①世界观与思想根基
AI 乐观主义必须经过账本审计
Tanay Jaipuria 的世界观不是“AI 应用一定暴富”，而是更锋利的一句：AI 会创造巨大的应用层机会，但只有收入质量、毛利主权和公开披露能把机会与幻觉区分开（来源：深研_TanayJaipuria.md §2）。这个根基来自他的职业路径：哥伦比亚大学计算机本科让他能理解模型、基础设施、产品体验之间的技术约束；麦肯锡和哈佛商学院训练让他习惯把公司拆成收入、成本、毛利、渠道和组织效率；Meta 产品经理经历又把他带进 Facebook 信息流排序、广告体验、Instagram 创作者变现这些高度依赖分发和货币化的系统。后来进入 Wing Venture Capital，站在 AI 应用和 data/AI infrastructure 的早期投资场域，他每天看到的不是审计后报表，而是融资材料、run-rate、ARR、AI-native 叙事和媒体披露，所以自然形成“先验算口径”的反射。
他相信增长，但不相信增长词
深研把他称为“AI 真账本”型分析者，这个词很准。他不是反 AI，也不是只会泼冷水的会计怀疑派；他的底层判断恰恰包含产品乐观主义：AI 应用确实可能产生新工作流、新 TAM、新消费入口、新企业自动化预算。但他拒绝让 TAM、GMV、run-rate、ARR 这些词自动等同于高质量收入。对他来说，一个 AI 公司说自己从 0 到数千万 ARR，并不比一个模型发布会更接近事实；事实要继续问 annual 是年度承诺还是 MRR 年化，recurring 是结构性续费还是试点延续，revenue 是公司净收入还是把 GMV、签约额、渠道过账也算进来了（来源：§6、§15）。
产品经理和会计师同时在场
Tanay 的思想有两个看似冲突的部分：一边是 Meta 产品经理训练留下的增长/分发敏感度，一边是咨询和 MBA 训练留下的损益表纪律。他看 OpenAI、Anthropic、Perplexity、Replit、Bolt、Cursor、Claude Code 等案例时，不会只问“产品是不是酷”，也不会只问“成本是不是高”。他会把用户入口、渠道所有权、推理成本、模型路由、企业合同、订阅留存放在同一张表里。比如 2024-09-30《OpenAI and Anthropic Revenue Breakdown》把 OpenAI 更偏消费订阅、Anthropic 更偏 API/渠道的差异讲成“镜像商业模式”，这不是单纯估收入规模，而是把客户关系、毛利压力、分发优势和渠道依赖一起纳入判断（来源：§9）。
公开披露是他抵抗幻觉的制度锚
他的思想根基还有一个关键点：公开文件比融资叙事更接近真相。深研写到，他的信息优势不是供应链线人，而是“公开文件工程”：把媒体泄露、官方披露、财报电话会、S-1、定价页和增长里程碑拼成可比较账本（来源：§8、§15）。这让他的世界观带有强烈的制度感：只要 AI 公司长期不上市，私有市场就会充满口径混乱；一旦 S-1、财报、审计数据出现，很多漂亮词会被迫回到收入科目、毛利、客户集中度和服务成本。本文只复盘研究框架，不构成投资建议，不报目标价。
②核心信念逐条详解
信念一：ARR 不是一个可以直接相信的词
Tanay 最出圈的信念来自 2025-10-28《When ARR is not ARR》。深研记录他借“神圣罗马帝国既不神圣、不罗马、也不帝国”的句式批判很多 AI 创业公司的 ARR：有时既不 annual、不 recurring，甚至不是 revenue（来源：§9、§16）。这不是文字游戏，而是私有 AI 市场最核心的信用问题。若 annual 只是把一个月收入乘以十二，用户没有年度承诺；若 recurring 只是一个企业试点下月继续买，缺少结构性续费机制；若 revenue 把 GMV、渠道过账、签约额或未履约合同混进来，那么增长速度越快，误导性反而越强。他的第一条信念就是：增长标题必须先被拆成收入质量问题。
信念二：收入结构比收入规模更能解释公司命运
2024-09-30《OpenAI and Anthropic Revenue Breakdown》是第二条信念的代表作。Tanay 用公开碎片拆出 OpenAI 与 Anthropic 的不同收入混合：OpenAI 更偏消费订阅，Anthropic 更偏 API、企业与渠道（来源：§9、§13）。这类分析的价值不在“谁收入更大”这么浅，而在于收入结构决定后续经济学。消费订阅强意味着 OpenAI 有直接用户、品牌入口、未来广告或联盟想象，但也可能承担更高的推理服务成本和免费/低价用户压力；API/渠道强意味着 Anthropic 更靠开发者、企业和云伙伴分发，可能拥有不同客户黏性，却也会面对渠道客户所有权和毛利分配问题。Tanay 因此反复强调，模型公司竞争不能只看排行榜或融资估值，要看钱从哪里来、经过谁、最后留给谁。
信念三：应用层赢家要有毛利主权
深研把他的关键判断概括为：应用层赢家不是调用最强模型的人，而是拥有毛利主权的人（来源：§13）。所谓毛利主权，指应用公司不能永远让自己的 COGS “骑在别人价目表上”。如果产品每一次用户操作都必须调用最贵前沿模型，且无法控制验收标准、缓存、路由、细分任务、BYOK、credits、托管、治理费或抽佣收入，那么收入越增长，毛利越可能被模型层吞掉。反过来，若应用能把简单任务交给便宜模型，把复杂任务留给高端模型，用工作流深度和企业治理收入增加非 token 收入，就有机会从项目制/服务化收入进化到更像软件的收入。
信念四：低毛利可以接受，但必须能用 cohort 证明改善
Tanay 并不把低毛利一概视为坏事。早期 AI 公司为增长牺牲毛利，或为了拿到关键用户先承担推理成本，都可能合理。但深研提到他的判断目标是“成熟 cohort 的健康净利率画像”，低毛利到底是换增长，还是结构性烧钱，必须用后续 cohort 毛利、留存、重度用户重新定价和非 token 收入改善来证明（来源：§6、§16）。这条信念让他比纯粹看空者更实用：他允许早期不完美，但要求公司展示从烧 token 到留利润的路径。
信念五：AI 护城河会被重新映射
在《Moats in the Age of AI》中，他把 Hamilton Helmer 七力框架放到 AI 时代重新审视，认为传统 switching cost 可能被 agent 削弱，专有数据、网络效应、AI-native workflow 和信任网络更重要（来源：§10、§13）。这不是说所有企业软件锁定明天消失，而是提醒读者：如果 agent 真能迁移 schema、重写集成、生成培训材料，过去依赖切换痛苦形成的护城河会被打折。反证也很清楚：若 agent 长期不可靠，传统集成、流程和合规切换成本仍会维持更久。
③方法论全链路
第一步：把材料收全，先不急着立论
Tanay 的研究链路从公开碎片开始。深研列出的材料包括财报电话会、S-1、媒体披露、官方定价、增长里程碑、云厂与模型公司的收入口径（来源：§4）。具体做法可以想象成一个事件资料夹：当研究 OpenAI/Anthropic 时，把订阅价格、API 定价、云伙伴披露、媒体泄露收入、企业合同、渠道收入、融资材料中的 run-rate 说法全部放进去；当研究 AI 应用毛利时，把模型价目表、用户用量、credits、BYOK、企业托管、服务费、广告或联盟收入放在同一页。这个阶段的纪律是“只收证据，不先相信标题”。
第二步：统一口径，避免苹果和橙子相加
第二步是把材料改成可比较账本。OpenAI 与 Anthropic 的拆解就是例子：消费订阅、直销 API、渠道 API、企业合同、广告或未来联盟收入要分开列；不能把不同性质的钱混成一个笼统 revenue（来源：§4、§9）。对应用公司，则要把 ARR、run-rate revenue、annualized MRR、GMV、net revenue、pilot revenue、签约额和确认收入分列。Tanay 的价值正在这里：他不是宣布“某公司很强”，而是把“强”拆成收入科目。只有科目拆清，后面才能讨论毛利、客户所有权和分发优势。
第三步：判断 COGS 控制权
第三步是追问成本由谁控制。深研写到，他会看应用公司是否被前沿模型价目表牵着走，是否能做模型路由，是否掌握验收标准（来源：§4、§6）。比如一个代码 agent 或企业自动化应用，如果每次请求都要调用最高价模型，且客户只愿意按 seat 付固定费，重度用户越多越危险；如果它能把任务分层，把检索、草稿、格式化、低风险步骤交给便宜模型，把关键判断留给强模型，并通过企业治理、部署、审计、托管费补充收入，毛利结构就不同。这里的案例范围包括 Replit、Bolt、Perplexity、Cursor、Claude Code 等应用层观察对象（来源：§13、§19）。
第四步：观察定价从 seat 走向组合模型
第四步是跟踪定价演化。Tanay 会看 seat、usage、credits、BYOK、托管费、抽佣、广告联盟如何组合，并重点看这些机制是否把重度用户成本合理分担出去（来源：§4、§6）。如果 AI 应用仍沿用传统 SaaS seat 价格，却承担无限推理成本，利润表迟早承压；如果它引入 usage cap、credits、企业套餐、客户自带 key、托管治理收入，就可能把成本和价值更匹配。2026 年他关注聊天机器人广告、知识工作者版 Claude Code、持续学习突破和 $100B 级 IPO 等主题，本质上也都要回到定价与收入质量（来源：§4、§11）。
第五步：写成带日期的预测，并给推翻条件
最后一步是可证伪输出。深研强调他会把观点写成年份主题或具体文章，让年底或新披露出现时能回测（来源：§4、§7）。例如“AI 私有市场进入收入命名权战争”，验证是融资材料、媒体报道、S-1 是否开始区分 run-rate、annualized MRR、GMV、net revenue、pilot revenue；推翻则是市场继续用模糊 ARR 给高估值且留存不暴雷（来源：§13）。这一步让 Tanay 的方法不同于普通评论：观点不是永远正确的金句，而是带日期、来源、口径和反证信号的研究假设。
④能力圈与边界
能力圈：AI 应用经济学和私有市场账本
Tanay 的能力圈集中在 AI 应用层经济学、模型公司收入结构、私有市场增长口径、公开财报与 S-1 拆解、产品分发、定价、毛利和净利率（来源：§5）。这些主题有一个共同点：它们都能被公开文件和口径纪律部分验证。比如分析 OpenAI 与 Anthropic，他不需要知道每台服务器的精确成本，也能通过订阅、API、渠道、企业收入混合推断客户关系和毛利压力；分析 AI 应用，他不必拥有某公司内部数据库，也能通过定价页、用户承诺、模型成本、BYOK、credits 和服务收入判断 ARR 质量。Wing 官网人物页写明他覆盖 AI-powered applications 与 data/AI infrastructure，并支持早期高度技术化团队，说明他的研究对象与职业职责高度重合（来源：§1、主要公开来源）。
产品分发是他的特殊长项
与纯财务分析师相比，Tanay 多了 Meta 产品经理背景。深研提到他曾做 Facebook 信息流排序、广告体验、Instagram 创作者变现（来源：§1）。这让他在看 OpenAI 消费订阅、聊天机器人广告、Perplexity 搜索体验、创作者工具、企业 AI 应用时，不会只算收入表，还会问用户入口和分发权归谁。OpenAI 的消费订阅强，不只是收入科目，也是品牌、习惯、未来广告潜力和终端客户关系；Anthropic 的 API/渠道强，则意味着开发者和企业工作流更重，但渠道伙伴可能拥有一部分客户关系。这个产品分发视角，是他拆收入结构时比纯会计更有解释力的地方。
边界一：不是芯片供应链深度专家
深研明确写到，他不是芯片供应链深度专家，不靠亚洲供应链线人（来源：§5、§14）。因此，涉及 HBM 产能、CoWoS 排产、GPU 交期、封装良率、特定云厂采购节奏时，Tanay 的框架不能替代 SemiAnalysis、供应链分析师或公司原始披露。他可以告诉你“应用公司 COGS 若绑定前沿模型价目表，毛利主权不足”，但不能单独告诉你某一季度推理成本的底层硬件供给是否已经缓解。使用他时，要把他放在“收入口径和商业模式拆解”的位置，而不是供应链事实源。
边界二：私有公司数字天然会过期
OpenAI、Anthropic、Cursor 等私有公司数据，多来自媒体披露和估算，数字会快速过期（来源：§5、§10）。深研提到 2025 年《The State of AI Gross Margins in 2025》中模型层毛利估算偏乐观，公开二手口径曾估 OpenAI 约 50%、Anthropic 约 60%，但后续报道显示部分实际毛利可能明显更低，推理支出膨胀更快（来源：§10）。这说明他的框架值得学，但数字必须贴上日期、来源和是否审计的标签。任何引用如果省略时间，就会把历史快照误读成当前事实。
边界三：Wing 身份带来利益折扣
Tanay 是 Wing Venture Capital 合伙人，覆盖 AI 应用与数据/AI 基础设施；因此他对应用层、数据基础设施、早期高度技术化团队的乐观，必须带 VC 生态内部视角折扣（来源：§0、§5、§14）。他批判 ARR 口径，确实能帮助读者识别泡沫；但他也处在最需要 AI 应用叙事继续发展的资本生态中。正确处理方式不是否定他，而是标明身份，把观点拆成可验证变量：收入质量、毛利主权、公开披露、cohort 净利率，而不是把结论当权威背书。
⑤独特变种认知/alpha来源
变种认知：把 AI 公司从故事还原成账本
Tanay 的 alpha 来源不是“爆料更快”，而是把 AI 公司从故事还原成账本（来源：§15）。市场喜欢讲模型多强、增长多快、融资估值多高、用户数多夸张；他更关心这笔钱是否年度承诺、是否重复发生、是不是净收入、毛利被谁控制、训练成本是否被排除、渠道收入是否牺牲客户所有权、成熟 cohort 净利率是否改善。这个变种认知在私有 AI 市场特别有价值，因为公开披露少、融资新闻稿多，许多公司有动力把 run-rate、ARR、GMV、签约额、渠道收入和实际确认收入揉成一个好看的数字。
Alpha 一：收入命名权战争
他最独特的 alpha 之一，是提前把 AI 私有市场的问题命名为“收入命名权战争”。深研写到，只有研究透他才知道，他最关心的不是哪家公司说自己增长最快，而是谁有资格把收入叫 ARR（来源：§13）。这会改变跟踪指标：投资者不再只收集“某公司达到 X 亿 ARR”的新闻，而是追踪融资材料、媒体报道、S-1 是否开始区分 run-rate revenue、annualized MRR、GMV、net revenue、pilot revenue。只要这些口径开始被迫拆开，过去被一个词覆盖的质量差异就会显形。
Alpha 二：收入结构决定客户所有权
2024-09-30 OpenAI/Anthropic 拆解提供第二个 alpha：同样是模型公司收入，消费订阅、直销 API、渠道 API、企业合同的战略含义不同（来源：§9、§13）。OpenAI 消费端强，意味着用户关系和品牌入口更直接，也让广告、联盟、个人生产力场景有想象；Anthropic API/渠道更强，则可能在开发者、企业和云伙伴生态里更深，但客户所有权、渠道分成和毛利归属需要单独审视。市场若只比较收入规模，会错过两家公司经济学的差异。
Alpha 三：毛利主权比模型崇拜更重要
第三个 alpha 是把应用层从“谁接入最强模型”移到“谁控制单位经济”。深研概括为，应用层赢家不是调用最强模型的人，而是有可路由模型、明确验收标准、工作流纵深、托管/部署/治理/抽佣等非 token 收入的人（来源：§13）。这会让研究者观察 Replit、Bolt、Perplexity、Cursor、Claude Code 等应用时，少看一句“powered by frontier model”，多看它们是否能把任务拆分、是否能重新定价重度用户、是否拥有企业治理收入、是否能把服务收入逐步软件化。
Alpha 四：公开文件工程比二手热闹更耐用
Tanay 的优势还来自他愿意等待公开锚。深研写到，他会用财报电话会、S-1、官方披露、定价页和媒体泄露拼成账本；随着 AI 实验室、机器人、模型应用公司 IPO 或递表，真正毛利、客户集中度、服务成本会曝光（来源：§8、§13）。这个 alpha 慢，但抗噪音。融资新闻可以讲故事，S-1 必须展示收入确认、客户集中度、毛利、研发费用、相关方交易和风险因素。Tanay 的研究价值就在于把读者注意力从“最新估值”拉到“下一次强制披露会暴露什么”。
⑥封神之战详解
第一战：2024-09-30《OpenAI and Anthropic Revenue Breakdown》
深研把 Tanay 最有影响的一次研究定为 2024-09-30《OpenAI and Anthropic Revenue Breakdown》（来源：§9）。这篇文章的“封神”不是因为他拿到了审计账本，而是因为他用公开碎片把两个最关键私有模型公司拆出镜像收入结构：OpenAI 更偏消费订阅，Anthropic 更偏 API/渠道。结果是，这个判断后来成为市场理解两家公司商业模式差异的标准语言之一（来源：§9）。在 AI 圈普遍只看收入规模、融资估值和模型能力时，他把问题改成：收入来自个人订阅、开发者 API、企业合同还是云渠道？这些来源分别决定什么样的毛利、分发优势和客户所有权？
为什么这篇文章影响大
2024 年的难点在于，两家公司都不是完全公开公司，数字来自媒体、官方零散披露、合作伙伴口径和推算。Tanay 的工作方式不是把单一爆料当事实，而是把多处碎片合并成可比较结构。OpenAI 如果消费订阅更强，那么 ChatGPT 的用户入口、品牌认知、未来广告潜力和直接客户关系更重要；Anthropic 如果 API/渠道更强，那么 Claude 在开发者、企业、AWS/Amazon 相关渠道中的位置更关键，但渠道分成与客户归属也要考虑。这种拆法把“谁更大”升级成“谁的钱更像哪种钱”。
结果：镜像商业模式进入市场语言
深研明确说，这个判断后来成为市场理解两家公司商业模式差异的标准语言之一（来源：§9）。所谓结果，不是某只股票涨跌，而是市场讨论框架发生改变：OpenAI 与 Anthropic 不再只是两个模型实验室，而是两套收入结构、两套客户关系、两套成本压力。对 OpenAI，消费订阅的规模和推理成本会被一起看；对 Anthropic，API/企业/渠道增长会和云伙伴关系、客户所有权一起讨论。Tanay 的封神点在于，他把私有 AI 公司的模糊叙事翻译成可比较账本。
第二战：2025-10-28《When ARR is not ARR》
另一篇代表作是 2025-10-28《When ARR is not ARR》（来源：§9）。如果说 2024-09-30 那篇是拆两家头部模型公司的收入结构，2025-10-28 这篇则是把整个 AI 私有市场最流行的增长战报拉回收入质量。他用“既不 annual、不 recurring、有时甚至不是 revenue”的句式，逼读者重新审视 ARR。结果是，AI 创业公司常见的 0 到 X 百万 ARR 战报，不再能自动获得信任；读者开始追问年度承诺、续费机制、净收入、GMV、签约额、试点收入和确认收入之间的差别（来源：§9、§16）。
封神的本质：不是爆料，而是改写提问方式
这两场战有共同点：Tanay 没有给目标价，没有给交易指令，也没有声称掌握内部账本。他真正做成的是改变市场提问方式。2024-09-30 后，OpenAI/Anthropic 竞争要看收入结构；2025-10-28 后，AI startup 的 ARR 要先接受 annual、recurring、revenue 三问。对于研究型 KOL，这种影响比单次价格判断更稳定，因为它让后来每一次融资新闻、S-1、财报电话会和媒体披露都能被放入同一套框架回测。
⑦争议盲点风险
风险一：Wing 合伙人身份与观点激励同向
Tanay 的第一类风险是身份风险。深研开头就提示，他是 Wing Venture Capital 合伙人，覆盖 AI 应用与数据/AI 基础设施，观点存在 VC 组合利益同向问题（来源：§0、§5、§14）。这不意味着他的批判无效，恰恰相反，他对 ARR、毛利和公开披露的要求能提高研究质量；但读者不能忘记，他身处一个需要 AI 应用和基础设施继续获得资本关注的生态。尤其当他强调应用层机会、agentic workforce、TAM 扩张、AI-native workflow 时，需要同时标明：这是研究框架，也可能与其职业环境方向一致。
风险二：私有数据不透明导致数字偏差
第二类风险是输入数字过期。深研把 2025 年《The State of AI Gross Margins in 2025》列为主要滑铁卢：文章中引用的模型层毛利估算偏乐观，公开二手口径曾估 OpenAI 约 50%、Anthropic 约 60%，但后续报道显示部分实际毛利可能明显更低，推理支出膨胀更快（来源：§10）。这说明 Tanay 的四层毛利框架仍有价值，但私有公司数字必须严格贴日期、来源、是否审计标签。若读者只记住百分比，不记住时间和口径，就会把一个研究快照误当成长期事实。
风险三：应用层护城河可能被他乐观化
Tanay 在《Moats in the Age of AI》中认为传统 switching cost 会被 agent 削弱，专有数据、网络效应和 AI-native workflow 更重要（来源：§10、§13）。这个判断很有启发，但反证也严肃：企业 agent 若长期不可靠，就难以稳定迁移 schema、重写集成、生成培训材料、处理权限与合规；那样传统系统集成、流程习惯、审批制度、数据治理和合规成本仍会保持强锁定。深研也提示，护城河瓦解论可能高估 agent 可靠性（来源：§14）。因此，不能把“AI 会削弱切换成本”当已发生事实，必须观察企业真实迁移案例和留存数据。
风险四：覆盖广，单点深度不如垂直专家
Tanay 能写模型公司收入、应用毛利、S-1、agent、广告、浏览器、机器人、太空/硬件公司等主题（来源：§12）。覆盖广带来框架连接能力，也带来单领域深度边界。半导体供应链、云基础设施、机器人量产、硬件成本、模型训练细节，都有更专门的研究者。他适合回答“收入怎么命名、钱从哪里来、毛利被谁控制、公开披露暴露什么”，不适合单独回答“某芯片供给是否足够、某机器人 BOM 是否准确、某云厂内部采购真实节奏”。
风险五：公开披露可能来得太慢
他认为公开披露会成为 AI 泡沫识别主战场，随着 AI 实验室、机器人、模型应用公司 IPO 或递表，真正毛利、客户集中度、服务成本会曝光（来源：§13）。但如果关键公司长期不上市，继续依靠私募融资、战略伙伴、债务或云承诺维持扩张，研究锚就会稀缺。届时 Tanay 的公开文件工程仍能工作，但会更多依赖二手泄露和估算，置信度下降。换句话说，他的框架越需要 S-1，越要承认 S-1 不出现时判断会更慢、更不完整。
⑧可学习可复用
1. 所有 AI 增长标题先过 ARR 三问
第一件可复用的事，是把任何“AI 公司达到 X ARR”的标题先放进三问：Annual 是年度承诺还是 MRR 年化？Recurring 是结构性续费还是项目、试点、一次性服务延续？Revenue 是净收入还是 GMV、签约额、渠道过账、未确认合同？这是 Tanay 从《When ARR is not ARR》中给普通读者留下的最强工具（来源：§6、§9、§17）。做研究时可以直接建一列“口径置信度”：审计收入最高，S-1/财报次之，官方披露再下，媒体泄露和融资材料必须标注日期。这样能避免被漂亮增长曲线带走。
2. 建收入混合表，而不是只记总规模
第二件事，是把公司收入拆成消费订阅、直销 API、渠道 API、企业合同、服务费、广告/联盟、GMV 或抽佣等科目（来源：§4、§6）。OpenAI/Anthropic 的例子说明，收入结构决定客户关系和成本压力，而不仅是规模。普通研究者可以对每家公司填表：谁直接拥有用户？谁通过云伙伴拿客户？收入是否被渠道抽走？企业合同是否含大量服务交付？广告或联盟是否只是未来设想？这张表能把“某公司增长快”变成“哪类收入在增长”。
3. 用四层毛利看 COGS 控制权
第三件事，是把 AI 栈拆成芯片、云、模型、应用四层毛利，并追问 COGS 控制权在谁手里（来源：§4、§6、§17）。对于应用公司，重点不是它接了哪个最强模型，而是它能否路由模型、缓存结果、定义验收标准、重新定价重度用户、引入 BYOK/credits/托管/治理/抽佣等机制。对于模型公司，要区分训练成本、推理成本、渠道成本和企业交付成本。低毛利不一定坏，但必须能用成熟 cohort 净利率改善证明不是结构性烧钱（来源：§7、§17）。
4. 每个私有数字都写来源、日期、口径和反证
第四件事，是复制 Tanay 的公开文件工程。任何 OpenAI、Anthropic、Cursor、Replit、Bolt、Perplexity 等私有公司数字，都写清来源是媒体、官方、融资材料、定价页还是 S-1；日期是哪一天；口径是 ARR、run-rate、net revenue、GMV 还是签约额；是否审计；哪些新披露会推翻原判断（来源：§5、§8、§10、§17）。这件事看似繁琐，却能防止研究在快速变化的 AI 市场中过期。
5. 保留合规和利益冲突提示
最后一件事，是学习他的框架而不是复制结论。Tanay 是 Wing 合伙人，观点要带 AI 应用/数据基础设施方向的利益折扣；他不是公开市场组合经理，没有可验证净值；私有公司数字会变；部分模型层毛利估算曾被后续更低报道修正（来源：§5、§10、§14）。所以复用时应把每个判断写成“研究假设 + 验证条件 + 推翻条件”，不写目标价，不给买卖建议。真正可迁移的不是某个标的名，而是把 AI 乐观主义放进收入质量、毛利主权和公开披露三道门。
本页整理 Tanay Jaipuria 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。
