To The Moon

過去兩年，美股市場談 AI，最常見的問題是：某隻股票的市盈率是否太高？這個問題並非沒有意義，但若只用一層 PE 去判斷整個 AI 產業鏈，往往會得出過分簡化的結論。AI 並不是一個單一行業，而是一套由晶片、伺服器、雲端、模型、數據、軟件及應用組成的多層資本結構。每一層的收入質素、資本開支、折舊週期、客戶集中度和定價能力都不同，因此估值方法也不應相同。 最底層是晶片與半導體設備。這一層最接近「鏟子與鐵路」的角色，Nvidia、AMD、Broadcom、臺積電、ASML、Applied Materials 等公司，承接的是 AI 熱潮中最早出現、也最實在的需求：算力。當雲巨頭、模型公司和企業客戶都需要訓練和推理能力時，GPU、先進封裝、HBM 記憶體、光通訊和網絡晶片自然成為瓶頸。瓶頸所在，通常就是利潤所在。因此，市場願意給予晶片龍頭較高估值，並不只是因為「AI 故事」，而是因為它們在供應鏈中擁有實際議價權。 但晶片股的估值也不能只看高增長。半導體始終有周期性，一旦客戶過度囤貨、技術路線轉變，或雲巨頭加快自研晶片，增長曲線便可能突然放緩。晶片公司的高 PE，實際上包含兩個假設：第一，AI 算力需求會長期高於供給；第二，龍頭公司能維持技術和生態優勢。若其中一個假設動搖，估值壓縮可以來得很快。 第二層是雲與數據中心基建。Microsoft、Amazon、Google、Oracle、Meta 等公司正在大量投資 GPU、數據中心、網絡和電力容量。它們不是單純買晶片，而是在建立下一代計算平臺。這一層的估值難點，在於資本開支先行，回報滯後。投資者不能只看雲收入增長，也要問：每一美元 AI capex 最終能產生多少增量收入？Copilot、Gemini、AWS AI 服務、Oracle Cloud GPU 租賃，到底能否帶來足夠高的回報？ 雲巨頭的優勢是資金雄厚、客戶基礎龐大、分發渠道成熟；風險則是資本密集度急升。過去市場喜歡雲業務，是因為它具備規模經濟和高營運槓桿。但 AI 雲可能改變這個模型：伺服器更昂貴，折舊更快，電力和冷卻成本更高。如果 AI 收入不能迅速覆蓋折舊，雲的利潤率便會受壓。因此，雲股的估值不應只看傳統軟件倍數，也應加入資本回報率和自由現金流的分析。 第三層是大模型與基礎模型平臺。這一層最吸引市場想像，但也是估值最難的一層。模型公司需要海量算力、頂尖人才和數據，訓練成本極高，但產品價格卻未必能完全反映成本。當模型能力愈來愈接近，競爭可能從技術領先轉向分發、品牌、安全、企業整合和生態綁定。換言之，模型本身未必永遠是最厚利的一層，真正有價值的是模型能否成為企業流程、開發工具和消費入口的一部分。 這也解釋了為何 Microsoft、Google、Meta 等平臺公司，在 AI 競賽中比純模型公司更易被市場接受。它們不一定每一次模型排名都第一，但可以把模型嵌入搜尋、廣告、辦公軟件、社交平臺和雲服務。模型若沒有分發能力，很容易變成高成本研發項目；模型若連接既有用戶和工作流程，纔有機會變成可重複收費的產品。 第四層是企業軟件和應用。這一層包括 Palantir、ServiceNow、Salesforce、Adobe、Snowflake、Datadog、CrowdStrike 等公司。它們的 AI 故事不是誰擁有最多 GPU，而是誰能把 AI 變成客戶願意付費的功能。企業不會為「AI」兩個字無限加預算，它們要的是節省人手、提升銷售、加快開發、降低風險或改善決策。因此，應用層估值最重要的不是 demo 有多震撼，而是 AI 能否提高留存率、推動加價、擴大使用量，並最終反映在收入增長和毛利率上。 應用層的好處是資本開支較低，若產品真正被採用，經營槓桿可以很強；壞處是競爭門檻可能被降低。生成式 AI 令很多功能更容易被複製，原本依靠介面和流程建立的護城河，可能被 AI agent 打穿。未來投資者要分辨的，不是哪些公司「有 AI 功能」，而是哪些公司因 AI 令客戶更難離開。 義合控股投資者關係部 (芯片與算力系列之57) ‌$Microsoft(MSFT)$ ‌‌$Meta Platforms, Inc.(META)$ ‌‌$Alphabet(GOOG)$ ‌‌$Palantir Technologies Inc.(PLTR)$ ‌‌$ServiceNow(NOW)$ ‌