KeyFrame內部研究專用

AI Stock Top Detector Prompt Revealed: What Three Historic Bubbles Tell Us About theWarning Signs

尼可拉斯楊Live精·8月6日週四·22 min中文

三句話摘要

AI投資的短期風險與長期機會判斷——透過宏觀掃描與歷史泡沫對標,評估現在是否真正到達轉折點。 只要AI的變現速度足夠快,持續現金流能支撐投資,控制倉位、配置多元資產、追蹤現金流而非估值泡沫,就能在宏觀不確定與短期波動中活下來,等待真正的AI黃金時代到來。 宏觀環境的雙重拔河:當下股市本質上是獲利牛市與利率熊市的拔河,因不確定性增多,指數難以大幅上漲。主要風險不是公司基本面崩潰,而是估值壓縮——即使業績好的股票在利率高位下也可能下跌。

重點整理

重點
  • 1

    宏觀環境的雙重拔河:當下股市本質上是獲利牛市與利率熊市的拔河,因不確定性增多,指數難以大幅上漲。主要風險不是公司基本面崩潰,而是估值壓縮——即使業績好的股票在利率高位下也可能下跌。

  • 2

    短期壓力事件疊加:戰爭、美債升息、聯準會升息、美元日圓關係、中期選舉等多重風險同時出現,加上韓國去槓桿的餘震,導致市場恐慌指數(VIX 15.99)並未充分price in這些風險,是明顯的危險信號。

  • 3

    有別於歷史泡沫的現金流基礎:SNDK儘管毛利率創高(84.6%)仍遭砸盤,但其HBF新技術與回購計畫顯示內在價值。更重要的是,亞馬遜AWS年增37%、微軟AI業務年化超370億美元、Palantir提供的企業級數據保護方案——這些都證明AI已從投機進入實際變現階段,企業願意長期付費。

  • 4

    物理限制構建天然防線:晶片廠需3-5年、核電廠需8-10年建造,土地政策收緊,決定了未來數年內需求必然高於供給。只要供不應求,就不會產生泡沫;關鍵是資料中心能否持續變現,決定轉折點在2029年還是提前到2028年。

實用技巧與重點

乾貨
  • 宏觀指標:VIX 15.99、美銀牛熊指數9.6(歷史高點)、FINRA槓桿率持續增加
  • SNDK財報:收入89.65億美元(年增372%)、毛利率84.6%、下季指引105億美元、回購額度150億美元
  • SNDK HBF技術:容量比HBM大幅提升、2026年下半年首批樣品、2027年開始量產、目前僅閃迪與SK海力士可製造
  • 估值數據:Investing.com公允價值1,438美元/分析師目標2,218美元/現價1,200美元;高盛目標2,200美元(20倍PE)
  • 企業AI變現:亞馬遜AWS年增37%、AI業務年化收入250億美元;微軟AI年化收入超370億美元、同期成長123%
  • 佩雷斯產業週期理論:AI為網路、資訊、行動互聯網基礎上的第二波創新,應用滲透更快
  • Webvan案例:1999年燒2-8億美元建自動化倉庫,因沒有智慧型手機與線上支付於2001年倒閉
  • 思科数据:2000年泡沫頂前瞻PE達200倍、5年漲幅37倍、最後跌90%、從底部4美元又漲32倍
  • 納斯達克100:當前前瞻PE 25倍(2000年時60倍)
  • 基礎設施建造周期:晶片廠3-5年、普通電站5-7年、核電廠8-10年以上

結論

結論

只要AI的變現速度足夠快,持續現金流能支撐投資,控制倉位、配置多元資產、追蹤現金流而非估值泡沫,就能在宏觀不確定與短期波動中活下來,等待真正的AI黃金時代到來。

完整解析

詳細

影片開篇建立宏觀掃描系統,將17個風險指標(VIX、恐慌貪婪指數、FINRA槓桿率等)組合成一個提示詞,每日用AI自動解讀。當前掃描結果令人擔憂:短期儀表板雖只有一個警報,但中長期顯示美股處歷史高位,FINRA保證金負債續增、美銀牛熊指數達9.6歷史高點,預示美股可能面臨像韓國去槓桿那樣的踩踏式大跌。聯準會9月升息機率超60%,若真的升息,整個股市會被重新估值——2022年聯準會一年內將利率從近0快速升至4.5%,納斯達克隨即暴跌33%。加上戰爭推高油價、美債升息導致資金外流、日圓升值逼迫日圓融資者平倉、中期選舉增加不確定性,多重壓力同時出現。

個股層面,SNDK成為市場情緒轉折的縮影。其財報成績斐然——收入89.65億美元年增372%、毛利率高達84.6%——卻因下季指引(105億美元)未達市場預期(106億美元)而遭砸盤。這反映了市場心態的本質轉變:投資人開始害怕2025年就是AI產業最輝煌的一年,業績毛利率全部見頂,未來難以超越。美光、AMD等晶片廠也有類似模式,即使業績漲倍也可能下跌。然而閃迪的反擊武器是HBF技術——一種針對AI重新設計、容量遠超HBM的新型記憶體,計畫2026年下半年交樣品、2027年量產。由於只有閃迪和SK海力士掌握此技術,這條高利潤、高技術障礙的產品線有望構建護城河,擺脫傳統記憶體的週期困擾。

長期判斷的關鍵在於AI會否重蹈歷史泡沫的覆轍。講者詳細解析三場著名的科技革命泡沫。1840年英國鐵路泡沫中,鐵路股票直接用20倍槓桿銷售,投資人只需交5-10%保證金就能買股票,之後還能將槓桿股票再次抵押融資,形成「槓桿疊槓桿」。結果一旦波動就引發崩潰,加上城市間重複建設三四條平行鐵路、企業無法獲利、後來還爆發「鐵道國王」龐氏騙局,最終泡沫破滅。1880年電氣技術革命也類似:當時電力只有一個應用場景(電燈泡),且極其昂貴、極易損壞,只有大百貨公司和上流社會用得起,普通家庭仍依賴油燈。愛迪生的電力照明公司花巨資建電廠鋪電纜,但缺乏安全規範導致頻繁火災,社會對電力產生極度恐慌。加上電力傳輸距離有限,最終股票從1,000美元暴跌至50美元被JP摩根收購。2000年網路泡沫時,當時只有5%美國家庭擁有網路,線上支付極不安全,Webvan等送餐服務燒掉2-8億美元建無數自動化倉庫,卻因沒有智慧型手機和便捷支付而於2001年倒閉。思科提前鋪了無數光纜卻無人使用,泡沫頂部前瞻PE達200倍、5年累計漲幅37倍,最後跌90%。

然而AI投資面臨截然不同的環境。第一,已有豐富應用場景與持續現金流:亞馬遜AWS年增37%、AI業務年化收入250億美元;微軟AI業務年化超370億美元、同期成長123%;Palantir透過提供開源模型和企業級數據保護方案消除企業對數據洩露的疑慮,使企業願意積極付費使用AI。佩雷斯產業週期理論指出,AI並非從零開始的革命,而是建立在網路、資訊、行動互聯網基礎上的第二波創新,因此應用滲透速度會遠快於鐵路和電氣時代。第二,物理限制構建天然防線:晶片廠建造需3-5年、普通電站需5-7年、核電廠需8-10年以上,加上土地政策日益緊縮(美國中期選舉議題之一),這決定了未來數年內需求必然高於供給。只要供不應求就不會產生泡沫。樂觀派認為泡沫轉折點可能在2029年;悲觀派則認為若資料中心投資無法變現,可能提前至2028年。但無論哪種情況,存活下來的公司會如網路泡沫後的亞馬遜一樣,從底部3毛漲至270美元(漲幅800倍),迎來更壯觀的發展。

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。