Rihard Jarc 的认知框架 · 思想体系

信念一：AI 新闻先改写成四个会计问题

深研对 Jarc 的 alpha 有一句关键判断：他的 alpha 不是“看多 Google”，而是把每个 AI 新闻改写成四个会计问题：成本降了多少、谁付钱、谁折旧、谁分发（来源：§15）。这就是他的第一条信念。比如市场看到 TPU 可能只想到 AVGO 的 ASIC 受益、NVDA 的竞争压力或 Google 的技术炫耀；Jarc 会继续拆：TPU 是否降低 Gemini 服务单位成本，是否减少外购 GPU 毛利税，是否让 GCP 以更好价格服务客户，是否能通过 Search、Workspace、Android 把低成本智能分发到既有用户流量里。只有答案能进入损益表，技术叙事才算完成。

信念二：全栈者少交一层税

深研写到，他的世界观包含全栈垂直整合，并把 Google 的 TPU/GCP/Gemini/Search 称作当前最完整 AI 价值捕获结构之一（来源：§2、§13）。这里的“全栈”不是笼统赞美大公司，而是价值链上的税负问题。若一家公司只在模型层强，它仍要向云、GPU、网络、分发交钱；若一家公司同时拥有芯片、数据中心、模型和分发，每一层成本下降都更可能留在自己的利润表。Jarc 因此会得出与硬件热度排序不同的结论：AVGO 可能是 TPU 叙事的重要受益方，但 Google 作为全栈运营者未必捕获更少；NVDA 硬件强，但对自研芯片和分发闭环玩家的有效域需要单独评估（来源：§15）。

信念三：同一美元 CapEx 风险完全不同

深研把“资金来源分层”列为他的核心框架：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（来源：§4、§11、§13）。这解释了他 2025-10《Too Much AI, Too Soon》减仓并警告 GPU 折旧、OpenAI capex 与融资结构，2026-02 又为 Big Tech 云 capex 辩护的表面矛盾（来源：§11、§14）。在他的信念里，不是所有 AI 支出都叫泡沫，也不是所有资本开支都值得鼓掌；关键是钱从经营现金流、股权、债务还是 GPU 抵押中来，未来现金回报由谁兑现。

信念四：GPU 折旧不是会计小题

Jarc 从审计训练出发，把 GPU 经济寿命和会计折旧年限放在 AI 利润真实性的中心。深研列出他的 checklist：折旧年限是否低估真实经济消耗，GPU 经济寿命可能短于会计折旧，旧卡持续高利用率则可能证伪 GPU 折旧论（来源：§6、§7、§12、§18）。这条信念能把“AI 火热”改写成更尖锐的问题：如果算力资产很快被新卡或 ASIC 代际替换，账面利润可能高估真实经济利润；如果旧卡仍被长期高利用，折旧焦虑就应降权。

信念五：企业 AI 不会只由 SOTA 模型层吃掉

深研总结其未来判断：企业 AI 价值会从 SOTA 模型层转向编排、数据上下文和分发平台，hyperscalers 可能成为企业 AI gatekeeper（来源：§13）。这不是否定前沿模型，而是认为企业实际购买的是工作流结果、权限、数据连接、可靠性和分发，而不只是榜单上最强模型。验证对象因此变成 Office、Workspace、ServiceNow、CRM 等企业工作流中的 AI 采用和付费质量，而不是只看模型发布会。

第一步：先定义产业命题

深研给出的完整链路从“先定义产业命题”开始，例如 TPU 是否改变 AI 推理成本（来源：§4）。具体做法不是先找受益股票，而是把问题写成可验证命题：推理时代是否从追求最强模型转向单位智能成本；Google 的自研 TPU 是否能持续支撑旗舰模型和外部客户；Big Tech 的 capex 是否由自由现金流覆盖；neocloud 的 GPU 租赁是否依赖客户集中和融资滚动。命题写清后，才进入标的、财报和新闻验证。案例是 Google/TPU：他并未只说“Google 好”，而是把 TPU 与 GCP 毛利、Gemini 成本、Search/Workspace/Android 分发和 Nvidia 税放在同一张账上（来源：§4、§9）。

第二步：拆四层全栈

第二步是把公司拆成芯片、数据中心、模型、分发四层（来源：§4、§6）。执行时，可以为每家公司打表：GOOGL 是否拥有 TPU、GCP、Gemini、Search/Workspace/Android；AMZN 是否拥有 Trainium、AWS、Anthropic 相关合作和企业客户入口；MSFT 是否通过 Azure、OpenAI、Office 和企业身份体系参与；META 是否是巨大算力消费方，并拥有社交分发和数据中心 footprint。Jarc 关心的是“占几层”以及成本下降后谁捕获价值，而不是只看一条新闻表面利好谁。

第三步：用会计透镜重算利润与折旧

第三步来自他的审计背景：重算利润质量、折旧年限和资产消耗（来源：§1、§4、§6）。具体问题包括：GPU 或 ASIC 的经济寿命是否短于会计折旧；云毛利改善是否来自规模、价格、芯片自研还是会计口径；GCP、Azure、AWS 的利润率是否真的随 AI 负载改善；外购 GPU 的高毛利税是否被自研芯片替代。这里的案例是 TPU：若 TPU 让 Google 少交 Nvidia 税，降低 Gemini 服务单位成本，并改善 GCP 推理毛利，那么它就是损益表变量，而不是技术爱好者话题（来源：§4、§13、§15）。

第四步：分资金来源，拒绝把 AI CapEx 一刀切

第四步是资本来源分层（来源：§4、§13）。同样是 AI capex，经营现金流自给的 Big Tech 和债务、股权、GPU 抵押或循环融资驱动的模型公司、neocloud 风险不同。执行时，应看自由现金流覆盖率、债务结构、客户集中度、GPU 租赁利用率、算力承诺是否依赖未来融资。案例是 2025-10 与 2026-02 的对账：他在《Too Much AI, Too Soon》中警告 GPU 折旧、OpenAI capex 和融资结构，之后又为 Big Tech 云 capex 辩护；深研认为表面摇摆，按资金来源看其实是同一框架在不同资产负债表上得出不同结论（来源：§11、§14）。

第五步：用另类数据和采用信号预验证

第五步是开发者、企业采用、客户迁移、专家访谈和第三方数据交叉验证（来源：§4、§6、§8）。例如 TPU/Trainium 不能只看发布会，还要看旗舰模型是否继续使用、外部客户是否接受、企业推理价格是否下降、GCP/AWS 增速和利润率是否改善。深研还建议用 Dylan Patel/SemiAnalysis 等供应链研究交叉验证 TPU/Trainium 技术细节，因为 Jarc 不是 fab/封装厂现场派（来源：§14）。

第六步：公开写作、留时间戳、回测

最后一步是把研究写成 UncoverAlpha 深拆和 X 短评，留下时间戳，再用财报和市场事件回测（来源：§4、§8、§9）。封神样本是 2025 年 Google/TPU 链：2025-03 写 Google 做得比预期好、投资者过度悲观；2025-11-17 在 X 上提出 Google 自 2014 年起不愿在 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，叙事被市场重估（来源：§9）。

能力圈：账能算清的 AI 基建

深研明确列出 Jarc 的能力圈：AI 算力链、GPU vs ASIC、TPU/Trainium、Big Tech 云资本开支、GCP/Azure/AWS 利润率、AI 融资结构、SaaS 被 AI 拆解、内存和 CPU 等算力配套变量（来源：§5）。这些主题有共同特征：它们都能被放进成本曲线、资本开支、折旧、云毛利和采用数据中验证。Jarc 最强的不是“知道某条产线今天排到哪”，而是把芯片、数据中心、模型、分发和会计利润放进一张表。比如他看 GOOGL，不只看 Gemini 能力，还看 TPU 是否支撑旗舰模型、GCP 利润率是否扩张、Search/Workspace/Android 是否能分发 AI；看 AMZN，不只看 AWS 规模，还看 Trainium 是否外部化、Anthropic 相关负载是否增加；看 META，不只看 capex 压力，还把大规模自有算力视为 compute shortage 下的战略库存可能（来源：§12、§13）。

能力圈中的独特位置：财务-产品-叙事对账派

深研将他与 Dan Nystedt、Dylan Patel 对比：Nystedt 更像低观点事实流，Dylan Patel 更接近供应链一手派，而 Jarc 是观点和财务模型驱动的“财务-产品-叙事对账派”（来源：§3、§8）。这解释了他的阅读价值。他不会只给一个新闻摘要，而是问新闻如何改变成本结构；也不会只给一组芯片参数，而是问参数能否转化为客户采用和利润留存。对中文产品来说，他适合被做成“AI 账本速递”：每条都包含公开立场、框架推断、验证条件和利益冲突提示（来源：§19）。

边界一：缺少亚洲供应链一手网络

深研直接写到，他没有亚洲供应链一手网络，不是 fab/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（来源：§5、§14）。这意味着涉及 CoWoS、HBM、封装良率、晶圆排产、真实交期、供应商份额时，Jarc 的观点必须与供应链研究交叉验证。若他认为 TPU/Trainium 具有成本优势，仍要用 SemiAnalysis、Dylan Patel 或其他技术资料检查软件栈、互连、规模化、客户迁移成本等细节。

边界二：叙事股历史失手，PINS 和 Coinbase 是样本

深研把 2021 年 PINS 与 Coinbase 列为主要滑铁卢。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，论点受挫（来源：§10）。这说明他的框架在现金流、折旧、capex 和云利润率可核的资产上更有效；在未来想象很重、当期现金流难算的平台叙事上，容易过度相信远期空间。

边界三：CIO 身份与公开研究产品相互缠绕

深研提醒，他既是研究者又是基金 CIO，公开强观点可能与基金持仓绑定；Newsletter 同时是研究产品和品牌营销（来源：§3、§14）。因此引用他的观点必须标明利益冲突提示。使用他的正确方式，是把标的观点降级为研究假设，再用财报、现金流、折旧、客户采用验证，而不是把高信念语气当成买卖建议（来源：§7）。

变种认知：不按硬件热度排序，按利润留存排序

深研对 Jarc 的变种认知写得很清楚：市场常把 AI 链按“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（来源：§15）。这会产生与共识不同的 alpha 来源。硬件热度排序下，投资者容易直接寻找 GPU、ASIC 设计、内存、封装等显性供应商；Jarc 的排序会继续问，硬件降本之后的经济利益被谁拿走。若 Google 自研 TPU 降低推理成本，并通过 GCP、Gemini、Search、Workspace、Android 把智能分发给客户和用户，那么 Google 这个全栈运营者可能捕获的价值不只是“芯片替代”本身。AVGO 仍可能重要，但未必是 TPU 叙事的最大价值捕获者（来源：§15）。

Alpha 一：把“少交 Nvidia 税”翻译成云毛利和价格武器

Jarc 反复强调自研芯片的意义，不是为了证明 NVDA 不强，而是为了计算垂直整合者在特定负载上能否少交一层外部毛利税。深研写到，TPU 可能让 Google 少交 Nvidia 税、提高 GCP 毛利、降低推理价格并通过分发吃掉更多价值（来源：§4）。这就是第一个 alpha 来源：当市场只讨论 GPU 是否短缺时，他会计算某些 Big Tech 是否能通过 ASIC 改变长期单位经济。它不是对 NVDA 的简单否定；深研也写到，NVDA 的护城河真正来自 CUDA、Mellanox、整柜交付，且对垂直整合者有效域不同（来源：§15）。

Alpha 二：资金来源比 CapEx 绝对额更重要

第二个来源是“同一美元 capex 风险完全不同”。深研把现金流自给的 Big Tech capex 与 GPU 抵押、债务、循环融资驱动的 neocloud 和模型公司承诺区分开（来源：§13、§15）。市场在 AI 泡沫讨论中常用一个词概括所有资本开支，Jarc 会拆成资产负债表问题：这笔钱能否由现有业务现金流覆盖，未来收入是否已经有客户承诺，GPU 租赁是否依赖高利用率，模型公司是否用融资承诺滚动算力承诺。由此，他能同时警惕 OpenAI/Anthropic 相关融资压力，又为某些 Big Tech 云 capex 辩护（来源：§11、§13）。

Alpha 三：把“企业 AI”从模型榜单移到工作流入口

深研写到，他近期观点已强调 hyperscalers 可能成为企业 AI gatekeeper，企业 AI 价值会从 SOTA 模型层转向编排、数据上下文和分发平台（来源：§13）。这意味着 alpha 不只在最强模型上，而在谁拥有企业身份、权限、文档、工作流、云和分发。Office、Workspace、ServiceNow、CRM 等场景中的采用和付费质量，可能比某次模型 benchmark 更能解释价值捕获。Jarc 的创业经历让他更敏感于开发者和客户采用的真实摩擦，而不是只看发布会性能（来源：§1、§4）。

Alpha 四：把错误框架从适用域中剔除

他的另一个独特之处是承认工具有边界。PINS、Coinbase 教训说明，叙事成长股若缺少可核现金流和成本账，他的框架容易失灵（来源：§10）。因此真正可复用的 alpha 不是“永远跟随他看多的公司”，而是先问问题是否适合他的工具：能否看到折旧、现金流、云利润率、客户采用、资金来源、价值链层级。如果不能，就降低权重。这种有效域检查本身，就是防止研究者被漂亮叙事拖走的 alpha。

主战场：2025 年 Google/TPU 链

深研把 Jarc 的封神段位明确定位为 2025 年 Google/TPU 链（来源：§9）。这场战不是单点喊对，而是由多个时间戳组成的“拐点综合能力”样本。2025-03，他写 Google 做得比预期好、投资者过度悲观；2025-11-17，他在 X 上提出 Google 从 2014 年起就不愿在 AI 推理上受制于 Nvidia；2025-11-24，他发布 TPU 深拆；次日 The Information 曝 Meta 洽谈采用 TPU，TPU/ASIC 叙事被引爆，GOOGL、AVGO 等相关叙事被市场重估（来源：§9）。深研给出的诚实口径也很重要：TPU 深拆领先主流新闻引爆点只有一天，且在 Gemini 3 发布之后；他不是提前半年拿到订单的人，而是在叙事即将主流化的窗口，把 Gemini、TPU、GCP 毛利、Nvidia 税算成完整账的人（来源：§9）。

2025-03：先逆市场悲观，重估 Google 的全栈条件

第一段发生在 2025-03。当时深研记录他写 Google 做得比预期好、投资者过度悲观（来源：§9）。这一步不是“封神”的高潮，却是后续 TPU 叙事的底座：他先把 Google 放回全栈价值捕获框架中，而不是只看搜索被 AI 冲击的恐惧。按照他的逻辑，Google 同时拥有芯片、数据中心、模型和分发，如果 Gemini 能力、TPU 成本曲线和 GCP 利润率能互相印证，那么市场只盯搜索风险就可能错过 AI 成本结构改善。结果是，后续 TPU 新闻出现时，他已有一套完整账本解释为什么这不是孤立技术新闻。

2025-11-17：用历史投入解释战略意图

第二个时间点是 2025-11-17。深研写到，他在 X 上提出 Google 2014 年起就不愿在 AI 推理上受制于 Nvidia（来源：§9）。这句话的价值在于把 TPU 从短期供应替代，改写成十年战略选择。若 Google 长期投资 TPU，不只是为了某一代芯片参数，而是为了在推理时代控制单位智能成本，那么 TPU 的意义会穿过硬件层，影响云毛利、模型服务成本和分发价格。这个观点也为他后续 2025-11-24 深拆铺垫了历史连续性。

2025-11-24 与次日结果：深拆撞上新闻引爆点

第三个时间点是 2025-11-24，他发布 TPU 深拆；次日 The Information 曝 Meta 洽谈采用 TPU，TPU/ASIC 叙事引爆，GOOGL、AVGO 等相关叙事被市场重估（来源：§9）。这场战的结果不是证明他掌握内幕，而是证明他能在主流市场刚要重新定价前，把分散线索合成一个可交易叙事：Gemini 3 之后的模型能力、TPU 的推理成本优势、GCP 毛利改善可能、Nvidia 税、Meta 外部需求和 ASIC 生态。深研称这叫“拐点综合能力”（来源：§9）。

为什么不是简单 Google 粉丝

封神之战最容易被误读成“他看多 Google 很准”。深研明确提醒：只有研究透他才知道，他并不是“Google 粉丝”这么简单；核心动作是把技术叙事翻译成损益表（来源：§4）。如果 TPU 后续未继续支撑旗舰模型、外部客户不接受、GCP 利润率不扩张，或 Gemini 能力落后，他的相关论点都应被降权（来源：§7、§13）。所以这场战的可学之处，不是跟随某个标的，而是学习如何把日期、新闻、财报、产品能力和价值捕获放在一条证据链中。

风险一：Google 浓度和持仓激励

深研把最大争议定义为 Google 浓度和持仓激励：Jarc 既是研究者又是 CIO，公开强观点可能与基金持仓绑定；Newsletter 同时是研究产品和品牌营销（来源：§3、§14）。这不是说他的观点因此无效，而是要求读者引用时必须加利益冲突提示。尤其当他对 GOOGL、META、MSFT、AMZN 等标的表达强观点，甚至公开提及自己增加 META 头寸时，研究锐度和持仓绑定会同时存在（来源：§3）。正确处理方式是把观点降级为研究假设，另用财报、现金流、折旧、客户采用和第三方资料验证。

风险二：2025-10 谨慎与 2026-02 辩护容易被读成翻面

深研指出，2025-10《Too Much AI, Too Soon》公开减仓并警告 GPU 折旧、OpenAI capex 与融资结构；2026-02 又为 Big Tech 云 capex 辩护，读者容易觉得翻面（来源：§11、§14）。按他的资金来源分层框架，这两者可以自洽：债务、GPU 抵押、循环融资和模型公司算力承诺风险更高；现金流自给的 Big Tech capex 可能是护城河投资。但深研也批评其自我对账不够显性（来源：§14）。风险在于，如果读者只看结论，不看“钱从哪里来”，就会把同一框架误读成情绪摇摆。

风险三：缺少供应链一手导致技术细节需交叉验证

深研反复提示，他没有亚洲供应链一手网络，不是 fab/封装厂现场派；TPU/Trainium 技术细节需 Dylan Patel/SemiAnalysis 交叉验证（来源：§5、§14）。因此，他关于 ASIC、TPU、Trainium、NVDA 护城河的判断，适合做财务和价值捕获框架，不适合单独作为供应链结论。比如“多数大厂 ASIC 难活，TPU 和 Trainium 最有生存概率”是一个产业判断（来源：§12），但要落到具体产能、封装、内存、软件迁移成本，还需要更底层资料。

风险四：叙事资产中曾高估未来兑现

PINS 与 Coinbase 是必须记住的边界样本。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，但若按标题内涵计，随后 COIN 大幅回撤，论点明显受挫（来源：§10）。这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远期想象。

风险五：全栈论成功后可能外推过度

深研判断，他当前处在“Google/TPU 成功后扩大框架适用范围”的阶段，后续需要观察是否过度把全栈论套到所有问题上（来源：§11）。全栈优势是真实变量，但不是所有市场都由全栈者赢，也不是所有自研芯片都能规模化。若 GCP 利润率不再扩张、TPU 未继续支撑旗舰模型或外部客户、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焦虑，都应降低其相关观点权重（来源：§7）。

1. 把 AI 新闻改写成“四问卡片”

最可复用的第一件事，是把任何 AI 新闻改写成 Jarc 的四个会计问题：成本降了多少、谁付钱、谁折旧、谁分发（来源：§15、§17）。例如看到 TPU、Trainium、GPU、模型发布、云 capex 或企业 AI 产品，不先问“利好谁”，而是写一张卡片：这条新闻改变的是芯片成本、数据中心利用率、模型服务成本、云毛利，还是用户分发；付钱方是 Big Tech、模型公司、企业客户还是 neocloud；折旧资产是谁的；成本下降后的价值由供应商、云、模型层还是应用入口捕获。这个动作能把新闻消费从情绪反应变成损益表训练。合规上，卡片只做研究入口，不给买卖建议或目标价。

2. 做“资金来源分层表”，不要一刀切 AI CapEx

第二件可学的是资金来源分层。深研总结他的判断：现金流自给的 Big Tech capex 与债务、股权、GPU 抵押、循环融资驱动的 neocloud 和模型公司承诺风险完全不同（来源：§13、§15）。实际做法可以建一张季度表：公司、capex 绝对额、自由现金流覆盖率、债务变化、客户集中度、GPU 租赁利用率、云利润率、合同是否依赖未来融资。这样就能解释为什么同样是 AI 支出，有的可能是护城河投资，有的可能是资产负债表风险。也能避免把 Jarc 2025-10 谨慎与 2026-02 Big Tech capex 辩护误读成简单翻面（来源：§11、§14）。

3. 建“四层全栈地图”，按价值捕获而非热度排序

第三件是画四层全栈地图：芯片、数据中心、模型、分发（来源：§2、§4、§6）。每个研究对象都标出占几层、缺哪层、向谁交税、谁控制客户入口。GOOGL 的样本是 TPU/GCP/Gemini/Search/Workspace/Android；AMZN 的样本是 Trainium/AWS/企业客户和 Anthropic 相关变量；MSFT 是 Azure/OpenAI/Office/企业身份；META 是自有算力、模型、社交产品和数据中心 footprint（来源：§12、§13）。地图完成后，再按“智能成本下降后利润留给谁”排序，而不是按“谁的硬件最热”排序。这是 Jarc 变种认知最有迁移价值的地方。

4. 先做有效域检查，再决定是否引用他

第四件是边界纪律。深研给出的教训很清楚：PINS、Coinbase 说明他的框架对叙事资产不稳，先判断问题是否适合他的工具（来源：§10、§17）。如果一个标的缺少可核现金流、折旧、capex、客户采用和利润率数据，Jarc 的会计透镜就会失去很多抓手；如果问题涉及供应链一手排产、封装良率或具体技术参数，则要用 Dylan Patel/SemiAnalysis 等交叉验证（来源：§14）。所以复用他，不是复制观点，而是复制流程：会计师查折旧和利润，创业者查真实采用，CIO 查集中研究的机会成本，全栈框架查价值捕获，资金来源分层查泡沫风险（来源：§17）。最后必须保留来源、日期和利益冲突提示，尤其是他作为 New Era Funds CIO 的公开观点可能与基金持仓相关（来源：§0、§14）。