《价值投资拥抱 AI：买公司 × 能力圈 × 现金流检验》

本节学什么

这一节只讲“买股票就是买公司”在苹果上的用法。苹果容易被贴上消费电子、硬件周期、手机销量、估值倍数等标签，但段永平框架会先问：这到底是不是一家好公司，为什么用户愿意长期留在它的生态里，服务现金流和品牌信任能不能延续，AI 时代端侧智能会增强还是削弱这个生态。学习目标不是判断苹果股价，而是学会把一个热门大公司还原成可分析的生意系统。

核心框架

苹果这节的框架是“生态闭环账本”。第一层看用户资产：活跃设备、用户习惯、迁移成本、隐私信任和品牌忠诚。第二层看收入结构：硬件销售不是孤立的一次性交易，它会带来 App Store、订阅、支付、保修、云服务和内容服务等后续现金流。第三层看企业文化：长期专注、产品体验、供应链管理和对用户价值的取舍，会决定公司能否在技术变化中保持一致性。第四层看 AI 增量：端侧 AI 如果能让用户更频繁地使用设备、更愿意升级硬件、更离不开系统服务，它就强化原有闭环；如果只是一组可替代功能，它对长期价值的贡献就有限。

这个框架与“消费电子周期股”不同。周期股分析更重出货量和库存，生态公司分析还要看留存、转化、服务现金流和品牌溢价。段永平式说法“买股票就是买公司”，放到苹果上，就是把屏幕、芯片和销量背后的用户关系看清楚。深研稿也指出，他看苹果的底层不是“消费电子股票”，而是生态、品牌、用户粘性、服务现金流、企业文化和长期专注。

他怎么用(具体案例+数据+原话)

H&H 2026Q1 13F 中，Apple 仍为第一大仓，市值约 73.46 亿美元，占组合 36.72%，持股约 2894.56 万股。这个数据本身只能说明公开口径的组合权重，不能说明实时意图，但它足以显示苹果仍是整个组合的核心观察对象。与其说这是“买一个手机公司”，不如说是押注一家拥有用户入口、服务现金流和生态锁定能力的公司能否在 AI 时代继续保持好生意属性。

具体到 AI，深研稿给出的检验不是“苹果有没有喊 AI”，而是端侧 AI 是否增强换机、服务使用和生态闭环。这里的案例逻辑很具体：如果用户因为设备本地智能、隐私保护、跨设备协同和系统级助手体验而升级设备，硬件周期会被增强；如果 AI 功能让照片、邮件、日程、办公、健康和家庭设备之间的协同更顺，服务使用强度会提高；如果这些能力只能在苹果生态内获得更好体验，迁移成本会进一步抬升。段永平方法论中的原话“买股票就是买公司”，在这里不是口号，而是要求研究者把一部手机背后的公司结构看完。

同时也要注意组合变化的克制解读。深研稿提到“减苹果、加英伟达、新进若干 AI 小仓”，但也强调这体现的是权重再平衡，不应被翻译成“价值投资变成主题交易”。苹果仍是第一大仓这一事实，与英伟达升至第三大仓并不矛盾：一个代表端侧生态，一个代表算力基础设施，二者都要接受现金流和护城河检验。

常见误区

第一个误区，是只看某一代手机销量，把苹果完全当硬件周期公司。销量重要，但不是全部；用户基数、服务附着、生态迁移成本和品牌定价权，才是这家公司长期价值的关键变量。

第二个误区，是把端侧 AI 简化成发布会功能。真正重要的是功能是否改变用户行为、换机周期和服务收入，而不是演示是否炫目。

第三个误区，是看到第一大仓就自动推导为“任何价格都好”。好公司和好价格是两个问题。段永平的框架从来不是只买好公司，还要考虑对的价格和自己是否真正理解。

可迁移方法

研究类似苹果的生态型公司，可以按四步做。第一，拆用户关系：用户为什么来，为什么留，为什么不走。第二，拆现金流层次：一次性收入、重复收入、服务收入和潜在增量分别是什么。第三，拆技术新变量：AI 是否强化原有生态，还是让竞争者更容易替代。第四，写反证：如果换机不动、服务不增、用户体验差异不明显，AI 叙事就不能给估值加分。

小结

“买股票就是买公司”在苹果上不是一句价值投资格言，而是一套把硬件、服务、生态、文化和 AI 增量放在同一张账本里的方法。苹果这一节教的是：先看公司是不是仍然能创造长期用户价值，再谈技术周期和市场情绪。

本节学什么

这一节只讲能力圈。AI 产业链很长，名词很多，从 GPU、HBM、网络互连、云训练、推理、模型、数据、EDA、应用、自动驾驶到医疗 AI，每一层都有专业门槛。段永平长期强调“不懂不投”，这句话在 AI 时代更重要，因为越是技术叙事密集，越容易把听过名词误当成理解生意。本节目标是学会区分“我知道这个概念”和“我能判断这家公司未来现金流”。

核心框架

能力圈不是拒绝新东西，而是知道自己在哪里不懂，并为学习设置边界。它至少包含三层。第一层是商业理解：公司客户是谁，客户为什么付费，预算来自哪里，采购周期多长，产品替代成本多高。第二层是技术理解：关键性能指标是什么，技术路线为什么有效，竞争者能否绕开瓶颈。第三层是财务理解：规模扩大后毛利、资本开支、研发费用、销售费用和自由现金流会怎么变化。

能力圈也不是静态的。一个人可以从懂消费品牌、懂渠道、懂用户体验，慢慢扩展到懂平台、懂云、懂算力，但扩展要靠研究和验证，而不是靠行情上涨给自己壮胆。深研稿把段永平从网易、苹果、茅台、腾讯到 AI 链的路径概括为“先看懂核心变量，再下仓位”，不是因行情临时宣布自己懂了。这个顺序非常关键：能力圈先扩展，仓位再表达；不能反过来。

他怎么用(具体案例+数据+原话)

H&H 2026Q1 13F 中，除了苹果、英伟达、Alphabet、微软、Tesla 等较大或中等仓位，还出现了若干极小 AI 链观察点：CRDO 约 7051.51 万美元、占 0.35%；TSM 约 5109.80 万美元、占 0.26%；PLTR 约 877.68 万美元、占 0.04%；SNPS 约 396.48 万美元、占 0.02%；SNOW 约 150.82 万美元、占 0.01%；TEM 约 90.44 万美元；INOD 约 38.62 万美元。这些数字的意义不是“全部看好”，而是显示能力圈扩展可以通过小仓、观察仓、学习仓来进行。

具体案例是 SNPS、SNOW、TEM、INOD 这组小仓。SNPS 对应芯片设计工具，关键变量是 AI 芯片复杂度是否推升 EDA 需求，以及工具链是否有高切换成本。SNOW 对应数据基础设施，关键变量是企业数据能否成为 AI 应用落地的入口。TEM 对应医疗 AI，关键变量是数据、临床场景、支付方和合规路径。INOD 对应数据服务，关键变量是模型训练和企业 AI 对高质量数据处理的需求是否可持续。这些业务差异很大，不能用同一句“AI 受益”概括。段永平原话“不懂不投”在这里的实际含义是：如果不能说清每家公司自己的变量，就只能把它放在学习位置，不能把仓位当信念。

常见误区

第一个误区，是把“能力圈”理解成永远只买老行业。真正的能力圈是可扩展的，但扩展必须依靠具体研究。拒绝学习不是能力圈，乱说自己懂也不是能力圈。

第二个误区，是把小仓误读为重仓判断。深研稿反复提醒，SNPS、SNOW、TEM、PLTR 等小仓是观察仓、学习仓，不能写成确定重押。仓位本身就是信息：极小仓位表达的是跟踪和试错，不是高确定性结论。

第三个误区，是只因为某家公司属于 AI 链就跳过商业模式分析。AI 链每一层的利润分配不同，芯片、制造、互连、云、数据、应用、医疗和安全的竞争结构完全不同。

可迁移方法

给任何 AI 公司做能力圈判断，可以问六个问题：客户是谁；客户为什么现在必须买；替代方案是什么；公司优势是技术、数据、渠道、成本还是品牌；规模扩大后现金流会改善还是恶化；哪三个指标能证明自己真的看懂。答不出来，就降低结论强度，把它列为观察对象。能答出来，也要定期用数据更新，避免把旧理解套在新周期上。

小结

能力圈不是一道墙，而是一张地图。段永平方法论在 AI 时代的价值，是提醒研究者先承认哪里不懂，再用小仓试错、数据跟踪和商业模式拆解逐步扩边。真正的“不懂不投”，不是错过所有新技术，而是不让热度替代理解。

本节学什么

这一节只讲 Stop Doing List，也就是“不做清单”。段永平的价值投资体系不只由“做什么”构成，更由“不做什么”构成。AI 周期里，诱惑最多的往往不是研究公司，而是追消息、追概念、追短线、追别人仓位。本节要学的是：为什么在高热度产业中，先列不做清单，反而能保护研究质量和决策质量。

核心框架

Stop Doing List 的本质是防止原则性错误。它不是简单的风险厌恶，而是把自己容易犯的大错提前写下来，并在市场情绪最强时执行。放到 AI 研究中，可以分成五类不做。第一，不做不懂的复杂判断：听不明白技术和商业变量，就不把它包装成高信念。第二，不做纯价格追逐：股价上涨不能证明商业模式成立。第三，不做口号替代研究：不能用“AI 时代”“算力革命”“数据飞轮”代替客户和现金流分析。第四，不做超出口径的解读：13F 有滞后，且不等同个人完整资产。第五，不做合规越界：不把研究课变成荐股、仓位建议或目标价。

“本分和平常心”是执行不做清单的心理底座。本分是回到事物本质，承认企业价值来自产品、客户、组织和现金流；平常心是价格、舆论和 FOMO 很强时，仍然能够不被迫行动。深研稿明确说，AI 越热，越需要 Stop Doing List。因为热度会让人把例外当常态，把短期上涨当长期验证，把别人买入当自己理解。

他怎么用(具体案例+数据+原话)

本节的具体案例不是某一家公司，而是对 2026Q1 H&H 13F 的解读边界。报告期为 2026-03-31，提交日为 2026-05-19，组合总市值约 200.04 亿美元，披露持仓 19 个。这个信息有价值，但它只是一张滞后的公开快照。Stop Doing List 要求研究者至少不做三件事：不把报告期后的价格变化倒推为当时决策原因；不把 H&H 口径写成段永平个人全部资产；不把仓位变化翻译成买卖指令。

另一个案例是同名 X 账号。深研稿在真信源核验中写明，本地增量文件显示 @duanyongping 无推文，因此本次不把同名 X 账号当本人观点源。这个细节很小，但非常体现“不做清单”：不把未核实账号当信源，不为补素材而扩大引用边界。主战场应回到雪球账号“大道无形我有型”、网易博客原文与整理源、媒体核实和 SEC 交叉验证。可保留的原话是“本分和平常心”，它要求研究者在材料选择上也本分：知道什么能用，什么不能用。

常见误区

第一个误区，是把 Stop Doing List 当成消极保守。其实它是主动管理错误来源。越是机会多、信息多、波动大，越需要先排除会让自己出局的大错。

第二个误区，是写了不做清单但不执行。例如明明承认自己不懂医疗 AI，却因为 TEM 出现在 13F 里就开始给出确定结论；明明知道 13F 滞后，却拿它解释今天的市场走势。

第三个误区，是把“不做”理解为不研究。真正的做法是可以研究、可以观察、可以建立跟踪表，但在没有达到理解标准前，不把观察说成判断。

可迁移方法

做自己的不做清单时，不要写空话，要写可执行句。比如：我不依据单季 13F 做实时买卖判断；我不引用未核实账号作为本人观点；我不把小仓写成重仓信念；我不对无法解释客户 ROI 的 AI 公司下确定结论；我不在研究材料里提供目标价和仓位建议。每条后面配一个触发场景，真正遇到时直接执行。

小结

Stop Doing List 是段永平体系里最适合 AI 热潮的一块。它把“本分和平常心”落成操作纪律：不乱用信源，不过度解读，不拿热度代替理解，不把研究越界成建议。能少犯原则性错误，才有资格长期观察真正的好生意。

本节学什么

这一节只讲 Nvidia。深研稿把 Nvidia 升至第三大仓视为本次派单的核心信号，但同时强调：价值派拥抱 AI 不是因为 GPU 热，而是因为 AI 算力需求可能已经形成真实基础设施周期。本节要学会把“算力基建”这个大叙事拆成可验证问题：需求是否真实，资本开支是否有回报，生态壁垒是否能抵抗竞争，价格是否仍能被未来现金流支撑。

核心框架

分析 Nvidia 不能只看芯片销量，而要看“算力基础设施账本”。第一项是需求来源：云厂商、模型公司、企业客户、主权 AI、自动驾驶和科学计算等需求是否持续。第二项是客户 ROI：客户购买 GPU 后能不能把训练和推理能力转化为收入、成本节约或战略价值。第三项是生态壁垒：硬件性能、CUDA 软件生态、网络、系统方案、开发者习惯和供应链能力是否共同形成高切换成本。第四项是周期风险：客户资本开支一旦放缓，订单、库存、毛利和估值会如何变化。第五项是竞争替代：自研芯片、ASIC、其他 GPU、推理优化和模型效率提升，都会改变长期利润分配。

段永平框架不会简单问“AI 是不是泡沫”，而会问这家公司靠什么赚钱，十年后还能不能赚钱，竞争者为什么抢不走利润，价格是否相对未来现金流合理。泡沫和基建周期不是靠情绪区分的，而是靠现金流、客户回报和护城河验证。

他怎么用(具体案例+数据+原话)

H&H 2026Q1 13F 显示，Nvidia 持仓市值约 24.14 亿美元，占组合约 12.07%，持股约 1384.38 万股，位列第三大仓。这个权重和苹果 36.72%、Berkshire Hathaway B 21.91%相比仍有距离，但已经不是边缘观察。它说明在公开组合口径中，算力已经从“可看”变成“重要”。深研稿对此的表述是：Nvidia 升至第三大仓，是本次派单的核心信号；价值派拥抱 AI 不是因为 GPU 热，而是 AI 算力需求可能已经形成真实基础设施周期。

具体案例可以这样拆：当云平台和模型公司持续采购 GPU，表面上是硬件订单，底层是 AI 训练和推理能力的资本化。若客户能把这些资本开支转成搜索、广告、云服务、企业软件、自动驾驶或专业应用收入，Nvidia 的需求就有真实经济基础；若客户只是为了不掉队而堆资本开支，后续 ROI 不足，需求就可能回落。原话层面，这节仍要回到“买股票就是买公司”和“不懂不投”：研究 Nvidia 不是研究一条价格曲线，而是研究一个由芯片、软件、系统、供应链和客户资本开支共同构成的公司。

风险也必须同样具体。深研稿点名三类风险：估值、资本开支回报和竞争替代。估值风险在于市场可能已经把多年高增长提前计入；资本开支回报风险在于客户买了算力后赚不到足够钱；竞争替代风险在于云厂商自研、专用芯片、推理效率提升或其他架构削弱 Nvidia 的利润池。价值检验要求这些风险不能被“AI 大趋势”一句话盖过去。

常见误区

第一个误区，是把 Nvidia 等同于 AI 本身。Nvidia 是 AI 基础设施中的关键公司，但 AI 的价值不必然全部留在芯片层。利润会在芯片、云、模型、应用和终端之间重新分配。

第二个误区，是只看收入增长，不看客户 ROI。如果客户资本开支不能带来收入或效率，硬件需求的持续性就会受挑战。

第三个误区，是以为价值投资买 Nvidia 就说明估值不重要。恰恰相反，越是高质量高增长公司，越要谨慎检验未来现金流能否覆盖价格。

可迁移方法

研究任何“卖铲子”的 AI 公司，都可以套用本节方法。先列需求客户，再列客户赚钱方式；先看产品优势，再看替代路径；先估长期利润池，再看当前价格隐含了多高增长。最后写反证条件：如果客户 ROI 下降、订单放缓、毛利承压、替代方案成熟，基建周期判断就要降级。

小结

Nvidia 这一节教的是，价值派可以拥抱最热的 AI 算力公司，但拥抱的理由不能是热。只有当算力需求、客户回报、生态护城河和现金流能够互相验证时，“基建周期”才不是一句叙事。

本节学什么

这一节只讲云平台和平台公司，重点是 Alphabet 与 Microsoft。AI 产业链如果只停留在芯片层，价值还没有完全闭环；真正决定长期投资质量的，是 AI 能否进入搜索、广告、云、办公、开发者工具和企业软件，并转成可持续现金流。本节目标是学习如何判断平台公司不是“发布模型更快”，而是“把 AI 变现更稳”。

核心框架

云平台的 AI 价值可以拆成三张表。第一张是产品表：AI 能嵌入哪些现有产品，例如搜索答案、广告投放、云模型服务、办公助手、代码工具、数据分析和安全。第二张是变现表：客户是按订阅付费、按调用量付费、按云消耗付费，还是通过广告效率提升间接变现。第三张是护城河表：数据、分发、客户关系、开发者生态、合规能力、云基础设施和企业采购路径，是否让平台公司比独立模型公司更容易把技术变成收入。

这节与 Nvidia 的差别在于，平台公司面对的关键问题不是“有没有算力需求”，而是“AI 能不能增强既有业务”。Alphabet 的核心变量包括搜索入口、广告商业化、YouTube 与云；Microsoft 的核心变量包括 Azure、企业软件、Office、GitHub、Windows 和安全产品。段永平框架会把这些都拉回未来现金流，而不是比较谁的模型发布更快。

他怎么用(具体案例+数据+原话)

H&H 2026Q1 13F 中，Alphabet 持仓市值约 10.63 亿美元，占组合 5.31%，持股约 370.60 万股；Microsoft 持仓市值约 3.76 亿美元，占组合 1.88%，持股约 101.60 万股。两者权重不同，但都代表 AI 从芯片拉到平台层。深研稿明确写道，GOOGL 和 MSFT 把 AI 从芯片拉到平台层；关键不是谁发布模型更快，而是谁能把 AI 能力转化为搜索、广告、云、企业软件的长期现金流，并保护既有护城河。

Alphabet 的具体案例是搜索和广告。生成式 AI 可能冲击传统搜索点击，也可能提升搜索体验和广告匹配效率。价值检验不问“AI 会不会改变搜索”这种泛问题，而问改变后 Alphabet 是否仍掌握用户入口、广告主预算、数据反馈和商业化系统。如果 AI 回答减少页面点击，却能带来更高质量的商业意图和广告转化，现金流可能被保护；如果用户入口迁移、广告定价权下降，护城河就被削弱。

Microsoft 的具体案例是企业软件和云。AI 如果嵌入 Office、Teams、GitHub、Dynamics、Azure 和安全产品，变现路径可能是订阅提价、云消耗增加和企业工作流锁定。这里的关键数据不是单个发布会，而是客户采用、付费留存、云收入质量和单位经济性。原话“买股票就是买公司”在这节的含义是：不要买模型竞赛新闻，要研究平台公司把模型能力转成客户价值的制度能力。

常见误区

第一个误区，是把模型能力排行榜当作平台公司价值排序。模型能力重要，但平台公司的优势还包括分发、客户关系、数据、云资源和产品嵌入。

第二个误区，是只看 AI 收入增量，不看对原业务的侵蚀。尤其是搜索和广告，AI 既可能增强体验，也可能改变流量和商业化结构。

第三个误区，是把云增长都归因于 AI。云收入还受传统迁移、价格、客户预算、竞争和宏观环境影响，必须拆分来源。

可迁移方法

研究平台型 AI 公司时，可以用“嵌入深度”来排序：AI 是独立功能、附加功能、工作流入口，还是改变客户核心流程。越靠后，变现越可能稳定。然后用三类指标跟踪：客户是否愿意付费，使用频率是否提升，原有护城河是否被增强而非稀释。最后写反证：若 AI 增加成本却不能提高留存、价格或广告效率，平台 thesis 就要下修。

小结

云平台这一节说明，AI 的长期价值不只在训练模型，而在把能力嵌进高频工作流和既有商业系统。Alphabet 与 Microsoft 的研究重点，是 AI 能否变成长期现金流并保护护城河，而不是谁在新闻里更像赢家。

本节学什么

最后一节只讲小仓试错。AI 链很长，许多环节还处在快速变化中，价值投资者不一定只能在完全确定后才看见它，也不应该把早期观察直接写成确定重押。深研稿把 SNPS、SNOW、TEM、INOD、PLTR、CRDO 等定位为工具、数据、应用和基础设施的小仓布点。本节目标是学会读懂“小仓”的含义：它可以是学习、跟踪和试错，但不能被夸大成高信念结论。

核心框架

小仓试错有三个前提。第一，试错对象必须有真实产业位置，而不是只靠概念。CRDO 对应 AI 数据中心互连，TSM 对应先进制造，SNPS 对应 EDA 工具，PLTR 对应企业与政府数据应用，SNOW 对应数据云，TEM 对应医疗 AI，INOD 对应数据服务。第二，仓位必须与理解程度匹配。理解越少、商业模式越早、验证越不足，仓位表达就越克制。第三，小仓必须有升级和退出标准。观察不是收藏股票代码，而是跟踪哪些指标能让它从学习仓变成高信念，或者从观察池移除。

这节最容易和能力圈重复，但重点不同。能力圈讲“我是否懂”；小仓试错讲“在还没完全确定时，如何组织学习”。它是一种研究机制，不是绕过研究的借口。深研稿明确提醒，小仓 AI 公司如果无法形成现金流，“价值派拥抱 AI”的解释需要降级。

他怎么用(具体案例+数据+原话)

H&H 2026Q1 13F 中，小仓数据非常清晰。CRDO 市值约 7051.51 万美元，占 0.35%；TSM 约 5109.80 万美元，占 0.26%；PLTR 约 877.68 万美元，占 0.04%；SNPS 约 396.48 万美元，占 0.02%；CRWD 约 390.41 万美元，占 0.02%；SNOW 约 150.82 万美元，占 0.01%；TEM 约 90.44 万美元；INOD 约 38.62 万美元。相对于 200.04 亿美元组合总市值，这些仓位大多极小。把它们写成“全面重押 AI 应用”是不准确的。

具体看三个不同案例。CRDO 的观察点是 AI 数据中心高速互连，关键是带宽、功耗、客户导入和数据中心架构变化。SNPS 的观察点是 EDA，关键是 AI 芯片复杂度提升是否强化工具链需求和切换成本。TEM 的观察点是医疗 AI，关键不是模型演示，而是临床数据、医生工作流、支付方接受度和合规路径。三家公司处于完全不同的利润池，所以不能复制同一段“AI 赋能”来解释。段永平原话“不懂不投”与“买股票就是买公司”，在小仓试错中合起来就是：可以看，可以学，可以跟踪，但最终仍要回到每家公司自己的生意。

PLTR 和 SNOW 也能说明差异。PLTR 更像企业和政府场景中的数据操作系统，价值取决于客户部署深度、扩展收入和任务关键性；SNOW 更偏数据基础设施，价值取决于企业数据是否集中到其平台并通过 AI 应用提高消耗。两者都与数据有关，但一个偏应用工作流，一个偏数据云底座。若把它们写成同一种“数据 AI 公司”，就失去了研究精度。

常见误区

第一个误区，是把小仓当作确定重押。仓位极小说明它可能是观察、学习、跟踪或期权式暴露，不能自动推导为强判断。

第二个误区，是用一个统一 AI 模板解释所有小仓。EDA、互连、医疗、数据云、政府应用和数据服务的客户、毛利、周期和风险都不同。

第三个误区，是只记录买入，不记录反证。小仓试错如果没有升级条件和淘汰条件，就会变成概念收集。

可迁移方法

建立自己的小仓观察表时，每家公司只写一条主假设、三个验证指标和两个反证指标。比如互连公司看客户导入、订单持续性、毛利；EDA 公司看设计复杂度、续约率、工具链切换成本；医疗 AI 公司看临床采用、报销路径、数据质量。每季复盘一次：假设增强、维持、削弱还是证伪。没有数据支持，就不要把故事讲大。

小结

小仓试错的价值在于让研究者贴近新产业，同时保持谦逊和纪律。段永平框架下的小仓不是荐股清单，也不是主题篮子，而是能力圈扩展过程中的观察工具。真正重要的是仓位和理解匹配，叙事和数据匹配，学习和反证匹配。