我一直觉得巴菲特和芒格这两个名字被摆到科技投资面前时总会被简化成一句话老派价值投资不懂科技也不碰科技。但2016年伯克希尔建仓苹果之后多年重仓持有并赚到极其丰厚的回报这个事实说明他们不是不投科技而是拿另一套标尺在筛选科技公司。现在人工智能的浪潮已经全面铺开大模型、具身智能、边缘计算、AI训练师、生成式AI应用工程师这些名词密集轰炸普通人的信息流估值故事一个比一个动听。于是不断有人问我如果真用巴菲特-芒格那套方法去投AI到底该看什么这篇文章就是把这套框架拆开揉碎从能力圈、护城河、自由现金流、安全边际几个角度结合AI产业链的真实结构把机会和风险都摊到桌面上讲清楚。1. 为什么“巴菲特-芒格”和“人工智能”放在一起并不违和1.1 他们不是不投科技而是不投看不明白的科技很多人对巴菲特和芒格有一个刻板印象只买可口可乐、喜诗糖果这类简单生意。十多年前巴菲特确实公开说过无法给科技公司估值也说自己看不懂那些快速变化的技术。但他说的“看不懂”不是学历上的不懂而是无法判断十年之后这家公司还能不能赚钱、赚多少钱。芒格则更直接他说过自己宁可错过机会也不愿意赌一个自己没法理解的东西。这里的关键在于能力圈是可以慢慢扩的。巴菲特的搭档芒格对科技的态度其实比巴菲特更开放他生前多次在股东会上聊到人工智能既承认AI的变革意义也警告过“疯狂炒作会带来危险的局面”。这种态度恰恰是价值投资者面对AI时最健康的姿态承认它伟大但不因为它伟大就放弃评估它的价格。所以把巴菲特-芒格投资策略和人工智能放在一起并不是硬蹭热点。他们观察苹果的时候问的从来不是“iPhone还能不能卖得更多”而是“用户换机的成本有多高苹果的生态有没有把客户锁住”。这套问题放到AI公司身上同样成立。1.2 从苹果到人工智能能力圈的渐进扩张当年伯克希尔买入苹果市场争论很大因为苹果属于消费电子更新迭代极快似乎违背“消费品”逻辑。但巴菲特看中的是苹果把硬件、软件、服务绑在一起后形成的消费者黏性更像一个有科技外衣的消费公司。苹果用户手里的照片、音乐、应用、手表、耳机构成了一张很难挣脱的网这样的生意才让巴菲特破例。人工智能如今也走到了类似的拐点。基础模型已经从实验室里的论文变成可调用的API生成式AI应用工程师、AI训练师、大模型应用开发这些职业开始批量出现AI不再只是“看不懂的前沿”而是已经嵌入到客服、编程、设计、制造、医疗等多个环节的可计量业务。价值投资者不需要理解Transformer的每一个数学细节但完全可以理解“客户用了AI之后是不是就离不开它了”这个问题。这也是我在这篇文章里最想做的事把投资语言翻译到AI语境里用能力圈、护城河、自由现金流、安全边际这些老工具去量一量人工智能这个新产业。2. 价值投资者的四把尺子怎么量AI公司2.1 商业模式大模型与云平台的护城河到底在哪巴菲特的护城河理论最看重的是企业能不能长期维持高回报。放到AI公司身上先要分清它赚的是哪一类钱卖基础模型的公司靠参数规模、训练成本和技术领先建立壁垒但难点在于开源模型不断拉平差距技术领先的时间窗口可能只有半年到一年。卖算力的公司更像“卖铲子”的生意客户是所有的模型公司和应用公司只要AI继续烧钱训练它就有现金流但是要承受巨额的资本开支和周期波动。做应用的公司直接面对用户护城河来自场景理解、数据积累和流程整合看起来最接近传统消费生意但竞争也最惨烈。我用一个很朴素的判断标准如果这家AI公司明天把产品价格涨10%客户会不会走如果客户毫不犹豫就走说明没有定价权护城河就是一句空话。大模型公司之间的API价格战已经打得非常凶说明模型层本身很难建立传统意义上的定价权。相比之下嵌入了企业核心流程的AI应用比如客服自动化、工业质检、具身智能机器人操作系统因为替换成本高反而更可能形成黏性。2.2 自由现金流Scaling Law背后吞噬现金的资本开支芒格有个习惯看公司先看自由现金流也就是扣除维持生意必需的资本开支之后真正能落到股东口袋里的钱。人工智能领域最反常识的地方就在这里很多明星企业收入增长飞快但自由现金流是负的因为它们必须不断买芯片、建数据中心、付电费、挖人才。当前AI行业有个被反复讨论的概念叫Scaling Law意思是模型越大、数据越多、算力越强能力越强。这个规律推动着大厂疯狂加码算力也带来了一个极其现实的问题训练一次千亿级模型的成本动辄上亿美元这还没算后续推理服务的边际成本。你打开一个AI助手每一次回答背后都是电力、显卡和运维成本。这和传统软件“复制粘贴边际成本几乎为零”的特性完全不同。所以在AI公司里我最看重的财务指标排序是自由现金流大于净利润净利润大于收入增长。只有现金流持续为正企业才能在融资环境变冷的时候活下来。真正的壁垒不是账面上的“AI概念”而是每年能稳定拿出多少真金白银去支撑下一轮研发。2.3 管理层与组织从AI训练师、数据治理到技术伦理巴菲特反复强调买入公司就是买入管理层AI行业尤其如此。因为这个行业变化太快今天的战略方向明天就可能被推翻管理层的诚信、克制和判断力直接决定股东是受益还是被收割。现在市场上有一个很有意思的现象人工智能训练师、生成式AI应用工程师、AI产品经理成了热门新职业各种企业认证和培训课程铺天盖地。这既说明人才供给在补课也说明很多公司正在“为了AI而AI”。管理层到底是把AI当成降本增效的工具还是把它当成本轮融资的包装这是价值投资者必须追问的问题。我看到过很多AI项目PPT上写着极其宏伟的“大模型”实际落地时却连基本的数据清洗都做不好。数据质量差模型输出就满是偏见和错误最后只能靠人工兜底。一个在组织上不重视数据治理、不培养AI训练师团队、甚至没有专门人负责模型安全的企业无论口号多响长期都要吃大亏。2.4 安全边际用“十年后还活着”倒推合理估值安全边际不是算出一个精确目标价而是给自己留足犯错的空间。巴菲特买股票前会问如果市场关门十年我还愿意持有这家公司吗放到人工智能投资上应该把这句话改成如果AI热潮三年后暂时退潮这家公司还能不能靠主营业务活着很多人投资AI是默认整个行业会一路向上。但历史反复告诉我们伟大的行业里也会死掉大量公司。2000年互联网泡沫时期做搜索引擎、做电商、做门户都是对的赛道可绝大多数公司最后都归零。真正活下来并成为巨头的反而是那些在最困难时期还能产生现金流、并持续投入研发的公司。我用一个简单的估值办法先假设AI热潮消失去看看这家公司现有业务能赚多少钱再给它打个合理的行业折价。如果在这个保守假设下股价仍然不算便宜那就说明市场已经把未来十年的乐观预期提前计入价格安全边际非常薄。此时最好的选择不是硬买而是等。3. 人工智能产业链上的真机遇藏在哪些环节3.1 算力与基础设施确定性最高的“卖水人”抛开形形色色的AI概念最接近巴菲特“确定性”审美的环节其实是卖铲子的人芯片、服务器、数据中心、网络设备、电力系统。只要全球的AI训练和推理需求还在增长这些卖水人的订单就能保持高度景气。以边缘计算为例市面上的开发板如NVIDIA Jetson Nano已经成了不少人做AI落地的入门工具。你会发现真正让AI走进工厂、门店、医院的东西不是云端那个巨大的模型而是可以部署在本地、低延迟完成推理的边缘设备。这类硬件的价值在于它不押注某一个具体应用能否成功而是一并吃到了所有场景对算力需求的增长。当然“卖水人”也有自己的问题订单波动大资本开支高还要担心下游自研芯片替代。所以投资算力基础设施不能只看短期爆发还要看它有没有长期的技术迭代能力和客户粘性。3.2 数据飞轮与数据质量具身智能时代的隐性壁垒AI圈里常说“数据是新时代的石油”但巴菲特会追问一句你手里的油田是能一直出油的高品质油田还是无法开采的页岩最近行业里已经开始制定具身智能数据集的质量要求和评价方法这其实是一个非常值得关注的信号。具身智能是让人形机器人真正理解物理世界、学会操作物体的方向。它和纯语言模型最大的区别在于机器人需要大量真实世界的动作数据、传感器数据、环境交互数据这些数据采集成本极高不像网页文本那样可以随便爬取。谁能在安全合规的前提下积累高质量数据集谁就掌握了具身智能时代最稀缺的资产。很多公司嘴上说“我们拥有海量数据”但价值投资者的任务是把“海量”拆开看有多少是有效数据数据之间的标注是否一致能否支撑高质量模型训练如果只是把一堆脏数据堆给算法团队那叫素材不叫资产。数据质量决定模型上限这是AI行业最朴素的规律也是评估AI公司长期竞争力时最容易忽略的一环。3.3 AI应用层最难判断但最可能诞生新龙头基础模型的价值最终要通过应用层释放。生成式AI应用工程师的大量出现说明企业需要的不是“再做一个模型”而是“把模型接进业务流程”。这就引出了价值投资下一个经典问题应用层的利润最终会流向渠道方、模型方还是掌握场景的解决方案方我的判断是离钱最近、离客户真实需求最近的应用才能建立壁垒。比如AI客服表面上是套一个大模型实际上要对接订单系统、售后流程、知识库、用户画像企业一旦深度使用数据沉淀会让切换成本变得极高。再比如智能编程助手用得越久它对你的代码风格和项目结构的理解就越深这种“越用越好用”的体验本身就是一种隐性的护城河。风险在于很多应用层产品功能雷同、依赖同一个基础模型一旦模型公司自己也下场做应用小玩家几乎没有还手之力。所以投资应用层要格外重视“场景独占性”这个场景是不是只有你能接触到数据是不是只有你能合法拿到客户是不是离开你就要重造一整套系统3.4 边缘计算与终端AI被低估的落地场景很多人一说AI就想到数据中心里的大模型但真正落地的AI其实大量发生在边缘端。比如工业缺陷检测、自动驾驶汽车、智能摄像头、可穿戴设备它们都需要在极低延迟、有限网络甚至离线状态下完成推理这是边缘计算的核心价值。从投资角度看边缘AI比云端AI更贴近真实业务也更符合“依赖性强、替换成本高”的特征。工厂里一旦部署了AI质检系统它就不是一台可以随便关停的服务器而是整个产线的一部分。这类项目通常不是一条API就能搞定的需要结合具体硬件、行业知识、现场调试反而是很多“AI公司”不愿意碰、也不容易碰的脏活累活但脏活累活恰恰是价值投资者喜欢的竞争壁垒。终端AI还有一个优势数据隐私压力更小。很多敏感数据不必上传云端在本地完成处理这能规避一部分合规风险也让企业客户更容易接受。未来几年边缘设备上运行的小模型会越来越多机会不亚于云端大模型。4. 挑战比想象中更大四个需要警惕的灰犀牛4.1 技术路线快速迭代今天的护城河明天可能变废墟价值投资体系里最怕的一件事是护城河被技术变革一夜填平。AI行业恰恰每天都在发生这种变革。Scaling Law的讨论、新模型架构的出现、开源与闭源路线的拉扯意味着你现在看好的技术优势可能一年后就被新方法彻底超越。举个例子早几年很多公司把全部筹码押在某个具体模型架构上结果新的大模型一出来之前的应用全都推倒重来。这不只是技术问题更是投资判断的致命伤。巴菲特喜欢的生意是那种“即使换一个平庸的CEO也能靠商业模式本身赚钱”的生意而AI行业完全相反一个天才团队和一个平庸团队做出来的东西可能就是天壤之别。所以在AI领域追求“永久护城河”是危险的。更现实的做法是只投那些不太依赖单一模型的AI公司也就是谁给我提供模型都行我照样能给客户创造价值。这种公司才能把技术迭代变成自己的成长动力而不是催命符。4.2 收入与利润错配估值靠故事故事靠融资AI行业现在有一种危险的气氛所有公司都在讲宏大叙事收入和估值都建立在“未来一定行”的假设上。可是巴菲特最讨厌的盈利模式就是“讲故事”。当市场开始为没有利润的公司支付天价时本质上是用后续接盘者的钱来兑现前人的收益这种游戏的脆弱性远超想象。尤其要警惕“用收入换毛利”的公司。很多AI创业公司为了抢客户把API调用价格压到成本以下收入确实涨得飞快但每卖一单都在亏钱。这种增长一旦遇到融资寒潮就会瞬间崩塌。价值投资者应该关注的不是“增长多快”而是“增长是不是健康的、可持续的”。我给自己定了一个规矩如果一家公司连续三年靠外部融资维持经营且核心业务没有明确的盈利路径无论它的AI故事多动听都不放进长期股票池里。4.3 偏见、数据质量与合规风险看不见的负债人工智能行业有一个非常隐蔽的负债模型偏见。训练数据里如果含有种族、性别、地域等偏见模型输出就会放大偏见轻则闹出公关危机重则衍生出大量诉讼和监管处罚。对价值投资者来说这种风险不会出现在资产负债表上但它会在某一个节点集中爆发直接摧毁品牌和客户信任。从“人工智能偏见”这个词条能持续成为热搜就能看出企业现在面临的不是“要不要治理偏见”的问题而是“治理不到位会不会出大事”的问题。那些把数据质量、模型安全、伦理审查当成标配的AI公司长期看会少踩很多雷而那些只顾刷榜、不顾数据质量的团队哪怕技术再强也只像一辆刹车失灵的超跑越开越快越接近翻车。合规成本同样不可忽视。全球各市场都在加强对人工智能的监管企业需要为数据来源、隐私保护、算法解释性付出额外成本。这些成本不会立刻反映在股价里但会慢慢侵蚀利润。价值投资者看AI公司时一定要在估值模型里为“偏见和合规风险”留出折价空间。4.4 训练师与行业人才供给组织能力跟不上战略从人工智能训练师三级认证到生成式人工智能应用工程师再到各种企业微认证热词背后反映的是一个尴尬现实AI人才极度稀缺很多公司的战略雄心远远超出组织能力。一个真正能打的公司不仅要有一流的算法研究员还要有一批能把脏数据理干净、把模型效果评估清楚、把业务问题翻译成技术方案的工程团队。训练师这个职业的兴起说明行业终于开始承认“训练模型”这件事本身是重体力活不是靠一两个天才就能搞定的。投资时要观察企业的人才密度它有没有足够多的应用工程师把模型变成产品有没有专门的数据质量团队对训练语料负责如果一家公司把AI战略挂在嘴边但连基本的数据团队都不齐整那它在未来三到五年的竞争中大概率会被拖垮。巴菲特讲“买入企业就是买入人”在AI行业这句话的权重比以往任何时候都高。5. 普通人如何把巴菲特-芒格策略落到AI投资上5.1 不是选黑马而是先搭好“不会死”的底仓很多个人投资者接触AI投资的第一反应是去找“下一个十倍股”。但巴菲特和芒格的做法完全相反先保证自己不会死再追求赚得多。落实到AI投资上最稳健的路径是先通过宽基指数、科技主题指数基金这类工具把AI行业整体的beta拿到手再考虑在个股层面做alpha。我个人比较认同的做法是用“核心-卫星”结构把大部分AI相关仓位放在分散化的指数基金上让一篮子公司替你消化技术路线不确定性和个别公司暴雷的风险小部分仓位留给真正看得懂、且估值留有安全边际的龙头公司。别小看这个策略它能让你在AI泡沫破裂时仍然拿得住底仓因为你知道自己并没有押上全部身家赌一个未来。选指数基金的时候要看它里面的权重股到底是不是真正把AI落地成收入的公司避免买到一堆“名词型”企业。更简单的判断是看这个指数的成分股有没有稳定的盈利和现金流而不是清一色的亏损公司。5.2 仓位与再平衡把波动率变成朋友而不是敌人AI是典型的高波动赛道涨的时候让人疯狂跌的时候让人崩溃。巴菲特-芒格式投资不会因为波动就逃离但会用仓位控制来保证自己在情绪上不失衡。我给普通投资者一个可执行的建议AI相关资产的仓位控制在总可投资资产的5%到15%之间并且提前定好再平衡规则。举个例子你设定AI仓位的上限是10%当行情暴涨导致AI资产占比升到15%就卖掉一部分让比例回到10%当行情暴跌导致AI资产占比降到5%再考虑用现金流补一部分回来。这个过程强迫你“高抛低吸”而且不需要你精准预测市场。波动率在这种纪律下反而成了定期获取超额收益的帮手。再平衡最大的意义不是多赚而是让你不因为一次AI崩盘就彻底否定这个产业也不因为一次暴涨就梭哈进去。老派价值投资者很少做波段但他们一定会把仓位管理当成风控的第一道闸门。5.3 卖出与持有什么时候该说“我不懂”然后离场投资AI最难的不是买入而是判断什么时候该承认自己看不懂了。芒格一辈子都在强调“知道自己死在哪里就不去那里”。当AI公司开始出现以下信号我觉得就该认真考虑卖出了管理层从讨论产品和现金流变成频繁谈论“市值目标”和“宏大的技术概念”公司的核心业务无法解释用户为什么愿意持续付费出现更便宜、更强的替代技术路线而公司没有明显的应对方案估值透支了未来十年以上的增长哪怕基本面优秀也只剩下“卖给更傻的人”的博弈价值。很多人在AI股票上亏大钱不是因为买错了公司而是因为公司变了、逻辑变了他们却还在用旧故事麻醉自己。巴菲特愿意长期持有的前提是企业基本盘一直没变而不是机械地抱住不放。“我不懂”这句话在AI投资里不是认输而是保护自己资产的安全阀。6. 写在最后我自己做AI投资与学习的一点体会这几年我一边研究AI产业一边看了不少人工智能基础、人工智能发展历程、机器学习路线的内容。一个很深的感受是投资AI和学AI其实遵循同一套底层逻辑——先建立基本概念框架再逐步拓展能力圈而不是一开始就去赌最前沿最热门的领域。很多人问我在人工智能浪潮里普通人最大的机会是不是买入某个明星股票。我的回答是先别急着买入先把自己变成一个能判断AI价值的人。你可以不写代码但至少要搞懂Scaling Law的含金量、训练数据和推理成本的区别、具身智能数据集为什么是稀缺资产、边缘计算解决了什么问题。这些认识远比一个代码六位数更能决定你的投资收益。把巴菲特和芒格的投资策略用在人工智能上最终收获的不只是一套选股方法更是一种对不确定性的态度承认自己会看错所以留足安全边际承认技术会变化所以只买商业模式本身就足够强壮的公司。与其说这是投资策略不如说是把“能力圈、护城河、自由现金流”这些老词放到AI时代重新校准了一遍。我的实践体会是这套老框架在新技术面前并不过时它只是要求你更诚实、更克己也更有耐心。