关注芒格君有一阵子了。
中文圈能把 LLM 的 training/inference infra 讲透，能从软硬件 system co-design 一路讲到底层硬件原理，最后还能接回投资逻辑的人，凤毛麟角。芒格君算一个。这种跨层穿透的分享，在中文内容里非常稀缺。
但作为同样在做 AI、每天泡在 post-training 一线的人，我想补一个芒格君没有展开的角度：一线信息有时候是把双刃剑。好处是能更早嗅到机会；坏处是信息茧房非常重——把「内部需求炽热」直接外推成「这种需求会很快扩展到其他产业」，太自然了。
一、一线信息的双刃剑
好处明摆着：离前沿越近，越早知道产业链上的真实 bottleneck，知道大家在 push 的技术方向是什么。
坏处也是真的：信息茧房非常重。
做 AI 的人每天接触的圈子都在往同一个方向跑。GPU 不够用、推理成本居高不下、内存是最大瓶颈——这些是真实的。但「圈内需求炽热」和「这种需求会很快扩散到其他产业」之间，隔着一道巨大的鸿沟。
一线的人太容易把自己的体感直接外推成整个市场的状态。这是做投资最危险的事情之一。
所以我一直纠结一个问题——
二、AI 到底在吃存量，还是做增量？
需要说清楚：我知道这两者不是非此即彼。历史上几乎所有通用技术——电力、互联网、智能手机——都是先再分配、后做大蛋糕。这不是争论。
我真正想追问的，不是最终「有没有新蛋糕」，而是：扩散到了哪一步？进度是否符合当前的 capex 定价？
从目前来看，大部分还是在吃存量。替代白领工作、替代人工的数据标注、优化现有流程——这些确实在发生。但全新的、不靠替代而是靠创造的增量市场？目前还没看到有说服力的规模化案例。
这不是悲观。这是一个阶段性的事实判断。而这个判断直接影响你怎么给 AI 半导体公司定价。
这也是我和纯技术视角最大的分歧：技术人看到的是「这东西太强了，一定会改变一切」；做投资要追问的是「改变的速度，是否匹配了当前花出去的钱」。
三、没烧过 token 的人，看不懂供应链
之前的文章分享过如何借助 AI 做基本面分析和投研。那只是我投资布局中的一环。每天大概会花掉 3 亿 token，日复一日。
2026 年的今天，如果团队里的人每天烧不掉 1 亿 token，我会怀疑他对 AI 的认知深度和抽象能力。
一个人对 AI 的理解，基本等于他被 token 账单教育过的次数。 无论是跟着技术走，还是做投资，只有把 AI 用透——或者至少知道一线的人到底怎么用 AI——才谈得上做 AI 半导体的布局。
这是看任何小作文和 K 线都给不了你的东西。
具体讲几个例子：
| 你没做过的事 | 你就算不清的账 |
|---|---|
| 没在「一卡难求」时排过队 | 不会真正理解 $NVDA 的定价权从哪来 |
| 没自己 host 过模型、没为 token 账单付过钱 | 算不清云厂商从「卖机器小时」变成「卖 token」后，$MSFT $AMZN $GOOGL 部署 Kimi、Qwen 这类开源权重，利润率能抬多少个点 |
| 没用 vLLM 真跑过推理 | 不知道 KV Cache 调度有多讲究、HBM 每一 GB 有多贵——关于内存供应链的所有判断，都从这里来 |
| 没研究过 MoE 的 all-to-all 通信 | 不明白 $MRVL $COHR 这些光互联玩家解决的根本不是「把机器连起来」，而是让上万张卡表现得像一台机器 |
一线的手感，最后都会变成仓位。看懂才能心中有数。
四、怎么把一家公司的投资价值研究透
手感要变成仓位，中间需要一套系统。光靠体感和朋友圈信息做判断，迟早翻车。
下面是我自己跑了大半年的投研流程。
第一步：收集资料。
找到研究标的最近的新闻、各大投行能找到的所有研报（高盛、大摩、小摩、UBS 等）、财报、公司公告、10-K，一网打尽。
第二步：派发 Agent Team。
我的 Agent 会化身成各个投行的分析师，分别持有一方观点。我仿照华尔街投行搭建了一套自己的 Agent Team：
- 有的 Agent 蒸馏了我的思想
- 有的 Agent 蒸馏了我的专业知识
它们分别去评估公司的收入、财务、风险、基本面和估值，最后再汇总给 Agent Team Leader 进行对抗评审。如此反复。
这一步我只用 Fable 5 或 GPT 5.6 Sol Ultra。
第三步：人工校验。
每一个 Sub Agent 和最后的 Agent Leader 都会给我一个 report。我会逐行根据实际经验人工校验，给整个团队新的输入，由 Agent Team 评估是否需要重做第二步。如此往复，直到我认为通过。
经过这三步，任何人都可以在几天之内把一家标的研究透彻。而我每天 Agent Team 都会自动化运行一遍，确保每天的新变量被纳入我的 agent 大脑。
五、这套东西能不能复制？
坦率说，有门槛。
- 数据源。 你得知道去哪找研报、财报、10-K，怎么把非结构化的信息喂给 Agent。垃圾进垃圾出，数据源的质量就是分析的天花板。
- 基本功。 没有经济学和技术的底子，你连问题都提不对——Agent 再强，也需要人告诉它该从哪些维度拆解一家公司。
- 自己的判断框架。 照搬别人的 thesis 没用。你得有自己的投资逻辑，并且能坚持纪律性执行。
这三条加在一起，门槛确实不低。
所以我在考虑另一条路：把整套流程封装成一个开放接口或者 skill，让任何人的豆包、ChatGPT 都能直接调用我的 Agent Team Leader——24 小时在线，随时拆解任意一家公司的基本面。
不用自己搭系统，不用自己找数据，直接问就行。我敢说这套东西跑出来的结论，比网上绝大多数财经博主的分析都要扎实——因为它背后不是一个人拍脑袋，是一群 Agent 反复对抗校验的结果。
写在最后
压成五句：
- 一线信息是双刃剑——好处是更早嗅到 bottleneck，坏处是把圈内需求直接外推成全市场
- AI 目前大部分在吃存量——全新增量市场还没看到规模化案例，这个判断直接影响 capex 定价
- 你对 AI 的理解 ≈ 你被 token 账单教育过的次数——没烧过 token，看不懂供应链的每一环
- 我的投研用 Agent Team——每天 3 亿 token，仿照华尔街投行搭的对抗评审系统
- 计划开源这套系统——让所有人都能接入 Agent Team Leader，做到任何公司的基本面全解
土话一句：
别看 K 线了。先看看你的 token 账单。
我一个人打造的 Zaokit AI Agent 交易平台，以及 AI PPT / 图文创作 Zaokit.app，助力大家高效完成图文创作和 PPT 生成。唯一网站：https://zaokit.app。
企业侧同一逻辑，已经融进可直接接入的服务：
稳定靠谱的 AI 全家桶，开箱即用。
如果你认可 Zaokit AI 的产品理念，欢迎后台留言加入社群。我们不卖课、不割韭菜，只聚焦 ToB 企业场景的 AI 落地实战。 希望在这里，能给你带来不一样的思维火花和真实的商业碰撞。
延伸：他们到底看到了什么？让 Jeff Dean 离开待了 27 年的 Google · 你还在切 chunk 做向量？RAG 早就不是这回事了 · WorkBuddy 和 Codex 谁更强？你问错了
| 唯一网站：Zaokit.app | Agent 交易平台：Zaokit.ai |
企业 Grok 服务：grok.zaokit.com
企业服务：cx.zaokit.com · cc.zaokit.com · tokenhub.zaokit.ai · gift.junxinzhang.com · 完整产品列表
稳定靠谱的 AI 全家桶，开箱即用。
我是 Jason，自己一个人做 AI 产品。一线手感变成仓位——你的 token 账单，就是你对 AI 最诚实的理解。
他们到底看到了什么？让 Jeff Dean 离开待了 27 年的 Google