很多人认为价值投资与科技投资是相互对立的，这种刻板印象主要源于两个方面：首先，从客观结果来看，许多知名的价值投资大师在传递投资理念时，很少使用科技标的作为经典案例；其次，科技行业具有快速改变社会生产率的特征，这种剧烈的变化往往会让传统的商业模式判断和价值评估模型在建立过程中面临困境，导致投资者难以准确计算企业的价值。

关于“科技”的定义，其实是一个动态的过程。例如，在工业革命之前，电力也是一种科技，当它对生活产生翻天覆地的改变时，它是最前沿的科技；但随着技术的普及，它在人们的印象中就不再被视为科技。同样的，苹果公司可以被视为一种科技投资，但在当前的AI技术变革浪潮中，苹果并不像英伟达等公司那样处于技术变革的最前沿。

价值投资的理念我给大家讲过很多次，第一个非常重要的原则就是价值要可评估。

价值可评估性：科技企业估值的核心逻辑

科技企业在技术发展初期，往往面临长周期的研发投入，这可能导致财务上的短期亏损，但这并不代表业务没有价值。例如，芯片或大模型的研发可能需要投入数百亿资金并持续数年才能看到产出，这种投入周期与收益规模的不匹配是科技行业的常态。只要商业模式确定、长期的付费能力和盈利能力确定，短期的不盈利并不会影响企业的长期价值。

对于价值投资者而言，投资科技行业的真正门槛不在于利润，而在于对业务理解的深度。不同于白酒或矿泉水等易于理解的传统行业，半导体等高科技业务需要极高的技术知识储备。投资者必须深入研究行业竞争格局、产品代际差异、学习曲线以及研发团队的评价，才能判断其未来的市场份额和盈利空间。

只要商业模式定了，除非我们认为它永远不赚钱，那这个企业没价值。

科技投资的判断标准与晶圆代工的护城河

无论是科技还是传统产业，判断一家公司价值是否可评估，通常需要满足三个前提：第一，能够判断长期的需求下限；第二，能够判断产业模式的稳定性；第三，能够评估其护城河的强度。如果一个业务虽然投入巨大，但如果收入无法随之增长，或者永远无法实现盈利，那么对于股东而言就没有投资意义。

以晶圆代工为例，这是一个典型的价值可评估的生意。其核心护城河在于先进制程（如22纳米以下）的制造能力。在半导体制造中，通过缩小晶体管的物理尺寸（如栅极宽度），可以在相同的芯片面积下塞入更多的晶体管，从而显著提升计算能力。这种基于物理规律和技术积累的门槛，使得晶圆代工行业具有非常稳定的商业模式和护城河。

半导体制程的演进与 AI 带来的价值重估

在半导体领域，最小真实尺寸（如 22 纳米）的概念正在发生变化。过去它指晶体管栅极的物理宽度，但现在它更多是一个等效指标。当制程缩小到一定程度遇到物理极限时，厂商不再单纯追求物理尺寸的缩小，而是通过其他方式提升单位面积的晶体管密度。例如，虽然最小尺寸没变，但通过提升密度，相当于将关键尺寸缩小到了原来的 0.7 倍左右。

这种技术进步导致晶圆代工的投资规模呈指数级增长，单条生产线的投资可能从一两亿美金飙升至百亿美金。这使得最先进的制程成为了一个利基市场，领先厂商凭借巨大的规模效应形成了极高的壁垒。此外，晶圆制造拥有极高的学习曲线：以 7 纳米工艺为例，生产过程包含 200 到 400 个步骤，即使每一步的良率从 99% 提升到 99.9%，最终的总良率也会有显著差异。这种对经验的依赖，使得即便使用相同的设备，不同厂区的良率也可能不同。

AI 并没有扩大行业的护城河，但它提升了护城河的价值。在传统 CPU 领域，客户对性能微增的溢价意愿有限；但在 AI 算力领域，由于是成千上万张卡组成的集群，性能的微小提升能带来极高的价值，因此客户愿意支付极高的溢价。

AI 带来的算力需求，只不过把这个需求的增速拉起来，并没有扩大这个行业的护城河。它提升了这个护城河的价值。

计算模式变革驱动的存储行业爆发

AI 对存储行业的改变源于计算模式的根本性差异。传统计算机（如 CPU 时代）采用的是顺序计算（A $\to$ B $\to$ C），中间结果可以即时处理并丢弃，对存储的需求较低。而 AI 的神经网络模型是循环计算，输出结果必须存起来作为下一次计算的输入。这种模式导致计算次数与存储次数的比例发生了巨大变化，存储成为了带宽和容量上的瓶颈。

在产品形态上，传统的 DRAM（内存） 多为平面结构，而 AI 时代则转向了多层堆叠的 HBM（高带宽内存）。HBM 的生产会占用大量的通用 DRAM 颗粒产能，在 AI 需求暴增的背景下，这种供需失衡直接导致了存储价格的剧烈波动。可以说，存储行业目前正处于一个需求增速可能超过算力增速的阶段。

存储行业其实是一个需求增速会比整个算力增速更快的一个领域。

自主可控背景下的产业逻辑与估值重塑

在自主可控的大背景下，中国半导体企业的竞争优势正在重塑。晶圆代工与存储制造都具有极强的规模经济属性。过去，由于缺乏经验积累和客户订单，国内企业很难跨越门槛。但现在，产业政策为企业提供了“先有鸡还是先有蛋”的破局机会。通过要求产业链上下游进行国产化替代与合作研发，国内企业可以在实际应用中不断摸索，从而跨越最难的经验门槛。

从投资研究的角度看，产业政策的方向是明确的，不需要“研究”而只需要“确认”。政策并不会改变公司评估的基本模型，但它会改变模型中的输入参数。例如，在自主可控的要求下，国产企业的市场份额预期和盈利能力预测会发生变化，从而导致企业估值的重新评估。一旦产业链跑通，国产存储或代工企业很有可能在全球范围内变得具有竞争力。

一旦有了自主可控的大背景，你会发现在这个领域，我们国家的企业就都会有机会。

摩尔定律放缓的物理必然性

从制程演进的现象来看，芯片从 14纳米、7纳米、4纳米到2纳米，甚至向 1.x纳米 迈进的速度确实在放缓。但从物理学底层逻辑来看，这种放缓是确定性的。半导体的基本组成单元可以被视为无数个开关，通过缩小开关尺寸并增加单位面积内的开关密度来提升算力。然而，开关无法无限缩小，因为原子具有体积。当间距缩小到一定程度（如 10纳米 左右），就会发生量子隧穿（Quantum Tunneling）效应，电子会由于概率问题直接穿过断开的间隙，导致开关功能失效。因此，半导体制造可能会进入一个迭代速度变慢的“慢变行业”。

摩尔定律的放缓几乎是一个从原理上来讲，就是一个确定性的判断。

算力提升的新路径：从单芯片到集群

当单芯片的性能提升遭遇物理极限时，提升算力的逻辑将发生变化。虽然可以通过增大芯片面积来塞入更多晶体管，但这受限于12寸晶圆（直径约30公分）的物理尺寸、硅棒拉制技术以及半导体设备的匹配规模。因此，未来的核心逻辑将转向集群（Cluster）：通过将多个芯片连接在一起协同工作，从而实现整体计算能力的飞跃。这种基于对产业、产品与科技深入研究得出的结论，是理解 AI 发展趋势的关键。

研究逻辑：识别“不可跳过”的重要性

关于研究的准则，核心在于判断重要性，而非预判是否能立即为基金带来正收益。在研究开展前，收益是未知的，但重要性是显而易见的。所谓“重要性”，是指那些无法跳过、无法绕过的问题——如果一个变量是构建估值模型或进行公司评估的基石，且一旦缺失就无法进行后续研究，那么它就是重要的。例如，AI 如何影响产业、摩尔定律是否放缓，这些都是决定投资逻辑底层的关键问题。

重要性的原则其实很容易判断，就是你迈不过去，你跳过它，你下边都进行不了了。