「你被ROI騙了幾次？台股投資人必看的Q-Score與夏普值完整解析」一、您被ROI騙了幾次？我問你一個問題。跟了一個老師一個月，他的帳戶投資報酬率是+73%。你付了錢，跟單，虧了。後來你才──他那73%，有60%來自記押知道對台積電法說會的你賭注。這並不是罕見的案例。這是台股投資教育市場的日常。ROI是一個數字，但它從來不告訴你這個數字背後是什麼。它不告訴你這個人是靠系統賺錢，還是靠運氣。它不告訴你他明年還能不能重複這個成績。它只告訴你一件事：他曾經賺過這麼多。曾經，不等於。二、投資報酬率的三大致命缺陷缺陷一：可被單次事件無限放大。2024年台股AI行情，買對台積電的人，不需要任何交易能力，帳戶投資報酬率可以輕鬆超過50%。這個數字可以放在簡介上，可以印在廣告裡，可以讓你看起來像一個業績卓越的交易高手。但那隻是一次賭對了。真正有交易系統的人，不需要靠單次事件。他每個月的效能是穩定的、可重複的、有邏輯可以解釋的。 ROI完全看不出這件事。缺陷二：+50%之後-33%，你以為你還在獲利。這是最殘酷的數學陷阱。假設你的本金100萬。老師帶你從100萬做到150萬，投資報酬率+50%，看起來很美。然後市場回調，150萬跌到100萬，跌幅-33%。你的投資報酬率現在是多少？ 0%。你回到原點，但老師的帳單上，他「賺過+50%」這件事永遠存在。投資報酬率不會告訴你這個過程有多痛苦。最大的撤回才會。缺陷三：ROI無法分辨運氣和能力。一個連續三年每年投資報酬率+20%的交易者，和一個靠單次事件創造投資報酬率+60%的人，哪個比較值得信任？答案是，但如果你只看投資報酬率，你永遠選擇不。你需要一個能夠把「穩定性」為「風控」「可重複性」全部量化高手交易的系統。為什麼API唯讀驗證，讓績效造假變成不可能？台灣投資界流傳一句話：“截圖會說話，但截圖會說謊。”一張獲利截圖，可以用Photoshop改數字。一個模擬帳戶，事後回測調整參數。一張Excel對帳單，可以只貼獲利的那幾筆。這些造假手法不需要技術，只需要膽量。Q-Chain 使用的是另一條路：券商 API 唯讀授權。API是什麼？API（應用程式介面）是軟體與軟體之間的溝通管道。你每次用手機查天氣，App是目測氣象局的API抓取即時資料——你看到的數字，直接來自氣象局的伺服器，而不是App開發者手動輸入的。群益金鼎等券商提供API界面，允許第三方系統在獲得授權後，直接從券商後台伺服器讀取資料－包含完整的交易記錄、持倉狀況、每筆損益明細。「唯讀」是關鍵Q-Chain 申請的是「唯讀（Read-Only）」授權，這意味著系統只能讀取數據，無法下單、無法轉帳、無法動帳內的任何一分錢。達人授權Q-Chain串接他們的帳戶，資金安全零風險。他們給的，只是「讓系統看得到數字」的權限，而不是「讓系統操作帳戶」的權限。兩件事相差了十萬八千里。為什麼這讓造假變得不可能？原始資料直接來自券商後台，中間沒有人工介入的空間。沒有截圖可以P，沒有帳單可以自訂，沒有參數可以事後調整。開戶以來的所有交易記錄全部在，刪不掉，也改不了。更重要的是：Q-Chain 看到讀取的是哪個帳戶，就只能那個帳戶的記錄完整。 AB 倉對沖造假（用另一個帳戶的支撐調整，只顯示帳戶帳戶）在這個機制下完全失效。在Q-Chain上面看到的每一個數字，包含短片人CK的ROI +56.24%、夏普值6.06、最大回撤-13.83%，都是群益金鼎後台伺服器的直接輸出。不是我告訴你的，是券商系統你算你看的。這是截圖做不到的事。三、夏普值是什麼？為什麼6.06代表一件嚴肅的事夏普值（夏普比率）的定義只有一個問題：每承擔一單位風險，就能換到多少報酬。公式並不複雜：（投資組合報酬率 - 無風險利率）÷ 報酬率標準差。白話版：你賺的錢，扣掉你冒的險，剩下多少。國際上的評估標準是這樣的：夏普值 > 1：品質好夏普值 > 2：非常優秀，機構等級夏普值 > 3：頂尖，多數對沖基金達不到夏普值 6.06：我沒有打錯，這是 Q-Chain 創辦人目前 API 驗證的真實數字6.06代表什麼？代表每冒一個單位風險，系統交易系統能換回六倍以上的超額報酬。不是靠槓桿，不是靠運氣押注，而是靠有紀律的系統性交易。這個數字是群益金鼎證券API直接輸出的。不是截圖，不是試算表，是券商系統讀取的原始資料。四、Q-Score：將一個交易者的真實能力壓縮成一個分數夏普值解決了投資報酬率看不到的問題，但這只是一個維度。一個交易者的真實能力，需要從多個角度同時評估。這就是Q-Chain設計Q-Score系統的原因。Q-Score 是一個 0 到 100 分的量化評分，由六個維度組成：1.獲利力（創辦人得分：84分）評估的是絕對報酬能力。不僅看你賺多少，還要看你的報酬是否有持續性。 84分代表系統在獲利能力上已達到A級水準。2.風控力（創辦人得分：72分）回撤控制能力。 -13.83%的最大回撤，放在台股操作環境裡是相對謹慎的數字。 72分代表這個交易系統在虧損控制上有明確的紀律，並不是指望運氣不會遇到大跌。3.穩定性（創辦人得分：100分）這是讓很多人意想不到的一個維度。穩定性100分，代表的是每月贖回的分佈非常均勻－不是靠一兩個月的爆發支撐起中期業績，而是月費都在貢獻正贖回。這個維度直接過濾掉所有靠「賭對一次」支撐門面的帳戶。4.勝率（創辦人得分：70分）70%的交易是獲利的。這個數字需要上漲獲利力和風控力一起看——高勝率如果配上小賺大賠的模式，反而是危險的訊號。這裡的70%是有意義的70%。5. 資歷（創辦人得分：1分）我要特別說一下這個維度。1分是低分，我不會迴避這件事。原因很直接：Q-Chain平台是我們的新平台。資歷維度評估了帳戶在平台上的驗證歷史長度，而係統剛開始運作。這1分不代表回顧人的交易資歷淺－交易歷程超過20年，從台積電第一筆交易到澳洲研究室研究台指期，到全職量化交易。但這個平台上的驗證記錄是新的，所以誠實給1分。Q-Score不是給你看漂亮數字的工具，而是給你看真實的工具。6.活躍度（創辦人得分：100分）持續在市場上交易，持續更新數據。 100分代表這個帳戶是活躍的、真實運作中的系統，而不是歷史效果截圖的展示帳戶。六維合計：Q-Score 75.4，A級。分數這個是群益金鼎證券API直接計算輸出的，不是人工填寫，不能造假，不能截圖。這是Q鍊和市場上所有表現優異的老師之間，最根本的差異。五、你現在可以做一件事台股投資人面臨的問題從來不是缺乏資訊，而是缺乏可驗證的資訊。Q-Score和夏普值，是目前台股市場上最接近「調查績效評估」的工具。不是因為它完美，而是因為它的資料來源是券商API，不是人。Q-Chain平台目前正在完成公司設定程序，預計近期將正式上線。如果您認為台股投資人應該有權看到的真實功效數據，無需精心設計的截圖，歡迎填寫預先登記表格。上線第一時間，我通知你。「附圖：Q-Chain系統實際截圖（API驗證，數據由群益金鼎直接輸出）」→行銷爭霸戰隊長預先登記（免費加入）： https://forms.gle/1m3PQkf3tuMso61D7→先鋒資料服務預先登記： https://forms.gle/JJL8mbMAZQa2yf5y5https://vocus.cc/article/69a48a81fd897800018b7fee

2026年，我的股票會漲嗎？遙遠的華爾街，高盛、摩根士丹利、瑞銀、摩根大通給出了一個堅定的建議：超配中國股票。2025年初，高盛在報告中提出，若政策落實和盈利改善逐步兌現，中國股市的上行空間依然可期，全球共同基金可能重燃對中國股票的興趣。那個時候的高盛是謹慎，甚至是悲觀的。他們推出了《人形機器人》三部曲，給出了一個冷酷的結論，機器人到2035年全球滲透率僅4%，中國的人形機器人進家門還要等5年。至此，2025年的機器人概念股令人一言難盡。全球投行老大的高盛猶如一位華爾街巫師，他們的一言一行總是影響著全球操盤手的決策。2026年初，高盛對中國明顯變得積極樂觀，他們在報告中做出了高配中國A股、港股的投資建議。理由是中國出口存在結構性上行空間，投資在政策支援下有望反彈。“十五五”規劃將產業體系和科技自強列為優先事項，高盛預計中國股市2026年漲幅將超過15%至20%。摩根大通從2025年開始，一直比高盛更為積極樂觀。2025年中期，摩根大通認為，以DeepSeek為主的中國科技進入到爆發的元年，尤其是隨著阿里巴巴公佈未來三年人工智慧基礎設施投資超過3800億的計畫後，浙江提出到2027年以人工智慧核心產業營收超兆的計畫，各地人工智慧產業鏈佈局開始覆蓋晶片、雲平台、大模型等領域。摩根大通建議首配中國科技股。2026年一開年，摩根大通對中國A股和港股更是殺瘋了。2月初，摩根大通分析師首次覆蓋MiniMax和智譜，稱兩隻股票是把握下一波全球人工智慧價值創造浪潮的首選標的，直接給出了“超配”評級。這只是摩根大通看好中國股票的一個縮影，他們對2026年滬深300指數更是給出5200點的預測，漲幅約12%。MSCI中國指數年底前上漲約18%，超配中國。高盛、摩根大通，摩根士丹利、匯豐、瑞銀等國際大行對2026年的中國股票給出了積極樂觀的投資建議，最低的漲幅都維持在6%以上。他們不約而同將目光聚焦到“十五五”開局之年的財政空間、中國企業的盈利修復，以及估值相對全球市場的窪地價值，尤其是中國政府堅決“反內卷”政策對企業利潤結構的影響，會進一步推動上市公司的估值中樞。外資數年間對中國資本市場的估值邏輯存在嚴重分歧，集中在中國股票財務的不透明，持續盈利能力的不確定性等等，無論是本土資本，還是國際資本，對中國股票的投資邏輯都是“低估值的價值博弈”，隨著中國在新能源、人工智慧等領域的突飛猛進，AI開始了廣泛應用，創新藥的不斷推出，在外資看來，中國股票變成了可以長期持有的“優質盈利驅動型資產”。那麼2026年到底該買入什麼股票呢？AI成為當之無愧最大的熱門概念。2026年被資本市場普遍關注的是AI的盈利驗證問題。投資股票主要看三個關鍵詞：好生意、好公司、好價格。毫無疑問，AI是個好生意，也就是通常說的賽道，沒問題。那麼誰是好公司呢？任何好生意，賣鏟子的永遠比應用更早賺錢，所以輝達在全球都是一騎絕塵。那麼中國AI的龍頭非字節、阿里、騰訊、華為等巨頭莫屬。高盛堅信，2026年市場的核心變化是“AI受益者擴散”。當字節和華為沒有上市，阿里、騰訊成為股票買入對象之外，敏銳的資本會從高不可攀的晶片和基礎設施向用AI進行場景落地，並且實現盈利增長的上市公司聚集，也就是摩根士丹利說的AI變革性重塑的經濟實體。市場將由GPU估值轉變到AI投入的營收之問，講不清投資回報率的公司將會被資本清算。2026年如果說資本開始對ROI進行關注的話，那麼AI進入了真正的泡沫清算之年。現在很多AI公司還處於燒錢階段，儘管AI的ROI模型跟傳統ROI模型有著難以彌合的分歧，AI已經在全球範圍內進入企業生產力階段，尤其是字節、阿里、沃爾瑪等企業，包括摩根大通、高盛等投行，企業的損益表中能看到生產力提升帶動AI投資回報的實現。資本會從資料積累、場景優勢、商業化能力等多個維度對網際網路及科技企業，進行全方位的價值重估。除了AI，摩根大通還把反內卷列為2026年大投資主題的首位。理由是過去很多年，中國企業一直陷入惡性的價格競爭，多個行業的利潤大規模被吞噬，最典型者莫過於太陽能、電池、鋼鐵等產業。中國政府從2025年開始，通過政策引導和市場整合，進行反內卷，提高行業集中度，比如遙遙領先的新能源汽車，就鼓勵提高集中度，這有助於修復企業的盈利能力。從A股結構看，反內卷最大的受益者莫過於滬深300成分股，他們絕大多數都是行業的頭部企業，無論是市場規模，還是公司治理，都將在提高行業集中度方面佔據領先優勢，進而推動淨利潤率的復甦，這也是A股盈利增長的重要基礎。而且滬深300擁有行業議價能力，甚至擁有細分領域的定價權，通過反內卷，除了提升淨利潤率，還能進一步鞏固龍頭地位。摩根士丹利更像是馬斯克的小迷弟，他們將能源的未來列為2026年的四大主題之一。AI時代資料的爆炸式增長帶來一個致命的問題就是對能源的極限考驗。波克夏的新掌門人阿貝爾掏43億美元買入Google，他的邏輯是Google的AI資料中心是公用事業，耗電可預測、現金流穩定。馬斯克最擔心就是電力難以滿足人工智慧的需求，能源轉型進入現實主義階段。如果說百年前中國錯過了工業革命的領導者機會，那麼在人工智慧的浪潮中，中國正跟美國形成東西雙子星的格局。尤其是中國擁有馬斯克無比羨慕的電力，摩根士丹利甚至認為，傳統能源與新能源的共存期長於市場預測，也就是未來無論是突飛猛進的太陽能、核電，還是傳統的水電、火電等能源，都將在人工智慧時代獲得資本關注的機會。當然，儲能豈能錯過？除了高科技和能源，黃金和美元依然是全球關注的焦點。隨著聯準會主席的換人，無論是華爾街分析師，還是全球的資本，都開始擔心美元貨幣政策政治化的風險。畢竟川普是一個特立獨行的人，他總想獲得凌駕於美國制度之上的超級權力。美國財長都毫不避諱，川普政府正在採取一系列措施，推行強勢美元政策，以使投資美元資產更具有吸引力。2026年初，美元與黃金雙雙走弱，打破了強美元壓制金價的歷史相關性。跟川普的任性有著密切關係，聯準會主席剛上任，川普就威脅說新的主席如果不降息就起訴他。儘管美國財長說那只是個玩笑，可是沒有人相信川普會尊重聯準會的獨立性。畢竟現在美國債務不斷攀升，川普貿易政策不可預測性很強，如果貨幣政策政治化，會削弱美元資產信心。摩根大通、德意志銀行、瑞銀都上調了黃金ETF的目標價，最高到6150美元/盎司，他們堅信新興市場央行的“追趕式增儲”會推動黃金的價格。貝萊德覺得，全球債務處於歷史高位，黃金不依賴主權信用承諾，抗風險的能力逐漸被放大，定價機制也正從成本定價轉向風險定價。美元的科技吸引力不再一枝獨秀，美元循環的持續性受到質疑時，買入黃金成為選擇。當然，超配中國股票不只是一句口號，也不只是AI產業鏈，以及相關的能源，當華爾街的投行們對美元和黃金都開始產生分歧的時候，其實中國的銀髮經濟、出口等領域，同樣存在著大量的投資機會。在地緣政治風險溢價長期化的情況下，波動率回歸，資產多元化配置，進行流動性管理，才能穿越震盪。面對2026的機會以及可能的高波動率市場，也許，老百姓會說：永遠滿倉，永遠熱淚盈眶。 (尺度商業)

美國時間2月3日晚間，一場本該正襟危坐的頂級科技對話，最終變成了一場“五杯酒後的坦白局”。剛結束中國之行、甚至還沒來得及倒時差的輝達CEO黃仁勳，坐在了思科CEO查克·羅賓斯(Chuck Robbins)對面。幾杯酒下肚，黃仁勳的嗓音開始沙啞，但話語卻越來越犀利。藉著酒勁，黃仁勳不僅“砸”了程式設計師的飯碗，“懟”了管理學的教條，甚至還對幾家世界級巨頭來了一波貼臉“拉踩”：關於程式設計師：“程式設計？那只是打字而已。打字已經不值錢了。”關於控制慾：“如果你想掌控創新，那你該去看看心理醫生。”關於摩爾定律：“10年算力提升了100萬倍，在這種速度面前，昔日的摩爾定律簡直慢得像蝸牛在爬。”關於傳統巨頭：“我很愛迪士尼，但我敢肯定他們更想成為Netflix；我很愛梅賽德斯，但我確信他們更想成為特斯拉。”關於AI進化：“為什麼要讓人去適應工具？讓AI學會使用工具，我們才能創造出真正的‘數字勞動力’。”黃仁勳用這些“爆論”提醒所有掌舵者：在指數級進化的浪潮面前，你過去引以為傲的經驗，註定將被時代無情淘汰。01“失控”的百花齊放：你的第一課不是ROI，是“放手”當羅賓斯問及企業邁向AI的第一步應該是什麼時，黃仁勳的回答繞開了所有常規的商業話術。“我經常被問到投資回報率這類問題，但我不會先談那個。”他直截了當地說。在他看來，在技術爆發的黎明期，用電子表格去框定價值是徒勞的，甚至是危險的，因為這只會扼殺探索的觸角。他拿出了輝達內部的實踐作為例子：讓“百花齊放”。在輝達內部，AI項目多到幾乎失控。“注意我剛才說的：失控，但棒極了。”黃仁勳強調。他對此的解釋充滿哲學意味：“創新並不總是在掌控之中。如果你想掌控一切，首先應該去諮詢心理醫生；其次，那是一種錯覺，你根本掌控不了。”他的管理邏輯簡單到令人驚訝，像對待孩子一樣對待團隊的好奇心。“當我們的某個團隊說想嘗試某種AI時，我的第一個回答是‘可以’，然後我會問‘為什麼’。我不是先問為什麼再同意，而是先同意再問為什麼。”他對比道，我們在家裡從不這樣要求先給出證明，但在工作中卻這樣做，這對他來說毫無邏輯。黃仁勳描繪的路徑圖清晰而反直覺：第一步不是制定嚴謹的試點計畫，而是允許甚至鼓勵“安全地試錯”。讓每個有想法的團隊去接觸、去嘗試各種AI工具，無論是Anthropic、Codex還是Gemini。其目的不是立即產出效益，而是培養組織的“AI感覺”。只有經過一段充分甚至略顯混亂的百花齊放期，領導者才能憑藉直覺和觀察，知道何時該開始“修剪花園”，將資源集中到真正重要的方向上。“但你不能太早集中力量，否則會選錯箭。”他警告道。02從“螺絲刀”到“創造勞動力”：AI工廠的本質是價值轉移那麼，當企業開始探索之後，究竟要看向何方？黃仁勳用“AI工廠”這個概念，描繪了一幅遠比提升效率更宏大的圖景。他認為，我們正在經歷從“製造工具”到“創造勞動力”的根本性轉變。“我和查克所在的行業一直在製造工具，始終在做螺絲刀和錘子的生意。”過去幾十年，科技公司生產軟體、晶片、網路裝置，這些都是工具，是原子世界效率的延伸。但AI，特別是能夠理解物理世界、具備因果推理能力的物理AI，將改變遊戲規則。“有史以來第一次，我們要創造人們所謂的‘勞動力’，或者是‘增強型勞動力’。”他舉例說，自動駕駛汽車本質上是一個數字司機，而這個數字司機的生命周期經濟價值，將遠超汽車本身這個硬體。這才是“AI工廠”的深層含義：它不是一個存放伺服器的機房，而是一個源源不斷產出“數字勞動力”的新型價值創造中心。這種勞動力可以是一個永不疲倦的客服，一個即時最佳化供應鏈的調度員，或是一個能協同設計的工程師助手。黃仁勳給出了一個震撼的數字對比：全球IT產業規模大約在1兆美元，而全球經濟總量是100兆美元。“我們第一次面對一個拓寬了百倍的潛在市場總量。”這意味著，AI帶來的最大機會不是瓜分現有的IT預算，而是去滲透和重塑那剩下的99兆實體經濟。每一個行業都有機會通過注入這種數字勞動力，將自己重塑為一家技術公司。“我相信迪士尼寧願成為Netflix，梅賽德斯寧願成為特斯拉，沃爾瑪寧願成為亞馬遜。”他尖銳地指出，你們所有人都是這樣的。03“無限快”與“零重力”：用AI思維重新定義難題如何才能真正抓住這百兆級的機遇？黃仁勳提出了一個顛覆性的思維模型：用“豐盈”(Abundance)的假設來思考一切。他諷刺地說，在AI時代，昔日的摩爾定律慢得簡直像蝸牛爬。現在，我們需要建立新的認知基準。“過去10年，我們的算力提升了多少？10年100萬倍。”在這種指數級豐盈的前提下，企業領導者的思維必須升級。“現在當我想像一個工程問題時，我假設我的技術、我的工具、我的飛船是無限快的。去紐約要多久？一秒鐘就到。”他啟髮式地問道，如果一秒鐘能到紐約，你會做些什麼不同的事？如果過去需要一年的事情現在能即時完成，你會做些什麼不同的事？如果過去很重的東西現在變得沒有引力了，你會如何處理？他要求管理者將這種無限快、零重力的假設應用到公司最核心、最棘手的難題上。比如面對一個擁有數兆關聯關係的複雜網路分析，過去的做法是分而治之。“現在則是：把整個圖都給我，多大都行，我不在乎。”這種邏輯正在被應用到各處。如果你不應用這種邏輯，你就做錯了。這不再是漸進式的最佳化，而是用技術富足的可能性去重新定義問題本身的邊界。他警告，如果你的競爭對手或某個初創公司以這種思維方式發起挑戰，他們將從根本上改變遊戲規則。04你的“問題”比答案更值錢：主權AI與未來公司核心在暢想了無處不在的數字勞動力之後，黃仁勳將話題拉回一個更現實也更隱秘的關切：資料主權與核心智慧財產權。針對企業應該完全依賴公有雲還是自建AI能力的問題，他的建議如同教孩子學騎車。“自己造一台。儘管PC隨處可見，但去動手造一台，去弄明白為什麼這些元件會存在。”他認為，企業必須擁有“切身的技術掌控力”。更重要的是，他提出了一個尖銳的觀點：公司最寶貴的智慧財產權，可能不是儲存在資料庫裡的答案，而是員工與AI互動過程中產生的“問題”。“我不放心把輝達的所有對話都放在雲端，因為對我來說，核心智慧財產權不是答案，而是我的提問。”黃仁勳解釋道：“我的提問才是我最有價值的IP。我在思考什麼，我的提問反映了這一點。答案是廉價的。如果我知道該問什麼，我就鎖定了重點。我不希望別人知道我認為什麼是重要的。”因此，他認為涉及戰略思考的對話，必須在受控的本地環境中進行。他描述道，未來每個員工都會有許多AI助手，這些AI持續學習員工的決策和疑問，最終這些進化了的AI將成為公司沉澱下來的獨特智能資產。“這就是未來的公司，它會捕捉我們的生命經驗。”05五層蛋糕與“預錄製”時代的終結：從檢索到生成的根本革命當談到具體實施路徑時，黃仁勳回溯了一場持續了15年的認知革命。他追溯至AlexNet代表的第一次接觸時刻，並得出一個結論：世界大多數難題並無精確物理定律可循，答案往往是視具體情境而定。這類依賴上下文的問題，正是AI能夠大顯身手的領域。真正的拐點是自監督學習的突破，這使得參數從數億爆炸性增長至數兆。他斷言：“我們將從底層重塑計算。計算將從顯式程式設計轉向一種全新的範式，即通過模型學習軟體。”緊接著，黃仁勳用了一個精妙的比喻：我們正從“預錄製”時代，邁入了“生成式”時代。“過去的軟體之所以是‘預錄製’的，是因為它裝在CD-ROM裡。”在舊範式裡，軟體如同燒錄好的光碟，使用者互動本質上是檢索。而未來的軟體將是高度場景化的。“每個場景都不同，每個使用者、每個提示詞、每個背景都不同。每一份軟體實例都是獨特的。”未來的應用將根據即時上下文、意圖和背景，動態生成獨一無二的響應、介面甚至功能。這就是生成式的核心，傳統的硬體、框架、模型各層的建構邏輯都已改變。06隱式程式設計革命：當“打字”成為通用技能，你的專長才是王牌在這場深刻變革中，行業知識的價值正在飆升。“從顯式程式設計到隱式程式設計，你只需要告訴電腦你想要什麼，電腦就會寫程式碼。”他指出，這場持續了60年的以編寫精確程式碼為核心的計算範式正在終結。“因為事實證明，寫程式碼只是打字而已，而打字已變得平庸化。”這意味著技術能力的門檻將被極大降低。相反，那些深諳業務但不懂技術的領域專家，將站上浪潮之巔。“剛畢業的電腦高材生程式碼很厲害，但他們不知道客戶想要什麼。你們知道。寫程式碼的部分很簡單，讓AI去做就行。理解客戶、理解問題的領域專長，這才是你擁有的超級力量。”這場對話以對思科的感謝作結，但留下的核心資訊無比清晰：AI革命不是IT部門的升級，而是一次商業邏輯的“重設”。隨著夜色漸深，對話在關於烤串和薯片的調侃中結束。但黃仁勳帶著醉意吐露的真言，如同他預言的那些數字勞動力一樣，已經開始無聲滲透，準備重塑我們所熟知的一切。【以下是實錄全文】羅賓斯：嘿，嘿，嘿。對，大家待在那兒別動。黃仁勳：我覺得我現在的狀態就像是在邊喝酒邊辦公。羅賓斯：剛才我們把酒拿上來時，黃仁勳提醒了我。他說：“你意識到你正在直播這個，對吧？”嘿，管他呢，天色已經晚了。黃仁勳：第一個原則是：不造成傷害，並且要意識到你是多麼幸運。羅賓斯：首先，感謝大家在這裡度過了漫長的一天。我們今天一早就開始了，演講者一個接一個，在大概兩個半小時的休息後，大家又回來見你了。黃仁勳：我今天凌晨一點就起床了。羅賓斯：所以，這傢伙正處於一段為期兩周、跨越亞洲四五個城市的旅程末尾。黃仁勳：一天前我還在台灣地區，昨晚在休斯頓，現在我在這裡。羅賓斯：他出門兩周了，現在咱們正攔在他回自家熱被窩的路上呢，他已經住夠了酒店。所以，我們會玩得開心點，然後放他走。雖然你不需要太多介紹，但還是謝謝你能來，夥計。我們真的很感激。黃仁勳：感謝我們的合作夥伴關係，也為你們感到驕傲。羅賓斯：那我們就從合作開始談起吧。我們一直有合作，你引入了“AI工廠”的整套概念。我們正在合作推進，雖然在企業領域可能沒我們想得那麼快。我們能先聊聊對你來說什麼是“AI工廠”嗎？黃仁勳：首先要記住，我們正處於60年來首次重塑計算的過程中。過去是“顯式程式設計”（explicit programming），對吧？我們編寫程序和變數，通過API傳遞，這些都非常明確；現在轉向了“隱式程式設計”（implicit programming）。你現在告訴電腦你的意圖，它會去想辦法解決你的問題。從顯式到隱式，從通用計算（本質上是計算）到人工智慧，整個計算堆疊都被重塑了。現在人們討論計算時總關注處理層（processing layer），也就是我們所處的層面。但請記住計算的構成。除了計算和處理，還有儲存、網路和安全。這一切都在此時此刻被重塑。第一部分是我們需要把AI提升到一個水平——我們稍後會詳談——需要提升到對人有用的水平。直到目前，那種你給一個提示詞，它想辦法告訴你答案的聊天機器人（chat bots），雖然有趣且令人好奇，但還不算真正有用。羅賓斯：有時它能幫我完成填字遊戲。黃仁勳：是的，但也僅限於它記住和泛化的東西。如果你回頭看，其實也就是三年前ChatGPT剛出現的時候，我們驚嘆它能生成這麼多詞句，能創作莎士比亞作品。但那都是基於它記憶和泛化的內容。我們知道，智能的核心在於解決問題。解決問題部分在於知道你不知道什麼，部分在於推理如何解決從未見過的問題。將問題分解為已知且易於解決的元素，通過組合來解決從未見過的問題，並制定策略（我們稱之為“規劃”）來執行任務、尋求幫助、使用工具、進行研究等等。這些都是現在“智能體AI”（agentic AI）術語中的基本內容，包括工具使用、研究、基於事實的檢索增強生成（RAG）、記憶等。你們在討論智能體AI時都會聽到這些。但最重要的一點是，為了從這種“顯式程式設計”的通用計算（我們用Fortran、C、C++編寫的時代）進化。羅賓斯：對。黃仁勳：那是好東西，羅賓斯。羅賓斯：那是我的保底工作。黃仁勳：那是非常好的技能，那些技能依然有價值。羅賓斯：我知道。黃仁勳：它們依然有價值。羅賓斯：我已經拿到很多錄取通知了。黃仁勳：“恐龍”永遠是有價值的。我們剛證實了你比我大。我知道我是那個“史前時代”的人，雖然看起來不像，但確實如此。好了，這挺有意思的。我可能是這屋裡最老的人了。羅賓斯：那我們聊聊這個。黃仁勳，當你思考未來時。黃仁勳：我們現在就在這兒。我去找羅賓斯說：“嘿，聽著，我們需要重塑計算，思科必須參與其中。”我們有一整套全新的計算堆疊即將推出，叫Vera Rubin。思科將與我們同步推向市場。此外還有網路層，思科將整合我們的AI網路技術，並將其放入思科的Nexus控制平面中。這樣從你的角度來看，你既能獲得AI的所有性能，又保留了思科的可控性、安全性和管理性。我們在安全領域也會做同樣的事情。每一個支柱都必須重塑，企業計算才能受益。我們晚點再聊這個：為什麼三年前企業AI還沒準備好，以及為什麼現在你別無選擇，必須盡快參與進來。不要落後。你不必成為第一家利用AI的公司，但千萬別做最後一家。羅賓斯：沒錯。那麼如果你是今天的企業主，你建議他們採取的第一、第二、第三步是什麼，來開始做好準備？黃仁勳：我經常被問到投資回報率（ROI）這類問題，我不會先談那個。原因是，在所有技術部署的初期，很難用Excel表格算出新工具、新技術的ROI。我會去做的事，找出我公司的本質是什麼？我們公司做的最有影響力的工作是什麼？別在那些邊緣、次要的事情上浪費時間。在我們公司，我們就是讓“百花齊放”（let a thousand flowers bloom）。我們公司內部不同的AI項目多得幾乎失控，這非常棒。注意我剛才說的：失控且棒極了。創新並不總是在掌控之中。如果你想掌控一切，首先該去諮詢心理醫生。其次，那是一種錯覺，你掌控不了。如果你想讓公司成功，你控制不了它，你只能影響它。我聽到太多公司想要明確、具體、可論證的ROI，但在初期展示某件事的價值是很困難的。我建議讓百花齊放，讓人們去實驗，讓人們安全地實驗。我們公司在實驗各種東西，我們用Anthropic，用Codex，用Gemini，什麼都用。當我們的某個團隊說想嘗試某種AI時，我的第一個回答是“可以”，然後我會問“為什麼”。我不是先問為什麼再同意，而是先同意再問為什麼。原因是我對公司的期望和對孩子是一樣的：去探索生活。他們說想嘗試某件事，答案是“好”，然後才問原因。你不會說：“先證明給我看，證明做這件事能帶來財務成功或未來的幸福，否則我不讓你做。”我們在家裡從不這樣做，但我們在工作中卻這樣做。羅賓斯：你明白我的意思嗎？黃仁勳：是的。這對我來說毫無邏輯。所以我們對待AI的方式，無論是之前的網際網路還是雲技術，就是讓百花齊放。然後在某個時間點，你需要用自己的判斷力來決定何時開始“整理花園”。因為百花齊放會讓花園變得很亂。但在某個點，你必須開始整理，找到最好的方法或平台，以便集中力量辦大事（put all your wood behind one arrow）。但你不能太早集中力量。羅賓斯：否則會選錯。黃仁勳：沒錯。所以先讓百花齊放，到某個點再整理。就目前的進展來看，我還沒開始整理呢，我還在讓各地百花齊放。但我當然知道什麼對我們公司最重要。我確保有大量的專業知識和能力集中在利用AI革命化那些核心工作上，在我們的案例中，就是晶片設計、軟體工程、系統工程。你可能注意到了，我們與新思科技、楷登電子、西門子以及今天的達索系統合作，這樣我們就能注入我們的技術。無論他們想要什麼，我都會提供，以便革命化我們設計產品的工具。我們到處都在用新思科技、楷登電子、西門子和達索。我會確保他們得到1000%的支援，這樣我就有了創造下一代產品所需的工具。這反映了我對重塑自身工作的態度。想想AI做了什麼：它成數量級地降低了智能的成本，或者說創造了海量的智能。換句話說，過去需要一個單位時間的工作，現在過去需要一年的，可能只要一天；過去需要一年的，現在可能只要一小時，甚至可以即時完成。在“豐盈”（abundance）的世界裡，摩爾定律慢得簡直像蝸牛爬。記住，摩爾定律是每18個月翻兩倍，5年10倍，10年100倍。但我們現在在那？10年100萬倍。在過去10年裡，我們將AI推進得如此之遠，以至於工程師說：“嘿，猜怎麼著？我們干脆用全世界所有的資料來訓練一個AI模型吧。”他們指的不是收集我硬碟裡的資料，而是拉取全世界的資料。這就是“豐盈”的定義。它的定義是：當你看到一個巨大的問題時，你說：“管他呢，我全部都要解決。”我要治癒每一個領域的疾病，而不僅僅是癌症。我們直接解決人類所有的痛苦。這就是“豐盈”。現在當我想像一個工程問題時，我假設我的技術、我的工具、我的飛船是無限快的。去紐約要多久？一秒鐘就到。如果一秒鐘能到紐約，你會做些什麼不同的事？如果過去需要一年的事情現在能即時完成，你會做些什麼不同的事？如果過去很重的東西現在變得沒有引力了，你會如何處理？當你帶著這種態度去處理每一件事時，你就是在應用“AI邏輯”。這有意義嗎？比如我們合作的很多公司，圖分析中的依賴關係、節點和邊多達數兆。過去你會一小塊一小塊地處理圖，現在則是：“把整個圖都給我，多大都行，我不在乎。”這種邏輯正在被應用到各處。如果你不應用這種邏輯，你就做錯了。速度重不重要？一點也不重要，因為你處於光速。質量重不重要？零重量，零重力。如果你沒有應用這種邏輯去思考你公司裡最難的問題，你就沒做對。這就是他們所有人的思維方式。如果你不這麼想，你只要想像你的競爭對手在這麼想就行了。想像一家即將成立的公司在這麼想，這會改變一切。所以，去找到你公司裡最有影響力的工作，給它應用“無限”、“零”、“光速”的概念，然後問羅賓斯怎麼實現。羅賓斯：給我就行。黃仁勳：我們會一起實現。羅賓斯：你有一個“五層蛋糕”的類比，因為大家都在談論基礎設施、模型、應用。我該怎麼做？談談這個。黃仁勳：成功人士做的一件事就是推理正在發生什麼。大約15年前，一個演算法讓兩名工程師解決了一個電腦視覺問題。視覺是智能的第一部分：感知。智能由感知、推理、規劃組成。感知是：“我是什麼？發生了什麼？我的上下文是什麼？”推理是：“我如何根據目標進行推理？”第三是制定計畫去實現目標。就像戰鬥機的問題，感知定位然後行動。沒有感知就沒有第二和第三部分。如果不理解上下文（context），你就不知道該做什麼。而上下文是高度多模態的，有時是PDF，有時是電子表格。有時是感官和氣味，比如我們在那，在幹什麼，聽眾是誰，如何閱讀房間裡的氣氛，等等。大約13、14年前，我們在電腦視覺領域取得了巨大的跨越。AlexNet是我們看到的第一個突破，那就像是《第一次接觸》（First Contact），我愛死那部電影了。那是我們與AI的“第一次接觸”。於是我們思考：這意味著什麼？兩名工程師怎麼可能戰勝了我們所有人鑽研了30年的演算法？我昨天剛和Ilya Sutskever聊過，還有Alex Krizhevsky。兩個帶著幾塊GPU的年輕人怎麼可能解決了這個問題？這意味著什麼？十年前我對此進行了分解和推理，得出的結論是：世界上大多數有價值的難題其實都沒有基本的物理演算法。沒有F=ma，沒有麥克斯韋方程組，沒有薛定諤方程或歐姆定律，沒有熱力學定律，它沒那麼精確。那些我們稱之為“直覺”和“智慧”的有價值的事物，就像你和我會遇到的問題，答案通常是：“視情況而定”（It depends）。如果答案總是3.14那就太棒了，但生活中有價值的難題往往取決於背景和環境。既然視覺問題解決了，我們推理出通過深度學習，這不僅是可擴展的，你還可以把模型做得越來越大。我們當時要解決的唯一問題是如何訓練模型，而巨大的突破是“自監督學習”。AI開始自我學習。注意，今天我們已經不再受限於人工標註資料了，完全不受限。這打開了閘門，讓模型從幾億參數擴展到幾千億、幾兆。我們可以編碼的知識和學習的技能爆炸式增長。我們將從底座重塑計算。計算將從“顯式程式設計”轉向一種全新的範式，即通過模型學習軟體。這對計算堆疊意味著什麼？對軟體開發意味著什麼？對工程組織、產品行銷、QA團隊又意味著什麼？這些產品未來會變成什麼樣？我們如何部署？如何保持更新？如何修補軟體？我當時問了上千個關於未來計算的問題，得出的結論是：這將改變一切。於是我們將整個公司轉向上。簡單來說，我們從一個所有東西都是“預錄製”的世界走來。羅賓斯：確實是很棒的東西。黃仁勳：運行了很長時間。鄭重聲明，那些確實是用希伯來語描述的（幽默暗示舊技術的古老）。羅賓斯：確實。那是另一項技能。黃仁勳：畢竟，這屋裡恐怕只有你，能同時精通希伯來語和COBOL了。無論如何，那是預錄製的。我們編寫演算法，描述思想，然後配上資料。一切都是預錄的。過去的軟體之所以是預錄的，是因為它是裝在CD-ROM裡的，對吧？現在的軟體是什麼？它是情境化的，每個情境都不同，每個使用者、每個提示詞、每個前置背景都不同。每一份軟體實例都是獨特的。過去預錄製的軟體被稱為“基於檢索模式”（retrieval-based）。當你用手機點一下，它會去檢索一些軟體、檔案或圖像並展示給你。而未來，一切都將是“生成式”的（generative），就像現在這樣。這場對話以前從未發生過。概念存在過，背景存在過，但這每一句話的順序都是全新的。發生這種情況的原因顯而易見，因為我們已經喝了四杯酒了。羅賓斯：還有冷萃咖啡。Cobol、希伯來語，謝天謝地這不在校園裡，也沒在直播。黃仁勳：嗯。羅賓斯：大家都明白你在說什麼嗎？黃仁勳：你們聽懂了嗎？羅賓斯今天只給我喂了四杯酒。羅賓斯：公平點說，我只喂了你一杯，剩下三杯是你從自助餐檯上拿的。黃仁勳：我一直在盯著那些食物，我太餓了。食物離我大概有40英呎（12米）遠。羅賓斯：那是因為你一直在拍照。黃仁勳：真的很近，但我好幾次想過去都被推回來了。羅賓斯：你知道發生了什麼嗎？你的團隊提前告訴過我們，如果他喝了三杯，他就是最佳狀態。如果喝到第四杯，情況就要崩了。黃仁勳：這狀態可就不太理想了。好了，聽著，我們得留下一些智慧。能再來一杯酒嗎？羅賓斯：這可不是Dave Chappelle的脫口秀。黃仁勳：談談別的。能源。羅賓斯：晶片。黃仁勳：能源聽起來不錯。能源、晶片、基礎設施（硬體和軟體），然後是AI模型。但AI最重要的部分是應用。每一個國家、每一家公司，底下的那些層都只是基礎設施。你需要做的是應用這項技術。向上帝發誓，快去應用這項技術。使用AI的公司不會陷入險境。你不會因為AI丟掉工作，你會因為一個使用AI的人而丟掉工作。所以，行動起來，這是最重要的。羅賓斯：並且盡快給羅賓斯打電話。黃仁勳：你打給我，我打給他。羅賓斯：我們時間不多了。黃仁勳：我們有的是時間。羅賓斯是按時計費的，而我甚至不戴手錶。我在價值交付之前是不會離開的。如果需要一整晚，我會一直折磨你們所有人。羅賓斯：黃仁勳，這就是為什麼像我這樣的人需要表。你能談談“物理AI”嗎？黃仁勳：軟體行業在衰落並會被AI取代的這種說法是世界上最沒邏輯的事。讓我們做一個終極思想實驗：假設我們是終極的AI——通用機器人，物理版的。既然你是類人機器人，你能解決任何問題。你會用現成的螺絲刀還是發明一把新螺絲刀？我直接用現成的。你會用現成的鏈鋸還是重造一把？答案顯而易見是使用工具。既然如此，再看數字版。如果你是AGI（通用人工智慧），你會去使用ServiceNow、SAP、Cadence、Synopsis，還是去重新發明一個計算器？當然是直接用計算器。為什麼要讓AI學會使用工具？因為現有的工具是‘確定性’的。世界上很多問題都有標準答案，比如牛頓第二定律F=ma。你不需要AI給你一個機率上約等於ma的模糊答案，ma就是ma。再比如歐姆定律V=IR，它在科學上是絕對的，而不是‘統計學上的IR’。所以，我們希望AI像人類一樣，直接拿起這些精準的工具去用，而不是在那些已經有標準答案的事情上瞎猜。我們希望AGI使用工具，這是個大邏輯。下一代物理AI將理解物理世界和因果關係。如果我推倒這個，它會帶倒那一切。它們理解“多米諾骨牌”的概念。每一個孩子都能理解推倒它意味著什麼，這種因果、接觸、引力和質量的結合是非常深刻的。大語言模型目前還沒這概念，所以我們要創造物理AI。機會在那裡？到目前為止，我和羅賓斯所處的行業一直在製造工具。我們一直處於“螺絲刀和錘子”的生意中。有史以來第一次，我們要創造人們所謂的“勞動力”，或者是“增強勞動力”。比如自動駕駛汽車是什麼？它是一個數字司機。數字司機的價值遠超汽車本身。我們第一次面對一個潛在市場總量（TAM）大了一百倍的市場。全球IT產業大約一兆美元，而全球經濟規模是一百兆。你們所有人都有機會通過應用這項技術，成為一家技術公司。我相信迪士尼寧願成為Netflix，梅賽德斯寧願成為特斯拉，沃爾瑪寧願成為亞馬遜。你們同意嗎？這三個例子我說對了嗎？羅賓斯：是的。你們所有人都是這樣的。黃仁勳：我們有機會幫助每一家公司轉型為“技術優先”的公司。技術是你的超級力量，而你的行業領域是應用場景。為什麼要技術優先？因為那樣你就是在和“電子”打交道，而不是“原子”。原子的價值受限於質量，而電子的價值在CD-ROM變成電子流的那一刻爆炸了千倍。你需要成為一家技術公司。即便是只懂希伯來語程式設計的羅賓斯，這也是一種天賦。羅賓斯：這個程式設計方向從右往左寫，挺聰明的。黃仁勳：聰明人做聰明事。最美妙的是，你們公司的優勢是知識、直覺和領域專業能力。現在你第一次可以用自己的語言向電腦解釋你想要什麼。從顯式程式設計到隱式程式設計，你只需要告訴電腦你想要什麼，電腦就會寫程式碼。因為事實證明，寫程式碼只是打字而已，而打字已變得平庸化。這是你們巨大的機會。你們全都能從物理（原子）層面的束縛中解脫出來，實現質的飛躍。我們不用再受限於沒有足夠的軟體工程師，因為打字是廉價的，而你們擁有極其珍貴的東西——理解客戶、理解問題的領域專長。剛畢業的電腦高材生可能寫程式碼很厲害，但他們不知道客戶想要什麼，不知道該解決什麼問題。你們知道。寫程式碼的部分很簡單，讓AI去做就行。這就是你的超級力量。我這個總結是在喝了五杯酒後做出的。羅賓斯：這簡直是個奇蹟。黃仁勳：能和各位合作是莫大的榮幸。思科在計算發明的兩個支柱領域——網路和安全——有著極深的造詣。沒有思科就沒有現代計算。在AI世界，這兩個支柱都被重塑了。我們擅長的計算部分在很多方面是廉價商品，而思科掌握的東西極具價值。早前有人問我：應該租用雲端還是自己建構電腦？我的建議和給我孩子的建議一樣：自己造一台。儘管PC隨處可見，但去動手造一台，去弄明白為什麼這些元件會存在。如果你在運輸行業，別只用Uber，去打開引擎蓋，去換個機油，去理解它。這項技術對未來太重要了，你必須有一種觸覺上的理解。你可能會發現自己對此極有天賦。你可能會發現世界並非全是“租”或全是“買”，你需要一部分在本地（on-prem）。比如涉及主權和私有資訊時，你不會想把所有的“問題”都分享給所有人。舉個例子，你去見心理醫生時，你不希望你的提問被發到網上。羅賓斯：假設性的例子，對吧？黃仁勳：對，假設性的。所以我認為很多對話和不確定性應該保持私密。公司也是一樣。我不放心把輝達的所有對話都放在雲端，所以我們在本地建構了超級AI系統。因為對我來說，最有價值的核心資產不是答案，而是我的提問。你們聽明白了嗎？我的提問才是我最有價值的IP。我在思考什麼，我的提問反映了這一點。答案是廉價的。如果我知道該問什麼，我就鎖定了重點。我不希望別人知道我認為什麼是重要的。所以我要在自己的小房間裡，在本地，創造我自己的AI。最後一點想法，現在已經11點了。過去有個觀點叫“人在環節中”（human in the loop），這是完全錯誤的。應該是“AI在環節中”（AI in the loop）。我們的目標是讓公司每一天都變得更好、更有價值、知識更豐富。我們不希望倒退或原地踏步。這意味著如果AI在環節中，它會捕捉我們的生命經驗。未來每個員工都會有許多AI在環節中，這些AI會成為公司的智慧財產權。這就是未來的公司。所以，我覺得明智的做法是立即給羅賓斯打電話。羅賓斯：我打給黃仁勳。兩周的旅程，黃仁勳飛到這裡和我們度過了最後一晚，這是他很久以來第一次能睡在自己的床上。我們永遠感激。黃仁勳：非常感謝。另外，我眼角餘光一直瞄著那些肉串。羅賓斯：我希望它們還在那兒。黃仁勳：答應我的那袋薯片在那？羅賓斯：走吧，去吃。謝謝大家！ (首席商業評論)

上個月美股的大空頭Michael Burry還在用AI泡沫論恐嚇市場，這個月Google直接甩出報告《The ROI of AI 2025》，三千多個企業高管的調研資料，挺超預期的。十分亮點且樂觀的資料74%的公司說他們至少在1個AI項目上賺回來了，注意，是已經賺到且回本了！更有意思的是那批"重倉型"，就是把AI預算的一半以上都砸進智能體、且大規模部署的公司，已經88%說見到回報了，比平均水平高出14%。這批公司還有幾個特點：82%已經上線了超過10個AI智能體！78%用AI搞生產超過一年了。真金白銀往裡砸砸砸！關鍵資料概覽 圖：報告關鍵發現概覽（來源：Google Cloud《The ROI of AI 2025》第3頁）AI智能體是什麼？不是GPT、豆包那種聊天對話方塊。打個比方：聊天機器人像個百科全書，你得主動翻；AI智能體更像個實習生，你交代清楚了，它就一直run現在52%使用AI的公司都上了智能體，39%的公司甚至部署了10個以上。速度有沒有超出你的預期？賺錢最快的五大場景五大業務影響領域 圖：Gen AI對五大業務領域的影響（來源：第24頁）員工效率——70%的公司說有提升IT部門尤其明顯，70%提到IT流程和效率改善了，39%的公司說員工生產力至少翻了一倍。客戶體驗——63%的改善，比去年的60%還漲了點83%提到使用者參與度上去了，75%說滿意度提高。應該是客服場景，簡單問題AI先接著，複雜的再轉人工。營收增長——56%說業務有增長明確營收漲的公司裡，53%估計漲幅在6%-10%之間，31%說超過10%。營收增長資料 圖：Gen AI帶來的營收增長分佈（來源：第31頁）市場行銷——55%說有幫助寫文案、做素材、分析資料，這些AI確實拿手。零售和媒體行業最積極，都有59%說AI對行銷有用。安全防護——49%說到安全性提升77%提到識別威脅的能力變強，61%說處理問題的時間縮短了。讓AI去盯日誌找異常，比人眼強，畢竟它不會偷懶。不同行業的玩法不太一樣各行業上AI智能體，優先解決的問題不同：行業AI智能體使用情況 圖：各行業Top 3 AI智能體應用場景（來源：第16頁）零售和金融都把客戶服務排第一，分別是47%和57%。製造業最看重的是客服和行銷並列第一，都是56%。醫療行業反而把技術支援排最前面，49%。電信行業最關心安全，47%。說明AI不是萬能藥，得看你那兒最疼。預算的問題77%的公司說，AI技術成本降了之後，他們反而花得更多了。看來降價刺激消費，在那兒都一樣。現在平均26%的IT預算花在AI上。那些重倉型企業更誇張，39%的IT預算都給了AI。58%的公司說在撥新預算給AI。高管支援有多重要？報告裡說，有C級高管直接負責AI戰略的公司，78%見到了回報；但沒有C級高管親手抓的也有72%見到回報。高管支援與ROI關係 圖：C級高管支援與ROI的關係（來源：第43頁）坦白說，6個點的差距沒有特別震撼。可能真正的差異不在"有沒有領導重視"，而在別的地方——預算夠不夠、團隊配不配合、選的場景對不對。不過有個趨勢值得注意：AI戰略和高管層強繫結的公司比例，從去年的69%漲到了今年的73%。越來越多公司把AI當成一把手工程來抓了。甲方選LLM的關鍵點重中之重的是資料隱私和安全，37%的公司說這是選AI供應商時最看重的。因為讓AI接入公司系統，它就能看到一堆敏感資料。萬一出漏子，輕則罰款，重則關門大吉。系統整合排第二，28%。成本排第三，27%。LLM供應商選擇因素 圖：選擇LLM供應商的Top 3考量因素（來源：第45頁）總結52%用AI的公司已經在搞智能體了，這不是小數字。如果你的企業還在觀望，可能得考慮一下你還追得上競爭對手嗎？那些賺到錢的公司有個共同點：不是淺嘗輒止，是重倉下注而且持續投入。試水可以，但光試水可能試不出什麼。最見效的場景集中在員工效率、客戶服務、行銷。如果要部署AI，可能從這些方面切入比較穩！當然這份報告是Google Cloud出的，它自己賣雲服務和AI，數字肯定往好了說。但三千多個高管的樣本，覆蓋全球20多個國家、七個行業，還是有點參考價值的。至於AI到底能不能幫你賺錢，還得自己擼起袖子加油幹了才知道。 (FinHub)

大摩認為，GPU供應仍然比較緊張，需求繼續超過供應。過去6個月中H100租賃價格有所下降，但價格的絕對水平表明硬體的投資回報率非常高，回本期在一年以內。 AI熱潮推升算力需求，GPU租賃到底掙不掙錢？ 8月27日，摩根士丹利Joseph Moore及其團隊發佈報告稱， GPU租賃市場目前仍然供不應求，投資回報率（ROI）極高，雖然H100的租賃價格有所下降，但價格的絕對水平表明回本期在一年以內。對資料中心投資者而言，輝達仍是最安全的選擇。

投資人對AI的關注點將轉向投資報酬率（ROI） 從Meta、Google和微軟三巨頭的財報發布後的市場反應中不難看出，三家公司對AI投資仍在繼續，而市場關注的焦點已經轉向，AI投資可否為公司帶來巨大的效益。 由德意志銀行分析師Olga Cotaga領導的團隊近期發布報告表示，目前投資人已經過了對AI能力感到興奮的階段，開始進一步考慮AI的投資報酬率（ROI）。 隨著AI應用逐步落地，投資報酬率預計將進一步提高，數據顯示，在過去幾年中，AI專案的投資報酬率已經不斷攀升。