《价值投资拥抱 AI：买公司 × 能力圈 × 现金流检验》

本节学什么

这一节只解决一个问题：为什么段永平式价值投资不是天然排斥 AI，而是要求 AI 先通过“生意”检验。深研稿给出的定位很清楚：段永平不是 AI 原生投资人，而是传统价值投资者正在拥抱 AI 产业链的代表。看他的意义不在于模仿任何一笔仓位，而在于观察一个长期强调“买股票就是买公司”“不懂不投”“本分和平常心”的投资者，如何在新技术周期里既开窗口，又不把原则交给市场热度。

核心框架

本节框架可以写成五道门。第一道门是商业模式：AI 公司或 AI 受益公司到底靠什么赚钱，收入是不是由客户真实需求支付，而不是由融资和叙事支撑。第二道门是护城河：竞争者为什么不能用更低价格、更好产品或更强渠道拿走利润。第三道门是现金流：增长最终能不能转成自由现金流、利润质量和可持续回报。第四道门是能力圈：研究者是否真正理解关键变量，还是只会复述行业词。第五道门是价格：即使公司好，也要问当下价格是否已经提前透支未来。

这套框架的重点不是慢，也不是保守，而是把技术变化翻译成企业价值。AI 越热，越容易出现“因为行业大，所以公司一定好”的偷换；段永平方法论会先把行业光环剥掉，回到单家公司能不能持续赚到钱。深研稿把他的体系压缩为：用本分和平常心回到事物本质，只在能力圈内寻找对的生意、对的人、对的价格，并用 Stop Doing List 避免原则性错误。这就是价值检验的骨架。

他怎么用(具体案例+数据+原话)

公开 13F 口径提供了一个观察窗口。H&H International Investment, LLC 在报告期 2026-03-31 的 13F 中披露组合总市值约 200.04 亿美元、19 个披露持仓；前四大分别是 Apple 36.72%、Berkshire Hathaway B 21.91%、Nvidia 12.07%、PDD 10.09%。这不是一个纯 AI 主题组合，但 AI 链已经明显进入组合视野：苹果是终端和生态，英伟达是算力，Alphabet 和微软是云、广告、企业软件平台，Tesla 是车端 AI，CRDO、TSM、PLTR、SNPS、SNOW、TEM、INOD 则分别落在互连、制造、应用、EDA、数据、医疗 AI 和数据服务等环节。

这里最重要的不是“有 AI 仓位”，而是仓位结构仍然符合“买公司”的顺序。苹果仍是第一大仓，说明他并没有把传统价值底仓清空去追 GPU 热点；英伟达升至第三大仓，则说明价值派可以承认 AI 算力可能形成真实基础设施周期。深研稿对这件事的表述很克制：价值投资框架不是拒绝 AI，而是要求 AI 回到商业模式、护城河、现金流和能力圈。可引用的原话层面，课程只保留方法论原句：“买股票就是买公司”“不懂不投”“本分和平常心”。这些话不是装饰，而是把 AI 研究从题材语言拉回企业语言。

常见误区

第一个误区，是把“价值投资拥抱 AI”理解成价值投资失效。其实框架没有变，变化的是可研究的商业对象。AI 可能创造新利润池，但仍要解释客户、产品、价格、成本、竞争和现金流。

第二个误区，是把 13F 直接等同于段永平本人完整资产或实时交易。深研稿明确提示，H&H 13F 是公开美股组合口径，不等同个人完整资产，且有季度披露滞后。用它做方法研究可以，用它做仓位指令就越界。

第三个误区，是把 AI 链相关持仓自动当成荐股清单。课程讨论的是框架，不讨论买点、卖点、具体价位或仓位建议。任何公司都可能因为估值、竞争、周期、监管或执行问题而偏离研究假设。

可迁移方法

迁移到自己的研究时，先做一张“AI 价值检验表”。列出公司所处环节、收入来源、客户预算、毛利和现金流路径、竞争壁垒、关键风险、估值依赖的未来假设。然后写下两组句子：若判断成立，应看到什么数据；若判断错误，最早会从哪里露出破绽。最后再决定自己是否在能力圈内。如果关键变量说不清，就把它放进观察池，而不是强行下结论。

小结

本节的核心不是段永平买了哪些 AI 相关公司，而是他给 AI 打开的入口仍然是传统价值投资入口。AI 可以是工业级变化，但投资仍然是买公司。商业模式、护城河、现金流、能力圈和价格这五道门，是本课程后面六节的共同约束。

本节学什么

这一节只讲“买股票就是买公司”在苹果上的用法。苹果容易被贴上消费电子、硬件周期、手机销量、估值倍数等标签，但段永平框架会先问：这到底是不是一家好公司，为什么用户愿意长期留在它的生态里，服务现金流和品牌信任能不能延续，AI 时代端侧智能会增强还是削弱这个生态。学习目标不是判断苹果股价，而是学会把一个热门大公司还原成可分析的生意系统。

核心框架

苹果这节的框架是“生态闭环账本”。第一层看用户资产：活跃设备、用户习惯、迁移成本、隐私信任和品牌忠诚。第二层看收入结构：硬件销售不是孤立的一次性交易，它会带来 App Store、订阅、支付、保修、云服务和内容服务等后续现金流。第三层看企业文化：长期专注、产品体验、供应链管理和对用户价值的取舍，会决定公司能否在技术变化中保持一致性。第四层看 AI 增量：端侧 AI 如果能让用户更频繁地使用设备、更愿意升级硬件、更离不开系统服务，它就强化原有闭环；如果只是一组可替代功能，它对长期价值的贡献就有限。

这个框架与“消费电子周期股”不同。周期股分析更重出货量和库存，生态公司分析还要看留存、转化、服务现金流和品牌溢价。段永平式说法“买股票就是买公司”，放到苹果上，就是把屏幕、芯片和销量背后的用户关系看清楚。深研稿也指出，他看苹果的底层不是“消费电子股票”，而是生态、品牌、用户粘性、服务现金流、企业文化和长期专注。

他怎么用(具体案例+数据+原话)

H&H 2026Q1 13F 中，Apple 仍为第一大仓，市值约 73.46 亿美元，占组合 36.72%，持股约 2894.56 万股。这个数据本身只能说明公开口径的组合权重，不能说明实时意图，但它足以显示苹果仍是整个组合的核心观察对象。与其说这是“买一个手机公司”，不如说是押注一家拥有用户入口、服务现金流和生态锁定能力的公司能否在 AI 时代继续保持好生意属性。

具体到 AI，深研稿给出的检验不是“苹果有没有喊 AI”，而是端侧 AI 是否增强换机、服务使用和生态闭环。这里的案例逻辑很具体：如果用户因为设备本地智能、隐私保护、跨设备协同和系统级助手体验而升级设备，硬件周期会被增强；如果 AI 功能让照片、邮件、日程、办公、健康和家庭设备之间的协同更顺，服务使用强度会提高；如果这些能力只能在苹果生态内获得更好体验，迁移成本会进一步抬升。段永平方法论中的原话“买股票就是买公司”，在这里不是口号，而是要求研究者把一部手机背后的公司结构看完。

同时也要注意组合变化的克制解读。深研稿提到“减苹果、加英伟达、新进若干 AI 小仓”，但也强调这体现的是权重再平衡，不应被翻译成“价值投资变成主题交易”。苹果仍是第一大仓这一事实，与英伟达升至第三大仓并不矛盾：一个代表端侧生态，一个代表算力基础设施，二者都要接受现金流和护城河检验。

常见误区

第一个误区，是只看某一代手机销量，把苹果完全当硬件周期公司。销量重要，但不是全部；用户基数、服务附着、生态迁移成本和品牌定价权，才是这家公司长期价值的关键变量。

第二个误区，是把端侧 AI 简化成发布会功能。真正重要的是功能是否改变用户行为、换机周期和服务收入，而不是演示是否炫目。

第三个误区，是看到第一大仓就自动推导为“任何价格都好”。好公司和好价格是两个问题。段永平的框架从来不是只买好公司，还要考虑对的价格和自己是否真正理解。

可迁移方法

研究类似苹果的生态型公司，可以按四步做。第一，拆用户关系：用户为什么来，为什么留，为什么不走。第二，拆现金流层次：一次性收入、重复收入、服务收入和潜在增量分别是什么。第三，拆技术新变量：AI 是否强化原有生态，还是让竞争者更容易替代。第四，写反证：如果换机不动、服务不增、用户体验差异不明显，AI 叙事就不能给估值加分。

小结

“买股票就是买公司”在苹果上不是一句价值投资格言，而是一套把硬件、服务、生态、文化和 AI 增量放在同一张账本里的方法。苹果这一节教的是：先看公司是不是仍然能创造长期用户价值，再谈技术周期和市场情绪。

本节学什么

这一节只讲能力圈。AI 产业链很长，名词很多，从 GPU、HBM、网络互连、云训练、推理、模型、数据、EDA、应用、自动驾驶到医疗 AI，每一层都有专业门槛。段永平长期强调“不懂不投”，这句话在 AI 时代更重要，因为越是技术叙事密集，越容易把听过名词误当成理解生意。本节目标是学会区分“我知道这个概念”和“我能判断这家公司未来现金流”。

核心框架

能力圈不是拒绝新东西，而是知道自己在哪里不懂，并为学习设置边界。它至少包含三层。第一层是商业理解：公司客户是谁，客户为什么付费，预算来自哪里，采购周期多长，产品替代成本多高。第二层是技术理解：关键性能指标是什么，技术路线为什么有效，竞争者能否绕开瓶颈。第三层是财务理解：规模扩大后毛利、资本开支、研发费用、销售费用和自由现金流会怎么变化。

能力圈也不是静态的。一个人可以从懂消费品牌、懂渠道、懂用户体验，慢慢扩展到懂平台、懂云、懂算力，但扩展要靠研究和验证，而不是靠行情上涨给自己壮胆。深研稿把段永平从网易、苹果、茅台、腾讯到 AI 链的路径概括为“先看懂核心变量，再下仓位”，不是因行情临时宣布自己懂了。这个顺序非常关键：能力圈先扩展，仓位再表达；不能反过来。

他怎么用(具体案例+数据+原话)

H&H 2026Q1 13F 中，除了苹果、英伟达、Alphabet、微软、Tesla 等较大或中等仓位，还出现了若干极小 AI 链观察点：CRDO 约 7051.51 万美元、占 0.35%；TSM 约 5109.80 万美元、占 0.26%；PLTR 约 877.68 万美元、占 0.04%；SNPS 约 396.48 万美元、占 0.02%；SNOW 约 150.82 万美元、占 0.01%；TEM 约 90.44 万美元；INOD 约 38.62 万美元。这些数字的意义不是“全部看好”，而是显示能力圈扩展可以通过小仓、观察仓、学习仓来进行。

具体案例是 SNPS、SNOW、TEM、INOD 这组小仓。SNPS 对应芯片设计工具，关键变量是 AI 芯片复杂度是否推升 EDA 需求，以及工具链是否有高切换成本。SNOW 对应数据基础设施，关键变量是企业数据能否成为 AI 应用落地的入口。TEM 对应医疗 AI，关键变量是数据、临床场景、支付方和合规路径。INOD 对应数据服务，关键变量是模型训练和企业 AI 对高质量数据处理的需求是否可持续。这些业务差异很大，不能用同一句“AI 受益”概括。段永平原话“不懂不投”在这里的实际含义是：如果不能说清每家公司自己的变量，就只能把它放在学习位置，不能把仓位当信念。

常见误区

第一个误区，是把“能力圈”理解成永远只买老行业。真正的能力圈是可扩展的，但扩展必须依靠具体研究。拒绝学习不是能力圈，乱说自己懂也不是能力圈。

第二个误区，是把小仓误读为重仓判断。深研稿反复提醒，SNPS、SNOW、TEM、PLTR 等小仓是观察仓、学习仓，不能写成确定重押。仓位本身就是信息：极小仓位表达的是跟踪和试错，不是高确定性结论。

第三个误区，是只因为某家公司属于 AI 链就跳过商业模式分析。AI 链每一层的利润分配不同，芯片、制造、互连、云、数据、应用、医疗和安全的竞争结构完全不同。

可迁移方法

给任何 AI 公司做能力圈判断，可以问六个问题：客户是谁；客户为什么现在必须买；替代方案是什么；公司优势是技术、数据、渠道、成本还是品牌；规模扩大后现金流会改善还是恶化；哪三个指标能证明自己真的看懂。答不出来，就降低结论强度，把它列为观察对象。能答出来，也要定期用数据更新，避免把旧理解套在新周期上。

小结

能力圈不是一道墙，而是一张地图。段永平方法论在 AI 时代的价值，是提醒研究者先承认哪里不懂，再用小仓试错、数据跟踪和商业模式拆解逐步扩边。真正的“不懂不投”，不是错过所有新技术，而是不让热度替代理解。