①世界观与思想根基
不是半导体粉丝，而是 AI 损益表派
Rihard Jarc 的世界观要从他的履历组合读起。深研写明，他是斯洛文尼亚背景的独立科技投资研究者、UncoverAlpha 作者、New Era Funds 联合创始人兼 CIO；教育背景是卢布尔雅那大学经济学/银行金融，职业起点在 EY 做审计，随后到 UniCredit 做股票分析师，2015 年升任组合经理，又创业做机器学习文档抽取 SaaS Typless，并在公司被上市软件公司收购后转向独立研究和基金管理（来源：深研_RihardJarc.md §1）。这几段经历决定了他不是单纯的芯片参数派，也不是只讲宏观泡沫的 AI 评论员。他的底层问题是：技术进步最终如何穿过成本、折旧、云毛利、客户采用和分发渠道，落到某家公司能留下多少利润。
Intelligence per Cost 是总纲
深研把他的世界观浓缩成一句话：AI 竞争最终回到“每美元智能产出”（Intelligence per Cost），赢家是能在芯片、数据中心、模型、分发四层中最大化成本曲线优势，并把利润留在自己账上的公司（来源：§2）。这句话不是“模型越便宜越好”的口号，而是一个完整的产业经济学判断。若推理成本下降，问题不是所有参与者都会同等受益，而是谁拥有足够多的层级把成本下降转化为毛利、价格优势、产品体验和用户分发。Google 因 TPU、GCP、Gemini、Search/Workspace/Android 被他反复放在这个框架中理解；TPU 不是因为“酷”才重要，而是可能让 Google 少交 Nvidia 税、提高 GCP 毛利、降低推理价格，并通过自有分发入口捕获更多价值（来源：§4、§13、§15）。
三种职业训练叠加成一种怀疑论
EY 审计训练让他本能怀疑利润质量、折旧政策和现金流；ML SaaS 创业经历让他知道开发者、客户和算力采购中的真实摩擦；基金 CIO 身份则逼迫他把观点落到少数高信念研究上，承担机会成本（来源：§1、§17）。所以他看 AI 新闻时不会止步于“某模型发布了”或“某芯片性能提升了”，而会追问：这笔算力谁付钱，资产几年消耗，客户是否真的迁移，价值是否被中间商拿走。他的思想根基更接近“会计师 + 创业者 + 集中研究型 CIO”的混合体。
从叙事成长到可核 AI 基建
深研指出，他在 2021 年曾对 PINS、COIN 等叙事成长股乐观，2025 年以后逐步收敛到“账算得清”的 AI 基建和 Big Tech（来源：§2、§10、§11）。这条演化很重要：他不是天生只做 Google/TPU 的全栈论者，而是在 PINS、Coinbase 这类现金流难算、未来想象更重的标的上受挫后，把工具箱转向更适合审计、折旧、云利润率和资本开支验证的资产。本文只复盘其公开研究框架，不构成任何证券建议、具体价位或买卖指令。
②核心信念逐条详解
信念一：AI 新闻先改写成四个会计问题
深研对 Jarc 的 alpha 有一句关键判断：他的 alpha 不是“看多 Google”，而是把每个 AI 新闻改写成四个会计问题：成本降了多少、谁付钱、谁折旧、谁分发（来源：§15）。这就是他的第一条信念。比如市场看到 TPU 可能只想到 AVGO 的 ASIC 受益、NVDA 的竞争压力或 Google 的技术炫耀；Jarc 会继续拆：TPU 是否降低 Gemini 服务单位成本，是否减少外购 GPU 毛利税，是否让 GCP 以更好价格服务客户，是否能通过 Search、Workspace、Android 把低成本智能分发到既有用户流量里。只有答案能进入损益表，技术叙事才算完成。
信念二：全栈者少交一层税
深研写到，他的世界观包含全栈垂直整合，并把 Google 的 TPU/GCP/Gemini/Search 称作当前最完整 AI 价值捕获结构之一（来源：§2、§13）。这里的“全栈”不是笼统赞美大公司，而是价值链上的税负问题。若一家公司只在模型层强，它仍要向云、GPU、网络、分发交钱；若一家公司同时拥有芯片、数据中心、模型和分发，每一层成本下降都更可能留在自己的利润表。Jarc 因此会得出与硬件热度排序不同的结论：AVGO 可能是 TPU 叙事的重要受益方，但 Google 作为全栈运营者未必捕获更少；NVDA 硬件强，但对自研芯片和分发闭环玩家的有效域需要单独评估（来源：§15）。
信念三：同一美元 CapEx 风险完全不同
深研把“资金来源分层”列为他的核心框架：现金流自给的 Big Tech capex 可能是护城河投资，GPU 抵押、债务、循环融资驱动的 neocloud 和模型公司承诺则风险高（来源：§4、§11、§13）。这解释了他 2025-10《Too Much AI, Too Soon》减仓并警告 GPU 折旧、OpenAI capex 与融资结构，2026-02 又为 Big Tech 云 capex 辩护的表面矛盾（来源：§11、§14）。在他的信念里，不是所有 AI 支出都叫泡沫，也不是所有资本开支都值得鼓掌；关键是钱从经营现金流、股权、债务还是 GPU 抵押中来，未来现金回报由谁兑现。
信念四：GPU 折旧不是会计小题
Jarc 从审计训练出发，把 GPU 经济寿命和会计折旧年限放在 AI 利润真实性的中心。深研列出他的 checklist：折旧年限是否低估真实经济消耗，GPU 经济寿命可能短于会计折旧，旧卡持续高利用率则可能证伪 GPU 折旧论（来源：§6、§7、§12、§18）。这条信念能把“AI 火热”改写成更尖锐的问题：如果算力资产很快被新卡或 ASIC 代际替换，账面利润可能高估真实经济利润；如果旧卡仍被长期高利用，折旧焦虑就应降权。
信念五：企业 AI 不会只由 SOTA 模型层吃掉
深研总结其未来判断：企业 AI 价值会从 SOTA 模型层转向编排、数据上下文和分发平台，hyperscalers 可能成为企业 AI gatekeeper（来源：§13）。这不是否定前沿模型，而是认为企业实际购买的是工作流结果、权限、数据连接、可靠性和分发，而不只是榜单上最强模型。验证对象因此变成 Office、Workspace、ServiceNow、CRM 等企业工作流中的 AI 采用和付费质量，而不是只看模型发布会。
