識工作者的薪資蛋糕——一個遠大得多的空間。

硬科技領域的進展更加令人矚目。太空AI數據中心已於2025年底完成衛星軌道AI模型訓練的關鍵驗證,谷歌也公布計劃預計2027年發射示範衛星。SpaceX為何獲得木頭姐的核心關注?因為只有它的火箭運力足夠大、發射成本足夠低,才能使太空計算在經濟上可行。按SpaceX規劃,2028年將發射首顆商用AI衛星。自動駕駛方面,Waymo美洲無人駕駛出行次數已非常高並計畫年底再翻倍,特斯拉在奧斯汀開啟完全無人駕駛運營,國內頭部公司已實現單量盈虧平衡。人形機器人也在突速發展,Figurea在5月進行多日連續不間斷直播,機器人完全自主完成分類操作,木頭姐判斷2028年左右將達人類工人熟練度。

更重要的是,木頭姐特別指出了一個被分析師集體忽視的方向:AI醫療。醫療分析師害怕技術迭代太快、科技分析師畏懼監管複雜,導致這個賽道評估嚴重不足。但其潛力最深遠——AI能進行早期篩查、把診斷時間提前好幾年、將藥物研發周期砍掉一大半、為罕見病開發特效藥,甚至徹底改變整個醫療體系從被動治療向常態預防的轉變。人類對健康和壽命的追求幾乎無上限,這個市場空間遠超廣告市場和企業軟件市場。

但如何理性應用木頭姐的觀點?她本人是華爾街出名的極致成長投資派,能看準五到十年的大趨勢,但節奏往往過於樂觀,對估值容忍度極高,她的基金從2021年高點曾跌超七成。因此應遵循三個實操建議:一、先認可大趨勢再談投資,認同AI提升生產力邏輯就接受中間的劇烈波動;二、布局核心赛道分散配置,不要單押一支股票,可分散投資到芯片、AI平台、自動駕駛、機器人、太空、AI醫療等賽道;三、用閒錢投資不加杠杆,這是十年級別的行情,時間會給出回報。同時要避免兩大陷阱:聽到超級牛市就滿倉追高,誤把十年牛市當短期翻倍;只看故事不看基本面,亂買純概念股而不選有真實營收和技術壁壘的公司。

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。