AI 竞争回到每美元智能产出
本节学什么
本节只讲 Rihard Jarc 的第一性问题：AI 竞争不是简单比谁的模型榜单分数更高，也不是谁买到更多 GPU，而是回到“每美元智能产出”。深研把他的世界观概括为 Intelligence per Cost：赢家是在芯片、数据中心、模型、分发四层中最大化成本曲线优势，并把利润留在自己账上的公司。这个主题之所以放在第一节，是因为它决定了后面所有判断的单位。看 AI 新闻时，如果只问“谁技术领先”，很容易落入炫技叙事；如果改问“同样一美元能生产多少可用智能，成本下降后谁拿走收益”，新闻就会被翻译成损益表。本节不讨论具体买卖，只训练一个研究入口：把每条 AI 新闻先改写成成本曲线问题。
核心框架
Jarc 的框架有三层。第一层是单位智能成本：训练和推理不只是技术指标，而是云毛利、模型部署价格、客户采用和分发效率共同决定的经济指标。第二层是价值捕获：成本下降本身不等于利润上升，关键是下降的部分被硬件供应商、云平台、模型公司、应用入口还是终端客户拿走。第三层是账本翻译：任何技术进步都要进入收入、毛利、折旧、capex、现金流和客户留存。深研特别提醒，Jarc 不是纯半导体工程派，也不是纯宏观 AI 评论员；他把 EY 审计、ML SaaS 创业和基金 CIO 三段经历合在一起，所以会同时问利润质量、产品采用和机会成本。这个框架的边界也很清楚：它适合账算得清的资产和业务，不适合只靠远期想象支撑的叙事股。
他怎么用(具体案例+数据+原话)
最能说明这一节的是 2025 年 Google/TPU 链。深研记录的时间线是：2025-03 他写 Google 做得比市场预期好，投资者过度悲观；2025-11-17 他在 X 上提出 Google 自 2014 年起就不愿在 AI 推理上受制于 Nvidia；2025-11-24 发布 TPU 深拆；次日 The Information 曝 Meta 洽谈采用 TPU，TPU/ASIC 叙事被引爆。这里的重点不是“他提前半年知道订单”，深研反而给了诚实口径：TPU 深拆领先主流新闻引爆点只有一天，且发生在 Gemini 3 发布之后。他真正做对的是把 Gemini、TPU、GCP 毛利和 Nvidia 税算成完整账。深研里的原话式表达是：2026 年关键 AI 指标是 INTELLIGENCE per COST。TPU 重要，不是因为它酷，而是因为它可能让 Google 少交 Nvidia 税、提高 GCP 毛利、降低推理价格，并通过 Search、Workspace、Android 分发吃掉更多价值。
常见误区
第一个误区是把 Intelligence per Cost 当成低价竞争口号。Jarc 讲的是单位智能经济性，不是简单降价；如果价格下降但利用率、分发和客户粘性没有改善，利润表未必变好。第二个误区是把模型能力和商业胜负画等号。SOTA 模型可以带来注意力，但企业付费、云毛利、推理成本和分发入口才决定谁捕获利润。第三个误区是把 Google 观点误读成无条件站队。深研强调，他的 alpha 不是“看多 Google”，而是把 AI 新闻改写成会计问题；Google 只是目前更符合四层全栈假设的案例。第四个误区是忽略利益冲突。他是 New Era Funds CIO，公开强观点可能与基金持仓相关，必须把观点降级为研究假设。
可迁移方法
遇到 AI 新闻，先不要问利好谁，而是写四行：这件事让单位智能成本下降了吗；下降发生在芯片、数据中心、模型还是分发；谁为这次下降付钱；谁能把下降后的价值留在毛利或现金流里。然后设置验证点：推理价格、云利润率、旗舰模型采用的芯片、企业付费质量、分发入口的使用量。如果验证点写不出来，就不要把新闻升级成判断。这个方法也能迁移到非 AI 行业：把任何技术叙事变成“单位产出成本、价值捕获者、付款方、利润表位置”四个问题。
小结
本节的核心是把 AI 竞争的计分板从“谁最强”换成“每美元智能产出”。Jarc 的优势不是神秘消息，而是把技术、云、模型和分发合成一张经济账。合规上，所有公司都只是研究入口，不构成任何买卖建议。
四个会计问题：成本/付钱/折旧/分发
本节学什么
本节只讲四个会计问题：成本降了多少、谁付钱、谁折旧、谁分发。深研把这句话列为 Jarc 的变种认知来源，因为它能持续拆穿 AI 市场里最常见的错位：市场按“谁卖最热硬件”排序，他按“谁能把智能成本下降留在自己利润表”排序。同一条新闻，如果说某家公司采用自研芯片，普通读者会先想替代 Nvidia；Jarc 会先拆成成本、付款、折旧和分发四格。这样做不是为了让结论变复杂，而是为了防止把技术胜利误读成财务胜利。本节训练的是把每个 AI 事件放进会计分录，而不是停在标题。
核心框架
四个问题各自负责一块风险。成本降了多少，要求研究者估计芯片成本、能耗、利用率、软件栈和部署效率，而不是只看发布会性能。谁付钱，区分云厂、模型公司、企业客户、消费者和融资方；AI 基建里很多看似需求强劲的订单，本质上是未来现金流承诺。谁折旧，检查 GPU、ASIC、数据中心和网络设备的经济寿命是否短于会计年限；如果资产真实寿命更短，账面利润会被高估。谁分发，判断最终客户入口在哪里，Search、Workspace、Android、Office、AWS、Azure、GCP、社交产品或企业工作流都可能改变价值捕获。四格放在一起，才能知道技术进步是被供应商拿走、被平台留下，还是让客户获得更便宜的智能。
他怎么用(具体案例+数据+原话)
这一节的专属案例是 Jarc 对 Nvidia 税和 Google TPU 的损益表翻译。深研写得很直接：TPU 不是因为酷才重要，而是因为它可能让 Google 少交 Nvidia 税、提高 GCP 毛利、降低推理价格并通过 Search、Workspace、Android 分发吃掉更多价值。这里的四问非常清楚。成本降了多少：自研 TPU 如果承担旗舰推理负载，就可能降低对外部 GPU 的边际采购和租赁成本。谁付钱：Google 用自己的资产负债表和云资本开支支付，而不是让客户先承担全部风险。谁折旧：TPU 和数据中心折旧留在 Google 账上，因此必须看 GCP 利润率是否扩张，而不能只看芯片叙事。谁分发：Gemini 如果通过 Search、Workspace、Android 和 GCP 进入用户场景，价值捕获就不只在云租赁。深研给出的代表性时间点包括 2025-11-24 TPU 深拆和次日 Meta 洽谈采用 TPU 的新闻；它们的意义在于外部客户可能验证 TPU 不只是内部玩具。
常见误区
第一，看到成本下降就自动推导利润上升。成本下降可能被竞争性降价、客户议价、过度 capex 或低利用率吃掉。第二，把付款方和受益方混在一起。模型公司可能享受算力，但付款来自股权融资、债务或云厂补贴，风险不在同一张账上。第三，忽略折旧。GPU 或 ASIC 如果经济寿命短于会计折旧，当前利润可能看起来健康，真实现金回报却在变差。第四，把分发当成营销词。分发不是“用户很多”这么简单，而是产品入口能否把更便宜的智能转化为付费、留存或广告效率。第五，机械套用四问到所有公司。对现金流难算、产品未验证的叙事资产，四问经常会暴露信息不足，而不是直接给答案。
可迁移方法
做笔记时给每条 AI 新闻建一张四列表：成本项、付款方、折旧方、分发方。成本项写具体变量，例如芯片单价、能耗、利用率、推理价格或软件效率。付款方写经营现金流、债务、股权融资、客户预付款或云信用。折旧方写资产类别和可能经济寿命。分发方写真实触达路径和付费场景。最后加一列验证点：云毛利、capex 强度、自由现金流覆盖率、客户采用、产品使用量。这样你会发现很多新闻没有足够信息进入判断，只能保留为待验证假设。
小结
四个会计问题是 Jarc 方法的最小单位。它把 AI 新闻从热闹标题压缩成可验证账本：成本是否真的下降，谁承担风险，折旧有没有被低估，分发能不能捕获价值。所有标的只作研究案例，不作投资建议。
四层全栈：谁把成本下降留在利润表
本节学什么
本节只讲四层全栈：芯片、数据中心、模型、分发。Jarc 的全栈论不是“公司越大越好”的泛泛结论，而是一个价值捕获框架：谁占的层越多，谁越有机会少交中间税、控制成本曲线，并把智能成本下降后的利润留在自己账上。深研指出，Google 的 TPU/GCP/Gemini/Search 被他视为当前最完整的 AI 价值捕获结构；这不是单点看好某个芯片，而是把自研芯片、云平台、模型能力和分发入口放进同一张利润表。本节的主题只围绕全栈，不讨论折旧或融资分层。
核心框架
四层全栈的第一层是芯片：GPU、TPU、Trainium、ASIC、网络和内存决定单位计算成本。第二层是数据中心：电力、冷却、利用率、云服务定价和运维能力决定成本能否转化为稳定毛利。第三层是模型：Gemini、Claude、GPT、Llama 或企业够用模型决定算力被包装成什么智能产品。第四层是分发：搜索、办公软件、移动系统、云平台、社交网络和企业工作流决定用户是否触达、是否付费、是否留存。全栈公司的优势不是每层都世界第一，而是层与层之间可以内部优化：芯片为模型定制，数据中心为芯片调度，模型通过已有入口分发，价格策略又反向提高利用率。少交一层税，成本曲线就更陡。
他怎么用(具体案例+数据+原话)
专属案例是 Google 全栈。深研把他的代表判断写成：Google 的 TPU/GCP/Gemini/Search 全栈是当前最完整 AI 价值捕获结构。验证点也很具体：GCP 利润率扩张、TPU 持续支撑旗舰模型或外部客户、Gemini 能力不落后、客户接受 TPU。2025 年的时间线提供了全栈叙事的拐点：3 月他写 Google 做得比预期好；11 月 Gemini 3 后，TPU 深拆把芯片、模型和 GCP 毛利连起来；随后 The Information 报道 Meta 洽谈采用 TPU，让外部客户验证成为市场焦点。深研强调，AVGO 未必是 TPU 叙事最大价值捕获者，Google 作为全栈运营者可能捕获更多。这句话正是全栈框架的原话式核心：市场常按谁卖硬件排序，他按谁把成本下降留在利润表排序。
常见误区
第一，把全栈等同于封闭生态。全栈的关键不是排斥外部供应商，而是关键成本和分发环节能否内部协调。Google 仍可能使用 Nvidia，Amazon 仍可能买 GPU，Microsoft 仍可能依赖外部模型；问题是边际价值留在哪里。第二，把四层全占当成必胜。只要某一层显著落后，例如模型能力落后或云客户不接受自研芯片，全栈就会变成成本负担。第三，把芯片层孤立估值。ASIC 设计供应商、代工、封装都可能受益，但最大利润未必在卖铲子的一层。第四，忽略分发层。没有 Search、Workspace、Android、Office 或企业工作流，模型和芯片的经济性很难充分释放。第五，把全栈论套到所有大厂。深研提醒，他当前处在 Google/TPU 成功后扩大框架适用范围的阶段，后续要观察是否过度泛化。
可迁移方法
分析一家公司时，画四层矩阵。横轴写芯片、数据中心、模型、分发；纵轴写控制程度、成本优势、收入路径、验证指标。控制程度不只看是否自研，还看是否有规模利用率和客户需求。成本优势要落到推理价格、云毛利、能耗和利用率。收入路径要写清楚是云租赁、订阅、广告、企业软件还是内部效率。验证指标则包括 GCP/Azure/AWS 利润率、旗舰模型使用的芯片、外部客户采用、自有应用中的 AI 使用量。最后问一句：这家公司少交了哪一层税，又把省下的钱留给了谁。 补一层实操判断：全栈优势必须被外部行为验证。内部自用芯片只能说明成本控制意愿，外部客户愿意采用才说明产品化能力；自有分发入口只能说明触达能力，付费和留存改善才说明价值捕获。
小结
全栈框架解释的是价值捕获，不是大公司崇拜。Jarc 看 Google/TPU 的独特处在于把芯片、云、模型、分发四层合并计算，而不是单看 TPU 新闻。合规上，本节只讨论研究方法和产业结构，不构成任何标的建议。
会计透镜：GPU 折旧是利润真假核心
本节学什么
本节只讲会计透镜里的 GPU 折旧。Jarc 的审计背景让他对利润质量和折旧政策特别敏感。AI 资本开支周期中，GPU、网络、服务器和数据中心资产表面上可以按会计年限折旧，但真实经济寿命可能被技术迭代、模型效率、客户迁移和租赁价格下降压短。深研把一句金句式判断写得很清楚：GPU 折旧不是会计小题，而是 AI 利润真假的核心。本节不讨论全栈价值捕获，也不讨论资金来源，只问一件事：账面折旧是否低估了真实资产消耗。
核心框架
折旧问题要拆成四个层次。第一是会计年限：公司按几年折旧 GPU 和服务器，影响当期利润。第二是真实经济寿命：新一代 GPU、ASIC 或模型效率是否让旧卡租金下降、利用率下降或客户转移。第三是残值与再部署：旧卡是否还能用于低端推理、内部负载、训练补充或二级市场。第四是收入匹配：资产折旧速度是否与客户合同、租赁价格和云收入匹配。若会计折旧慢于经济折旧，利润表会显得好看，但自由现金流和再投资压力会暴露问题。Jarc 的方法不是凭感觉说泡沫，而是把 GPU 资产放入折旧表、利用率表和租赁价格表里检查。
他怎么用(具体案例+数据+原话)
专属案例是 2025-10《Too Much AI, Too Soon》。深研记录，他在这篇文章中减仓并警告 GPU 折旧、OpenAI capex 与融资结构。这个节点很重要，因为它显示他并非只会为 AI 基建辩护；当资产周转、融资承诺和折旧压力变得不清晰时，他会降低风险权重。深研对其代表判断的表述是：GPU 经济寿命可能短于会计折旧。推翻条件也明确：如果旧卡持续高利用率，GPU 折旧论就会被证伪。也就是说，他不是先验认为所有 GPU 都会快速报废，而是要求用利用率、租赁价格、客户合同和云利润验证。这里的原话式表达可以概括为“折旧不是会计小题”。折旧年限如果错了，AI 利润、neocloud 回报、模型公司算力成本和云厂 capex 回收期都会被错估。
常见误区
第一，把折旧看成财务脚注。AI 资产太重，折旧直接决定利润质量和现金回报，不是后排小数字。第二，把新卡发布等同于旧卡失效。旧 GPU 可能继续服务低端推理或内部任务，关键要看价格、利用率和能耗，而不是只看性能榜。第三，把所有持有 GPU 的公司放在同一风险桶。现金流强、内部负载稳定、分发能力强的 Big Tech，与依赖外部融资和租赁价格的 neocloud，折旧风险不同。第四，只看会计利润，不看自由现金流。折旧拉长可以抬高利润，但无法消除真实再投资需求。第五，把 Jarc 的折旧警告解读为永久看空 AI。深研显示，他 2026-02 又为 Big Tech 云 capex 辩护，说明他按资产负债表和资金来源分层，而不是一刀切。
可迁移方法
建立 GPU 折旧检查表：资产购置时间、芯片代际、会计折旧年限、预计经济寿命、当前利用率、租赁价格趋势、客户合同期限、可再部署场景、残值假设。然后问两个验证问题：旧卡在新一代产品出来后是否仍有稳定负载；单位收入是否足以覆盖折旧、电力、维护和资本成本。对于云厂，还要看云利润率是否扩张；对于 neocloud，要看客户集中度、GPU 抵押债务和租赁续约；对于模型公司，要看算力承诺是否超过可见收入。折旧分析的目标不是制造恐慌，而是识别利润表是否把资产消耗讲得太慢。
小结
会计透镜让 AI 基建从故事回到账本。Jarc 的折旧框架提醒我们：GPU 是否赚钱，不只取决于买到多少卡，还取决于这些卡几年内被谁使用、以什么价格使用、折旧是否匹配真实经济寿命。本节不构成投资建议。
资金来源分层：同一美元 capex 不同风险
本节学什么
本节只讲资金来源分层：同一美元 capex，因为资金来源不同，风险完全不同。深研记录了一个表面上看似矛盾的演化：Jarc 在 2025-10《Too Much AI, Too Soon》中谨慎，减仓并警告 GPU 折旧、OpenAI capex 和融资结构；到 2026-02 又为 Big Tech 云 capex 辩护。按标题看像翻面，按资金来源分层看是同一框架。现金流自给的 Big Tech capex，和债务、股权、GPU 抵押或循环融资驱动的 capex，不应放进同一个泡沫篮子。本节只拆这件事。
核心框架
资金来源分层有四类。第一类是经营现金流自给：Big Tech 用搜索、广告、云、软件或电商现金流支付 AI 数据中心，风险在于回报率下降，但不一定立刻引发融资压力。第二类是债务融资：企业或 neocloud 用借款购买 GPU，风险来自利息、再融资和租赁价格波动。第三类是股权融资：模型公司用高估值融资换算力承诺，风险是稀释和未来收入兑现。第四类是 GPU 抵押或循环交易：资产、客户、供应商和融资方互相绑定，表面需求可能被融资结构放大。Jarc 的关键不是判断 capex 多或少，而是判断这笔钱从哪里来，几年收回，现金流覆盖率是否足够。
他怎么用(具体案例+数据+原话)
专属案例是 OpenAI/Anthropic、neocloud 与 Big Tech capex 的分层。深研列出的代表判断是：AI capex 不能一刀切泡沫；现金流自给的 Big Tech capex 可能是护城河投资，GPU 抵押、债务、循环融资驱动的 neocloud 和模型公司承诺则风险高。验证指标包括云利润率、自由现金流覆盖率、GPU 租赁利用率和客户集中度。2025-10 的谨慎并不是否定所有 AI 建设，而是针对“Too Much AI, Too Soon”情境下的融资结构、GPU 折旧和 OpenAI capex 压力。2026-02 为 Big Tech 云 capex 辩护，也不是无条件乐观，而是认为现金流自给和分发平台能改变同一美元 capex 的风险权重。深研的原话式金句是：资金来源不同，同一美元 capex 风险完全不同。
常见误区
第一，用 capex 绝对额判断泡沫。大额支出可能是护城河建设，也可能是融资驱动的过度扩张；关键看现金流覆盖和回收路径。第二，把 Big Tech 与 neocloud 混为一谈。前者有既有利润池、客户入口和内部负载，后者可能高度依赖少数客户、租赁价格和再融资。第三，忽略客户集中度。GPU 利用率如果来自单一模型公司或循环交易，稳定性弱于多客户云负载。第四，把融资承诺当收入。股权融资和债务能支付 capex，但不能证明终端需求。第五，只看公司口径，不看资产负债表。Jarc 的分层要求同时检查经营现金流、自由现金流、债务期限、抵押品和租赁合同。
可迁移方法
给每笔 AI capex 建资金来源表：经营现金流、债务、股权、供应商融资、GPU 抵押、客户预付款分别占多少。再建回收表：收入来源、毛利率、合同期限、利用率、客户集中度、折旧年限。最后写反证条件：云利润率不再扩张，自由现金流无法覆盖 capex，GPU 租赁利用率下降，客户续约弱，融资成本上升。这个方法能迁移到电力、数据中心、半导体设备和新能源等重资产行业。不要问“支出大不大”，要问“谁掏钱，靠什么还，资产几年失效”。 再加一个区分点：融资结构还会改变管理层行为。现金流自给者可以在短期需求波动时继续优化基础设施；高杠杆或抵押融资者更容易被租金下滑、客户延期和再融资窗口逼迫降价。Jarc 对这一点敏感，是因为他把 capex 当成资产负债表承诺，而不是发布会口号。 这也是为什么同样的 GPU 订单，在不同买方账上含义不同：有的代表可持续服务能力，有的只是未来收入的高杠杆押注。
小结
资金来源分层解释了 Jarc 看似前后不同的 capex 观点。不是所有 AI 支出都是泡沫，也不是所有现金流强公司的支出都安全；差异在资产负债表、现金流覆盖、客户质量和折旧匹配。合规上，本节只提供风险分析框架。
另类数据预验证 + 价值捕获重排序
本节学什么
本节只讲另类数据预验证和价值捕获重排序。Jarc 的信息优势不是独家内幕，而是三方对账：技术参数、财报利润、产品采用放到同一张表。深研特别写到，他按“谁能把智能成本下降留在自己利润表”排序，而不是按“谁卖最热硬件”排序。这样会得出与市场直觉不同的结果：AVGO 未必是 TPU 叙事最大价值捕获者，Google 作为全栈运营者可能捕获更多；OpenAI/Anthropic 模型能力强，但资金来源和成本结构可能限制价值捕获。本节不重复四层全栈，而是讲如何用数据和采用信号给价值链重新排序。
核心框架
预验证有三类信号。第一类是产品采用：开发者、企业客户、云客户是否真的使用某个模型、芯片或平台。Jarc 的 ML SaaS 创业经历让他重视开发者和客户摩擦，因为真实部署比发布会更难。第二类是财务对账：云利润率、capex、毛利、自由现金流是否支持技术叙事。第三类是叙事排序：市场通常把硬件销售额、订单新闻和供应链热度排在前面，他会重新问价值最终留给谁。重排序不是反硬件，而是区分“收入增长”和“利润捕获”。一个公司可能卖出关键部件，却把大部分经济价值让给全栈运营者；另一个公司可能支付硬件成本，却通过云、广告或企业软件回收更多。
他怎么用(具体案例+数据+原话)
专属案例是 AVGO 与 TPU 叙事的价值捕获差异。2025-11 TPU/ASIC 叙事引爆后，市场自然会关注 ASIC 设计和供应链受益者。深研给出的 Jarc 式判断却更细：ASIC 设计方当然可能受益，但深研提醒，TPU 价值链的更大捕获者可能是拥有云、模型和分发的运营方。原因不是部件供应商不重要，而是 Google 同时控制 TPU 使用场景、GCP 毛利、Gemini 部署和 Search/Workspace/Android 分发。另一组可用案例是企业 AI 价值从 SOTA 模型层转向编排、数据上下文和分发平台。深研写到，hyperscalers 可能成为企业 AI gatekeeper，SOTA 模型不会长期吃掉所有经济任务，企业会转向编排和够用模型。验证点包括 Office、Workspace、ServiceNow、CRM 等企业工作流中的 AI 采用和付费质量。
常见误区
第一，把最热供应商等同于最大利润捕获者。硬件热度可以带来收入，但利润池可能转移到云平台、分发入口或应用层。第二，把产品发布当采用。Gemini、TPU、Trainium、企业 AI 功能都必须看真实负载、外部客户和付费质量。第三，把 SOTA 能力当永久护城河。模型领先如果不能转化为低成本部署、企业集成和分发入口，价值捕获会被平台层吸走。第四，忽略 Jarc 的数据来源边界。深研提醒他不是亚洲供应链一手派，TPU/Trainium 技术细节需要 Dylan Patel/SemiAnalysis 等交叉验证。第五，把重排序当荐股。它只是研究价值链的方法，不代表任何标的买卖结论。
可迁移方法
做价值链重排序时，先列出所有参与者：硬件供应商、ASIC 设计、云平台、模型公司、应用入口、企业软件、终端客户。然后给每一方填四列：收入弹性、毛利弹性、资本投入、分发控制。再用采用数据预验证：开发者是否迁移，企业是否付费，云客户是否接受自研芯片，产品使用量是否提高，工作流是否形成粘性。最后写“价值可能从哪里转移到哪里”：从 SOTA 模型到编排，从硬件部件到全栈平台，从融资驱动需求到现金流自给需求。这个练习能防止只追热点链条。 这一节还要注意“预验证”的时间顺序。采用信号通常早于完整财报，但晚于市场叙事；因此它既不是内幕，也不是最终答案。比如企业 AI 编排的线索可以先从产品集成、客户试点和付费套餐看到，但最终仍要回到收入留存、席位扩张和云毛利。
小结
Jarc 的重排序能力来自三方对账：技术、财报、采用。它提醒我们，AI 价值链里最显眼的收入不一定等于最终利润池；谁控制分发、成本和客户场景，谁才可能把智能成本下降留在账上。本节不构成投资建议。
有效域检查：叙事股慎用(PINS/COIN 教训)
本节学什么
本节只讲有效域检查：什么时候该用 Jarc，什么时候要降权。深研对他的评价很平衡：在账算得清的 AI 基建和 Big Tech 上，他的会计透镜、全栈框架和资金来源分层很强；在 PINS、Coinbase 这类叙事驱动、现金流难算的标的上，历史上失手较多。使用一个研究者最危险的方式，是只记住他的成功案例而忘记工具边界。本节的目标是把 Jarc 的观点从“可直接相信”降级为“可验证假设”，并学会写论点撤销条件。
核心框架
有效域检查有四步。第一，判断问题是否适合他的工具：是否能落到成本、付款、折旧、分发、现金流和采用数据；如果只能讲愿景和 TAM，就要降权。第二，检查利益冲突：他既是研究者又是 New Era Funds CIO，公开观点可能与基金持仓和研究产品营销相关。第三，检查信息源边界：他没有亚洲供应链一手网络，不是 fab 或封装厂现场派，芯片技术参数依赖公开资料、专家访谈和财报推演。第四，写撤销条件：如果 GCP 利润率不扩张、TPU 未支撑旗舰负载或外部客户、Trainium 无法规模化、Big Tech capex 回报恶化、旧 GPU 持续高利用率证伪折旧论，就要降低相关观点权重。
他怎么用(具体案例+数据+原话)
专属案例是 2021 年 PINS 与 Coinbase。深研记录，2021-02 Value Hive 播客中，他公开看多 Pinterest，称其为第一大重仓，并讨论 ARPU 货币化、AR 想象空间；随后 PINS 从高位大幅回落，核心论点多年未兑现。Coinbase “next FAANG”文章原文现已 404，只能按二手索引记录，但若以内涵标题计，随后 COIN 大幅回撤，论点明显受挫。这两个案例说明，他的审计和成本曲线框架在可核现金流资产上更有效，在叙事成长股上容易过度相信未来想象。深研给出的纪律非常关键：先判断问题是否适合他的工具。也就是说，使用 Jarc 不是复制他的结论，而是先问这家公司有没有可验证账本。
常见误区
第一，只看 Google/TPU 封神案例，忽略 PINS/COIN 伤疤。一个研究者的方法必须同时解释成功和失败。第二，把 CIO 身份当权威背书。CIO 说明他要对组合负责，也说明公开观点可能有持仓绑定和营销激励。第三，把叙事股硬套会计框架。现金流还没成形、产品采用模糊、商业模式未验证时，四问可能给不出答案；这不是框架失败，而是研究对象不合格。第四，把撤销条件写得太晚。等市场已经给出结果再找理由，无法形成纪律。第五，忽略技术交叉验证。TPU、Trainium、GPU、ASIC 细节需要供应链和工程派资料校准。
可迁移方法
建立“观点使用卡”。第一栏写 Jarc 的公开立场；第二栏写适用工具，是全栈、折旧、资金来源还是采用数据；第三栏写证据来源，是 UncoverAlpha、X、播客、财报还是第三方专家；第四栏写利益冲突提示；第五栏写验证指标；第六栏写撤销条件。每个季度复盘一次，把观点分成已验证、待观察、被证伪、超出能力圈四类。对叙事资产，要求更高的现金流和客户采用证据；对 Big Tech，也不能因为账算得清就取消反证条件。 有效域检查还要求记录“没有答案”的情况。若一家公司没有稳定收入、没有可观察客户、没有折旧或现金流数据，研究者应承认暂时不能用 Jarc 框架下结论。克制本身就是方法的一部分：宁可把观点留在观察区，也不要把叙事包装成账本。 对读者来说，最实用的动作是把每条强观点旁边写上“不适用条件”，让边界和结论同时出现。
小结
有效域检查是使用 Jarc 的最后一道风控。他最值得学的是把 AI 叙事翻译成损益表，但这套工具不是万能钥匙。PINS/COIN 教训提醒我们：先判断问题是否适合工具，再谈结论。所有内容均为研究方法，不是证券买卖建议。
本页整理 Rihard Jarc 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。
