Tiger Cub 的科技底层功 + 生命周期投资
本节学什么
先建立 Coatue 方法的底座：它不是普通科技主题基金，而是 Tiger 系基本面训练、MIT 技术背景和 lifecycle investment platform 的组合。你要学会看同一家公司如何从私募、成长股、IPO 后一路进入成熟公开市场。
核心框架
生命周期投资不是“投早又投晚”，而是用同一组问题连续追踪价值创造：早期看创始人、产品和用户增长；成长期看客户质量、单位经济和组织能力；公开市场看收入兑现、利润率、capex 和估值反身性。
Laffont 怎么用
Laffont 从 MIT、McKinsey 到 Tiger Management，1999 年创立 Coatue。Facebook、Netflix 的早期平台经验，迁移到 AI 时代就变成：私募端观察 Anthropic、OpenAI、Databricks、Cursor 等 adoption，公开市场端用 AMZN、MSFT、META、TSM、LRCX、AVGO 等表达云、平台和供应链暴露。
可迁移方法
审 AI 公司时，先问它处于生命周期哪一段，再问哪些指标能跨阶段延续：用户是否变客户，收入是否变利润，算力投入是否变生产率，生态位是否从产品变平台。
小结
Coatue 的第一课是：沿同一批公司和同一条技术浪潮，跨生命周期持续校验。
400 年泡沫史框架：怎么判断「工业革命 vs 泡沫」
本节学什么
学习 Coatue 判断 AI 的第一性问题：它是短期泡沫，还是早期工业革命。目标不是给市场贴“贵/便宜”标签，而是训练一套区分价格泡沫与生产率革命的检查表。
核心框架
Coatue 研究 400 年、30 个泡沫，并把 AI bubble 作为 Philippe 开场问题。判断一项技术是否接近工业革命，看三件事：是否降低稀缺资源的边际成本，是否催生新基础设施投资周期，是否让旧指数结构被新公司和新利润池重排。AI Abundance 指智能供给变得更便宜、更普遍。
Laffont 怎么用
Coatue 没只讨论 NVDA 或单一模型，而是把 AMZN、META、MSFT、NVDA、TSM、AVGO 和私募 AI 龙头放进同一个平台迁移叙事。Fantastic 40 也不是季度涨跌预测，而是在问哪些公司会代表下一代增长与创新。
可迁移方法
审 AI 平台股时，先问利润池是否迁移：AI 用量是否增长，capex 是否转化为收入，产品是否带来生产率，生态位是否从工具升为基础设施。
小结
泡沫史的作用，是把叙事拆成生产率、基础设施和市值重排三张证据表。
卖铲子方法论：semi-cap pick-and-shovel
本节学什么
学习 Coatue 最可迁移的一招：semi-cap pick-and-shovel。重点不是推荐设备股，而是理解技术路线竞争激烈时，为什么可以寻找共同瓶颈，而不是被迫押单一赢家。
核心框架
AI 芯片有 GPU、ASIC、云厂商自研、网络芯片、存储和封装多条路线。直接猜哪颗芯片胜出，要判断架构、客户迁移、软件生态和供需节奏。semi-cap 换了问题：无论 Nvidia、Amazon、Google 或新 GPU 玩家谁增长，先进制程、刻蚀、沉积、检测、封装和 fab 扩产是否都要发生。
Laffont 怎么用
Laffont 在公开采访转述中提到，如果自己是 fab supplier，就不必精确押中芯片竞赛赢家。Coatue 持仓和底稿中出现 TSM、LRCX、AMAT、ASML、AVGO、NVDA，说明它把制造、设备、网络和先进制程都纳入账本。
可迁移方法
做 AI 链研究时，先找所有路线共同需要什么：先进制程、HBM、封装、测试、电力、网络、数据中心。共同瓶颈容错率更高，但仍要跟踪订单周期和 capex 反转。
小结
卖铲子是把竞争问题改写成瓶颈问题。
AI 链三段账本：制造/电力/平台怎么配比
本节学什么
把 Coatue 的 AI 暴露拆成三段账本：制造、电力数据中心、云模型应用。目标是用产业链结构组织研究，而不是把所有 AI 公司混成一个主题篮子。
核心框架
第一段是制造账本，关注芯片、先进制程、设备、封装、网络和存储，变量是 wafer、设备订单、HBM、先进封装和 AI 服务器需求。第二段是物理账本，关注电力、并网、冷却、土地和数据中心融资，变量是 hyperscaler capex、PPA、并网队列和电力设备订单。第三段是平台账本，关注云收入、模型调用、广告效率、企业应用 ARR 和开发者工具渗透。
Laffont 怎么用
Coatue 的链条不只停在 NVDA。制造端有 TSM、LRCX、AMAT、ASML、AVGO；物理端有 GEV、CEG；平台端是 AMZN、MSFT、META，并通过 Anthropic、OpenAI、Databricks、Cursor 等私募样本观察需求。
可迁移方法
审 AI 平台股时，先定位它属于哪段账本，再找上下游互证：云收入是否对应芯片采购，电力约束是否影响交付，应用使用是否拉动推理需求。
小结
AI 投研要从一个主题升级为三段账本。
Agentic 时代：HBM 与先进封装的需求逻辑
本节学什么
讨论 agentic AI 对底层算力的含义：当 AI 从一次问答走向多步骤代理、代码生成、工具调用和自动化工作流，需求不只增加模型能力，也增加推理、内存带宽、网络和封装压力。
核心框架
Agentic 时代的关键变化是任务长度和调用链变长。一个代理可能规划、搜索、调用工具、写代码、测试、修复，再把结果交给另一个代理。每一步都消耗 token、KV cache、内存带宽和网络通信。HBM 缓解高带宽内存瓶颈，先进封装把计算、内存和网络更高效地连起来。
Laffont 怎么用
Coatue 的 semi-cap 框架天然适配这一点。它不必提前判定哪家 agent 应用胜出，而是观察所有 agentic workflow 共同依赖的底座：先进制程、HBM、封装、设备、网络、云和数据中心。TSM、LRCX、AMAT、ASML、AVGO、NVDA 就是多点表达。
可迁移方法
研究 AI 应用时，不只问 MAU 或 demo，还要问它是否提高每用户 token、每任务推理步数、峰值并发和长期算力预算。
小结
Agentic AI 的核心投资含义，是更长任务链会把压力传导到 HBM、封装、网络和设备。
价值 across the stack：应用/dev tools/physical AI
本节学什么
学习 Coatue 对 AI 价值扩散的判断：市场不会永远只奖励 foundation model，价值会沿 stack 流向 infra、dev tools、enterprise apps 和 physical AI。目标是建立从模型到部署的地图。
核心框架
AI stack 可分五层：模型层提供能力，基础设施层提供训练和推理，开发工具层把能力变成工程流程，企业应用层进入具体业务，physical AI 把模型带到机器人和自动驾驶。模型看能力和成本，infra 看规模，dev tools 看留存，apps 看 ROI，physical AI 看部署闭环。
Laffont 怎么用
Coatue 官网文章提到其 2026 Forbes AI 50 中有 16 家 portfolio companies，覆盖模型、基础设施、开发工具、企业应用和 physical AI。公开市场上，META、MSFT、AMZN 对应分发、云和平台现金流；NVDA、TSM、AVGO、LRCX 对应基础设施。
可迁移方法
审 AI 公司时，先定位层级，再问它是否嵌入工作流。应用层不能只看 demo，要看预算来源、替代谁、节省多少时间、是否续费。
小结
AI 利润池会 across the stack 扩散，但每层都要用自己的指标验证。
一二级打通：用私募洞察反哺公开市场
本节学什么
学习 crossover 的真正价值：私募不是公开持仓之外的八卦，而是公开市场研究的先行传感器。目标是把私募公司的客户、增长、算力需求和估值变化，映射到二级市场供应链。
核心框架
公开市场的优势是流动性、披露和可调仓；私募市场的优势是更接近早期 adoption、创始人、招聘、客户和产品迭代。两者打通后，可以用私募观察需求从哪里发生，再用公开市场寻找流动性表达。但私募增长不等于所有上游受益，必须经过云合作、芯片采购、数据中心、分发和收入确认的链路检验。
Laffont 怎么用
底稿提到 Coatue 领投 Anthropic Series G，并持续关注 OpenAI、SpaceX、Databricks、Cursor、Replit、Glean、Harvey、Applied Intuition 等公司。这些样本不是下单指令，而是需求雷达：AI coding 影响推理算力，模型扩张影响云、芯片和电力。
可迁移方法
做映射时写清四步：私募信号是什么，传导路径是什么，公开公司哪项收入或订单受影响，什么数据能验证。
小结
一二级打通，是把早期需求翻译成可验证的公开市场账本。
一手数据驱动：token 消耗/MAU 曲线怎么读
本节学什么
把 AI 投研从叙事拉回数据。学习目标是理解 token 消耗、MAU、留存、席位扩张、云收入和 capex 的关系，判断一家公司是真使用增长，还是只是在市场热度里获得关注。
核心框架
AI 平台数据分三层读。第一层是使用量：MAU、DAU、任务数、token、API calls、并发、活跃开发者。第二层是商业化：付费转化、ARPU、净收入留存、企业席位、gross margin、推理成本。第三层是产业链传导：token 增长是否带来 GPU 租用、云收入、数据中心扩建、电力需求和设备订单。
Laffont 怎么用
Coatue 用私募组合和公开持仓互相校验。Anthropic、OpenAI、Databricks、Cursor 提供模型调用、开发者工作流和企业 adoption 的早期线索；公开市场则用 AMZN、MSFT、META、NVDA、TSM、LRCX、GEV、CEG 等观察需求是否传到云、芯片、设备和电力。
可迁移方法
审 AI 平台股时，建立“使用量到收入到供应链”的漏斗。每个指标都问质量：MAU 是否高频，token 是否付费，收入是否覆盖推理成本，capex 是否产生回报。
小结
数据驱动就是检查热度有没有穿透到现金流和供应链。
集中持仓与认错：NVDA 卖早了的复盘
本节学什么
本节讨论组合纪律：高信念集中和敢于认错并不矛盾。目标是理解为什么 Coatue 可以集中表达 AI thesis，同时仍然强调流动性、反身性和事实变化后的修正。
核心框架
集中持仓的前提不是自信，而是 thesis 足够清晰、验证指标足够具体、风险暴露能被拆解。AI 组合常见错误有两种：一种是过度分散，把所有相关股票都买成主题篮子，最后不知道赚亏来自哪里；另一种是过度单点，把判断压在一家公司或一个架构上，错了就没有回旋。Coatue 的方式更接近“高信念但多节点”：平台、芯片、设备、电力、私募样本同时存在。
Laffont 怎么用
底稿提到 Laffont 坦承 NVDA 曾卖太早，之后在回调后重新评价。这类复盘重要之处不在于某次交易对错，而在于公开承认技术周期里估值、供需和市场预期会变化。Coatue 仍保留 NVDA、TSM、AVGO、LRCX、AMZN、META、MSFT、GEV、CEG 等多段暴露，说明它不是靠一次英雄判断，而是用全栈账本分摊认知风险。
可迁移方法
建立仓位前写两份文件：为什么集中，为什么可能错。集中理由包括利润池、竞争壁垒、数据验证和估值容忍度；可能错包括需求放缓、毛利压缩、capex 反转、客户自研替代和监管约束。
小结
高信念不是不认错，而是知道自己押的是什么，并在证据变了时有能力改。
组合的可证伪机制 + 实操：手把手审一只 AI 平台股
本节学什么
把课程落到实操：如何为每条 AI thesis 设置验证条件和推翻条件，并用同一套框架审任意 AI 平台股。这里教的是研究流程，不构成荐股、目标价或涨跌预测。
核心框架
第一步，定位生命周期：公司是早期产品、成长平台，还是成熟公开公司。第二步，定位账本：它属于制造、电力数据中心，还是云模型应用。第三步，写清 thesis：利润池为什么迁移到它这里。第四步，列验证指标：收入、留存、token、capex、订单、客户、毛利、现金流。第五步，列推翻条件：使用增长停滞、ROI 不能量化、capex 下修、订单取消、推理成本压垮毛利、应用没有 pricing power。
Laffont 怎么用
Coatue 的判断都有可证伪结构：AI 平台迁移看云收入、企业生产率和新 IPO 队列；semi-cap 看先进制程、HBM、封装和设备订单；电力账本看 hyperscaler capex、PPA、并网队列；私募龙头看收入、客户、二级转让和 IPO 承接。
可迁移方法
给每只 AI 平台股写一页纸：一句 thesis，三条验证，三条推翻，两条上游数据，两条下游数据，一个复盘日期。到日期只对照事实。
小结
扎实投研的终点，是每个观点都能被数据验证，也能被事实推翻。
本页整理 Coatue 公开材料中的方法论，用于投研学习，不构成证券买卖建议；个人观点；提及不等于持仓；引用以原文为准。
