GPT-6 之后AI投资泡沫论的终结和新投资范式指南

都是错的，对前沿模型的评测。没有看到真正变量和范式级别的变化和投资潜在认知差。OpenAI最新发布的GPT-6 Astra，我提前就拿到并体验，现在所有的评测都是从科技和各种benchmark又提高了，已经进入AGI通用人工智能时代了。这都不重要，而且要观测一个最重要的信号：人开始可以离开电脑了。

也就是说，AI的生产单位正在发生变化。

过去卖的是一次回答。未来卖的可能是一小时、一天，甚至几天连续运行的数字劳动，并产生有价值的结果。一旦这个变化成立，今天所有关于 Token、Cloud、GPU、HBM、数据中心乃至 Microsoft、Google、NVIDIA 和半导体硬件和软件应用的估值计算方式，都需要重新思考。也意味着巨大的投资认知差和超额收益存在的空间。

导读

OpenAI 9月3日正式发布 GPT-6 Astra，把它定位为处理最困难端到端工作的前沿模型，重点已经不是单纯对话，而是 把推理、编码、Computer Use、研究和文件制作组合起来，从最初指令一路推进到可以交付的最终结果。

真正值得投资者注意的不是 benchmark 又提高了几个百分点，而是三个变量：

• Autonomous Horizon：AI能够自己工作多久？

• Supervision Density：人类多久需要回来干预一次？

• Cost per Completed Task：完成一个有经济价值的任务，真实成本是多少？

这三个指标，才决定AI最终是一个昂贵的聊天工具，还是一种新的生产要素，而一旦答案开始向后者倾斜，“AI泡沫论”的证伪标准也必须改变。

GPT-6 Astra正式发布前，我就提前拿到了它。我把一家上市公司过去十年的财报、季度数据、电话会议、管理层指引、竞争对手、行业供需、Sell-side一致预期，以及我过去的投资判断全部交给它，让它完成一套真正的买方任务：

重新拆解收入、毛利率、资本开支和自由现金流，建立盈利模型；做DCF、Normalized EPS和Reverse DCF，找出当前股价隐含了怎样的增长与利润率；检查不同预测之间是否自相矛盾；最后站到我的对立面，寻找一个足以推翻整个投资主线的变量。

完成第一轮分析后，它还要继续监测公司、供应链、宏观数据和市场定价。没有改变长期现金流的信息，不必打扰我；只有核心假设发生变化，才需要回来报告。

我使用下来的结果是惊人的。完全可以取代一个初级分析师，也可以十倍级别的放大资深行业和公司分析师的工作效率。对于我作为买方投资来讲，我开始不必一直坐在电脑前面或者分配指导我的分析师或者助理。我的角色正在从执行研究，转向定义问题、配置资源、判断概率、决定仓位和承担错误。

这是真实的AI在投资领域的顶尖模型的应用场景，这背后对应的，才是资本市场最重要的问题：

如果AI出售的不再是一次回答，而是一小时、一天甚至更长时间的可用劳动，那么今天关于Token、GPU、Cloud和AI资本开支回报的计算方式，可能都需要重做。

因此，这篇文章不讨论GPT-6究竟算不算AGI，而是沿着一条完整的买方逻辑展开：

模型能力如何降低监督密度，任务成本下降如何扩大Agent-hours和算力需求，新增价值最终会流向Google、Microsoft、NVIDIA、MU还是其他基础设施，以及什么证据会推翻这条AI投资主线。

这才是GPT-6之后，真正需要建立的新投资框架。

市场过去两年问错了什么？

过去两年，市场关于“AI是不是泡沫”的逻辑非常直接：

微软谷歌亚马逊这些云大厂每年投入万亿美元资本开支，NVIDIA收入快速增长，数据中心、电力和存储投资全面扩张，但AI应用收入暂时没有同步达到相同规模。

于是，结论是：AI资本开支无法获得回报。

这个担忧完全合理。但它隐含了一个很少被讨论的假设：每一单位AI算力能够完成的经济任务，未来不会发生巨大变化。如果AI只能回答问题，那么市场确实应该把AI收入理解为用户数量乘以调用次数，再乘以Token。

但如果AI能够自己搜索、操作软件、发现错误、重新执行并完成任务，那么同样一美元计算资源购买的就不再只是Token，而是“数字劳动”。这时真正应该计算的，不只是AI收入与CapEx之间的静态差距，而是：

每投入一美元算力成本，AI最终能完成多少过去需要人来做的工作，又能创造多少可以收费或节省的价值？

如果AI能够完成的任务越来越多，人工监督越来越少，成功完成一个任务的成本持续下降，那么同样规模的算力投资就能产生更高的经济回报。

这才是判断AI资本开支究竟是生产性投资，还是泡沫的核心尺度。这也是我一直强的“这次不一样”的地方，真正来自于社会的整个生产率的提升。

Agent时代最重要的不是智商，而是监督密度

对于Agent，我主要看三个指标。

• 第一个是 Autonomous Horizon，模型能够在不偏离目标的情况下连续自主工作多久。

• 第二个是 Supervision Density，每十小时AI工作需要人类投入多少分钟检查、纠正和重新提示。

• 第三个是 Cost per Completed Task，完成一个真正可用的任务，总共需要多少计算成本和人工监督成本。

可靠性不需要再单独列成第四个指标，因为失败、返工和人工修复最终都会反映在任务成本里。

一个Agent即使可以连续运行十小时，但每二十分钟都需要人回来纠正，它仍然只是一个需要密切看管的工具。相反，如果它能够自己执行、观察结果、发现错误、修正并验证，那么人的投入才真正从“亲自完成工作”下降为“管理和审核工作”。

这也是为什么自主工作时间的延长不是线性的。

从十分钟增加到几个小时，不只是工作时间变长，而是可以被委托的任务种类发生了巨大的变化。和ChatGPT交互对话，一次回复可以写邮件，但真正的完整的执行循环却可以完成研究、开发、测试、财务核对和持续监测。

所以真正的跃迁不是Generate“生成”，而是：一个链条

从执行 to 观察 to 修订 to 校验

当这个循环能够稳定闭合时，AI才开始从软件工具变成数字劳动力。

目前从我自身体验，包括GPT 6给出的案例来看，真实的现实工作流场景，最牛的是用远比以往模型的更少的时间取得更高的任务表现和结果。比如一个软件编程开发人工修复工作减少50%；一个财务分析，整个工作流提升40%，而且结果正确。这些当然仍然是厂商公布的早期案例，不能直接当作全经济生产率或未来收入预测。但它们共同指向一个比打榜单的Benchmark更有投资意义的变化就是：

完成同一个任务，人类需要投入的监督时间正在下降。

这才是数字劳动力单位经济学开始成立的地方。那么重大的范式变化在于：

Token正在失去经济解释力

过去的AI需求公式大致是：用户数量 × 使用频率 × Token数量 = 推理需求。

这个框架没有错，但已经不完整。Agent时代更接近：

经济任务 × Agent工作时长 × 每小时计算需求 = AI基础设施需求。

Token仍然是技术计费单位，却不再是最好的经济价值单位。企业真正愿意购买的不是一百万个Token，而是一项被正确完成、能够复核、可以进入现有工作流的任务。

这也解释了为什么模型效率提高，不一定意味着GPU需求下降。

如果完成任务的成本下降，以前不值得自动化的活动就会进入AI的可服务范围。如果监督密度继续下降，一个人就可以同时管理同时运行多个Agent，而不是一次只使用一个聊天窗口。这意味什么？

每个Agent-hour所需的计算可能下降，但全球Agent-hours可能增长得更快。最终资源消耗取决于这两者谁下降或增长得更快。

所以我对AI长期需求的理解已经从：

在Chatbot时代，需求主要来自人不断向AI提问。问题越多，消耗的Token越多，需要的GPU也越多。

但进入Agent时代以后，企业交给AI的将不再只是一个问题，而是一项完整的工作。AI可能连续运行几个小时，自己读取资料、调用软件、检查结果、发现错误并重新执行。

过去，GPU需求来自人问AI更多问题；未来，需求可能来自AI替人工作更长时间。

AI每多工作一个小时，就会增加推理计算、数据读写、内存、网络和存储需求。因此，受益的不只是GPU，还包括HBM、DRAM、服务器、网络、存储、数据中心和电力。

如果AI越来越可靠，完成任务的成本越来越低，企业就会把更多工作交给它，并同时运行更多Agent。AI的使用方式也会从偶尔打开一个聊天窗口，变成全天持续运行的企业生产系统。

所以，未来判断AI需求，最重要的问题不再是“有多少人在使用ChatGPT”，而是：企业愿意把多少原本由人完成的工作交给AI，并为这些数字劳动支付多少钱？

比如一个Agent连续工作5天，如果成本：100美元，那么这就是“革命”；如果1,000美元，那么大量专业工作已经非常有经济性；如果10,000美元呢，仍然可以进入法律、金融、科研和高价值软件工程；但是如果100,000美元，那么目前仍然主要是早期梦想Demo。

所以我接下来最关心的数据，就是Cost per Successful Autonomous Work-Hour，每一小时真正成功完成的自主AI工作，到底多少钱？

这才是AI从一轮半导体资本开支周期，走向长期生产力投资的真正分界线。

当然生产率提升也不意味着每个人都发财，生产率提升带来的价值，可能被企业客户拿走，可能通过模型竞争变成更低的价格，也可能被云厂商、芯片公司、软件平台和电力供应商重新分配。资本开支可以增长，投资回报率却未必同步提高。

因此，GPT-6真正提出的估值问题不是“2027年EPS应该上调多少”，而是Agentic AI能否扩大企业可以进行高回报再投资的空间，并延长其投资回报高于企业融资成本的时间。

能力必须先进入工作流，工作流必须转化为收入，收入必须形成高于资本成本的增量回报。只有走完这条链条，AI生产率才会变成股东价值。

这也是“AI整体没有泡沫”和“所有AI资产都值得买”之间最重要的区别。比如对于Dell、服务器、网络、存储、电力和企业本地AI基础设施，关键问题是Agent能否真正进入企业IT系统。数字劳动力不会只存在于一个聊天网页里，它需要权限、数据、安全、审计和混合部署。但订单增长最终仍要接受利润率、资本周转和现金回报的检验。

对于云大厂、GPU/CPU、存储、半导体硬件，以及AI软件应用的价值评估和仓位投资策略，见订阅者时间线的行业和公司估值分析。

青山遮不住，毕竟东流去。现在是00年以来最大的科技革命，AI有没有需求已经不需要证明，现在是谁能把更陡、更长的需求曲线，转化为持续跑赢资金成本的投资回报率。就看每个CEO的表现了。

全网独家买方深度公司新一季度财报发布，大多数都超预期。迄今为止系列公司独家买方解读👇

但是有的涨有的跌，什么样增量有价值的信息，如何看待这财报中的硬数据和软信息？

估值调整和投资策略都已经更新发布，这是独立买方的思考价值不是投行忽悠目标价，主页点击进时间线分享

AI这轮行情的龙头 $NVDA 英伟达财报后出现的范式转移的拐点，从“高毛利高增长轻资产平台”，走向“资本密集承担部分风险的AI平台”定价模式

$MRNA 应该给人类癌症疫苗的突破多少钱？

财报后经典的牛市AI情绪化放大的投资纯粹半导体硬件NAND存储的标的。高博弈高波动高风险，如何看估值和投资价值？ $SNDK

财报后如何公司业务质量和星辰大海的价值和投资策略？ $SPCX

财报后业务无懈可击和真正开始生产后投入的市场Capex恐惧症，逆境反转加美国制造叙事的股票如何定价？ $INTC

和行业老二的价值？ $AMD财报后解读，对于CPU 行业$INTC GPU$NVDA

价值哪里？礼来 $LLY财报靓丽，为何首选？减肥药龙头相对竞对手 $NVO

是不是做服务器组装？增量服务和存储业务价值？ $DELL

对于软件在AI时代怎么活得好？价值多少？ $PLTR

这种二线半导体硬件光通讯概念趋势和估值？ $GLW

人才到底值不值钱？ $GOOG

以上内容都能在我的推特时间线上浏览，具体颗粒度更细的见订阅内容。

公开时间线看的是框架和核心判断。

订阅内容继续把它拆到估值假设、价格区间、技术结构和具体仓位执行。