註冊並分享邀請連結,可獲得影片播放與邀請獎勵。

檢索結果 企業公式相互フォロー」の一覧に表示されていなかったりします。とても悲しい!
企業公式相互フォロー」の一覧に表示されていなかったりします。とても悲しい! 貼吧
一個關鍵字就是一個貼吧,路徑全站唯一。
建立貼吧
用戶
未找到
包含 企業公式相互フォロー」の一覧に表示されていなかったりします。とても悲しい! 的搜尋結果
World Model × Reward Density:递归自我迭代的真正拐点 过去几个月,讨论 AI 递归自我迭代(Recursive Self-Improvement, RSI)时,关注点几乎都放在模型能力和算力增长上。 但研发系统的实验效率相对模型和算力,可能才是真正的瓶颈。 过去一年,这个系统正在发生两个根本性变化:一是 World Model 快速成熟,二是 AI Model Design 的 Reward Density 持续提高。这两个趋势彼此强化,最终指向同一个结果——AI 研发正在从依赖真实实验,转向依赖模拟、预测与自动验证。 World Model 的意义远不只是让模型理解现实世界,更重要的是让 AI 可以构建越来越接近真实世界的原生模拟环境(Native Simulation World)。过去的模拟器主要依赖人工编写规则、物理公式和专家经验,只能覆盖有限场景;未来的模拟器将越来越多由模型生成,直接学习真实世界中的交通、人类行为、企业经营、材料性质、机器人动力学乃至科学规律。模拟世界将逐渐从 Rule-based 转向 Model-based。 这意味着 Simulation 与 World Model 不再是两个独立模块,而是一个递归系统。真实世界提供数据,训练 World Model;World Model 构建更真实的 Simulation;Simulation 为 AI 提供几乎无限的实验机会;实验产生大量高质量合成数据,再反过来继续优化 World Model。 整个循环可以表示为: Reality → World Model → Simulation → Synthetic Experience → Better World Model → Better Simulation → ... 一旦进入这一循环,Simulation 本身开始成为新的数据源。过去互联网几乎承担了全部训练数据来源;未来互联网、Simulation、机器人和自动实验室将共同构成模型训练的数据基础。其中,Simulation 将成为增长最快的数据来源,因为它几乎没有成本,可以无限复制、暂停、回滚、并行和加速运行。 机器人是最直接的受益者。今天机器人最大的瓶颈并非模型能力,而是真实数据获取速度。现实中,一台机器人一年只能积累几千小时经验,而 Simulation 可以同时运行数百万个机器人,在一天内完成现实世界几年甚至几十年的探索。机器人训练因此会逐渐从 Reality-first 转向 Simulation-first,真实机器人更多承担最终校准,而非主要学习过程。 科学研究也将遵循相同路径。未来药物、材料、催化剂、电池、蛋白质设计等领域,大部分假设将在 Simulation 中完成筛选,仅将最有希望的方案送入真实实验室验证。湿实验将越来越像对 Simulation 的最终确认,而非发现过程本身。 如果说 World Model 解决的是实验环境,那么 Reward Density 解决的是实验反馈速度。 AI Model Design 正在成为所有研发任务中 Reward Density 提升最快的领域之一。过去修改一个 Attention、优化一个训练策略或者调整一个架构,往往需要数周训练才能知道结果,反馈极其稀疏。今天越来越多中间信号已经能够提前提供可靠奖励,包括 Loss Curve、Scaling Prediction、Training Stability、Token Efficiency、Inference Latency、Proxy Benchmark 等。很多决策无需等待完整训练即可获得有效反馈,研发循环开始从周缩短到天、再缩短到小时。 World Model 的加入进一步提高了 Effective Reward Density。过去,一个团队提出一百个模型设计,只能真正训练其中极少数。未来,大部分方案将在 Simulation 中完成预验证,仅保留少数最优设计进入真实训练。单位时间内能够获得的有效反馈数量因此不是线性增加,而可能提高一个甚至多个数量级。 真正发生变化的不是 Reward Density 本身,而是有效 Reward Density: 过去: 100 个想法 → 训练 3 个 → 获得 3 个 Reward。 未来: 100 个想法 → Simulation 验证 95 个 → 训练 5 个 → 获得近百个高质量 Reward。 研发系统开始进入典型的正反馈。 RSI 意味着:Model → Better Model。 但如果拆开来看,其实是: Model → Better World Model → Better Simulation → Better Evaluation → Better Model。 更进一步,World Model 本身也是模型,因此模型不仅开始优化模型,还开始优化整个研发基础设施,包括 Evaluation、Reward Model、Simulation、Compiler、Kernel、Memory System、Chip、Interconnect、Datacenter、Energy 以及 Robot Lab。优化对象从单一模型扩展到整个 Intelligence Stack。 从这个角度看,RSI 的速度可以拆解为五个核心变量: RSI Speed = f(Model Capability × Experiment Speed × Reward Density × Automation Ratio × Compute) 过去几年,模型能力和算力提升最快,而实验速度、Reward Density 和自动化比例一直是限制因素。现在,这三个变量正在同时改善,并形成多个相互强化的反馈环。 Reward Density 提高,实验速度提升;实验速度提升,提高自动化比例;自动化比例提升,进一步增加迭代频率;更高的迭代频率提升模型能力;更强的模型又提升 World Model;更好的 World Model 再提高 Reward Density。 整个系统开始形成真正意义上的递归飞轮,而不是单变量增长。 因此,RSI 更可能表现为阶段性加速,而不是平滑指数增长。每当一个关键瓶颈被突破,例如 Evaluation、Simulation 或 Robot Lab,整个系统都会进入新的增长档位。 基于目前的发展节奏,可以将 RSI 粗略划分为四个阶段。 第一阶段已经开始。AI 能够辅助模型研发,但仍高度依赖人类完成实验、分析和决策,研发循环以周为单位。 第二阶段将在 World Model 和 Reward Density 继续成熟后出现。AI 将能够提出设计、完成 Simulation、自动 Evaluation、自动 Revision,人类只负责批准关键实验,研发循环压缩至小时级。这将是自动 AI Research 真正形成飞轮的起点。 第三阶段将随着 Robot Lab 普及而到来。Simulation 与自动实验室形成闭环,真实实验自动更新 World Model,整个研发流程实现 7×24 小时运行。现实世界逐渐从主要训练场转变为校准场。 第四阶段,也是 RSI 真正意义上的广义扩张。AI 不再只是优化模型,而是持续优化芯片、网络、能源、机器人、制造系统和整个智能基础设施。递归优化对象从 Software 扩展到整个 Physical Intelligence Stack。 基于上述路径,接下来最值得关注的是五个领先指标:AI 完成一次研发迭代所需时间;AI Model Design 的 Reward Density;World Model 对真实训练结果的预测精度;Simulation 与现实实验的一致性;以及整个研发闭环中自动化完成的比例。 这些指标共同决定了递归自我迭代是否真正开始进入加速阶段。 接下来,Simulation 将成为主要训练场,Reality 将成为最终校准场。 当 World Model 足够准确、Reward Density 足够高、Robot Lab 足够自动化之后,AI 将第一次拥有持续、自主、高频率优化自身的实验环境。这并不意味着智能会瞬间爆发,而意味着决定增长速度的约束正在系统性消失。 当研发系统本身成为优化对象时,递归自我迭代才真正开始。
顯示更多
0
29
10
2
轉發到社區
PDF 直接丢给大模型,表格乱码、公式崩溃、扫描件还认不出字。 这 5 个工具帮你把文档转成 AI 能读的干净格式。 1、Stirling-PDF — 本地 PDF 全能工具箱,85k star 合并、拆分、压缩、加水印、转格式,几十种操作全在本地跑,文件不出本机,隐私敏感的文档放心用。 2、MinerU — 复杂文档转 Markdown,71.7k star PDF、Office 里的表格、公式、图片精准抠出来转成 AI 可读的 Markdown,喂给大模型做问答前必备的一步。 3、docling — 文档为生成式 AI 做准备,62.3k star IBM 出品,把各种格式文档统一转成结构化输出,接 RAG 流程很顺,企业文档处理的热门选择。 4、marker — PDF 高精度转 Markdown,36.6k star 速度快、还原准,长文档、论文转 Markdown 加 JSON,排版和结构保留得好。 5、OCRmyPDF — 给扫描件加文字层,34k star 扫描的 PDF 没法选字搜字,它自动 OCR 加上文字层,扫描件秒变可搜索可复制。
顯示更多
八、九十年代分配到国有企业的大中专及本科生,大多数都下岗了。 下岗之后,所有人的干部身份都没了,职称的用处也不大了。对此,有网友呼吁,从养老的角度,应该给他们一定的“政策关怀”。 从法律的角度,是没有依据的,但从情理的角度,给予这一群体一定的政策性关怀,却也并非是特殊优待。 当年,统招统分生完成学业后,通常在22-23岁才参加工作,比十六七岁进厂的职工少6-7年的视同缴费年限,在“长缴多得”的规则下先天处于劣势。 他们的“国家干部”身份是国家分配赋予的,国家分配时承诺的是干部身份与相应待遇,改制下岗是政策性结果,并非个人放弃。国企改制打破身份固化后,企业破产、政策性下岗,干部身份的载体随之消失,但养老金核算并未对这段历史身份做任何区分。 目前,绝大多数地区对企业职工视同缴费年限统一按指数1.0计算,档案中的干部履历、学历、职称完全不参与养老金核算,只用于确认参加工作时间。这意味着,一个1985年统分进厂的本科生,与同年招工进厂的普通工人,在养老金公式里被完全等同处理。 国家对退役军人有军龄视同与身份优待,对老知青、特殊工种均有单独认定与倾斜,对国企退休高工也已有连续多年的倾斜调整实践。唯独这批“国家统分、企业下岗”的干部身份群体,在公式中被系统性忽略了。 目前,这一群体的现存人数并不多,据估算,1995年前分配到企业的大中专毕业生约有1300-1400万人。 对这一群体因国家改革而被动承受的历史代价,进行制度性认可与适度补偿,既是还历史公道,也是社保改革“尊重历史、实事求是”原则应有的体现。
顯示更多
用 AI 干活,要分清哪些需要它思考,哪些可以交给固定的工具执行。 还是来自于和企业员工的交流,有一个问题是:你们现在能分辨出,哪些是思路,哪些是稳定的执行吗? 比如自然语言,还有我们工作当中的一些判断,可能需要灵活应变。这些需要理解、分析、判断的地方,可以让 AI 去思考。 那什么样的东西是稳定的呢?比如已经验证过的代码、公式,只要输入足够标准,它就按照固定的逻辑去执行。真正执行的时候,能固定下来的,就用稳定的工具去跑。 比如经营数据分析来说。我们拿到数据之后,要去分析自己的经营情况,对吧?这里面的销售额、退货率、同比、环比,这些计算都是可以通过公式实打实地算出来的。 那这些公式就可以用代码来实现,非常适合沉淀成一个工具。具体来讲,可能就是一个脚本。 当 AI 判断需要计算这些指标的时候,就不用靠它自己的心算去做,直接调用已经沉淀好的工具,把这些数算出来。 在数据、计算口径和代码都校验过的前提下,它就能按照确定的公式去算。这个就是一个稳定的工具。 有了这些数据之后,接下来要分析销售额为什么下降了,就得结合自己的实际业务背景,去分析可能有哪些原因,优先要排查什么。 这些问题,光靠前面几个固定的计算公式就回答不了了,需要用到模型的思考和推理能力。 所以你看,这个分工就是:能用代码按固定规则实现的计算、格式化处理,就把它沉淀成稳定的工具。AI 执行到这一步的时候,直接调用这些工具就可以了。 那些涉及语义理解、业务理解,需要复杂逻辑推理和分析的环节,就需要它去思考。
顯示更多
确保养老改革公平正义,必须猛砍“五刀” 聊养老公平,流传很广的一句话:养老已经并轨,不必再纠结公平问题。 但老百姓心里自有一杆秤。同样干到退休,企业退休人员养老金大多三千出头,机关事业单位不少退休人员可以拿到七千以上。虽然表面计算公式已经统一,但缴费基数、工龄核算、补充养老,两套体系带来的差距依旧客观存在。 口号没有实际意义,真正到手的退休金,才是衡量养老公平最实在的标准。抛开情绪化的争论,我们来聊聊,制度层面如何把养老公平落到实处。 养老待遇的差距,并不是大家盲目攀比,是三层历史旧账长期叠加形成的。 第一层:缴费基数大量失真 社保法规明确,社保缴费按照员工应发工资核算,缴费区间60%-300%。现实当中不少私营企业,员工实际月薪八千,却按照四千的最低档位缴纳社保;还有部分高管,刻意做高账面工资,直接按300%顶格缴费套利。 金税四期落地之后,税务与社保数据打通,这类违规很容易核查。长期按照低基数参保,直接压低普通劳动者未来的养老金水平。 第二层:视同缴费存在双重标准 2014年10月是机关事业单位养老改革关键分界点。 改革之前,机关事业单位全部工龄予以认可,缴费指数和职级职称挂钩,不少人临近退休职级提升,二三十年工龄全部按照高标准核算。 企业职工,大多只认可92‑96年社保建账之前的工龄,视同缴费指数基本固定为1.0。 同样1985年参加工作,仅仅身份不同,单单过渡性养老金,就会拉开近乎二十年积累出来的差距。 第三层:补充养老的隐秘鸿沟 机关事业单位职业年金属于全员强制缴纳,单位缴纳8%、个人缴纳4%,退休之后相当于多一份稳定收入。 而企业年金完全依靠企业自愿。2026年一季度公开数据,全国仅3389万人参保,覆盖率仅有7%,一百位企业退休人员当中,不到十人享有企业年金。 三层问题层层叠加,即便基础养老金计算公式统一,底层的制度底盘,已经制造了巨大待遇落差。想要实现真正的公平,需要实实在在落下“五刀”。 第一刀:严查缴费基数造假,破除低缴潜规则 现有法规要求社保按真实应发工资申报,但私企按最低档缴社保,成为行业潜规则。 税务、社保打通个税、对公流水、工资表三方数据,一方面查处高管违规顶格缴费套利;另一方面整治普通劳动者被按最低基数参保的情况。查实之后要求全额补缴,叠加滞纳金,提高企业违规成本。 做实缴费基数,不给下一代参保人遗留低缴费的历史包袱,这是养老公平最前置的一环。 第二刀:修正视同缴费指数,工龄与职级脱钩 这是历史遗留最突出的痛点。目前机关事业单位视同缴费指数跟随职务、职称分档,临退休提升职级,过往数十年工龄同步水涨船高,每月多出数百上千元十分普遍;同期参加工作的企业老工人,指数固定1.0。 社保专家郑功成、郑秉文均提出建议:“十五五”期间,把视同缴费认定标准、指数区间、各省不统一的过渡系数,全国统一标准。 工龄只核算实际工作年限,剥离职务职级带来的加成。已经退休的存量人员,结合财政承受能力分批核算补差;未来新增参保人,彻底切断职级挂钩,化解多年积累的矛盾。 第三刀:补齐补充养老短板,缩小第二支柱差距 不是取消职业年金,职业年金属于依规缴纳的合法待遇。公平的内核是:别的群体拥有的保障渠道,企业职工也应当可以享有。 企业年金不能单纯依靠企业自觉自愿,推行半强制模式,发展园区集合年金计划。中小微企业无力承担8%缴费,可以从较低比例起步,由园区统筹托底,配套个税递延、社保补贴,减轻企业负担。 同时个人养老金进一步向私企职工、灵活就业人群放开抵扣优惠,用第三支柱弥补第二支柱的缺口。正如郑秉文提出的思路:不改动基础养老金,依靠扩大补充养老覆盖面,兼顾激励与待遇均衡。 第四刀:养老金年度调整,坚持提低控高 过去养老金上调直接和现有待遇基数挂钩,养老金拿得越多,涨得就越多,待遇差距会逐年放大。 近些年调整政策已经开始向低收入、长缴费年限、高龄企业退休人员倾斜,这个方向应当持续坚持。 不去削减已经发放到手的养老金待遇,只在每年新增上调额度上优先保障底层群体,用十几到二十年的周期平缓消化历史落差,远优于简单一刀切降低待遇。 第五刀:开通档案容缺纠错通道,善待改制老工人 很多企业退休人员待遇吃亏,责任并不在个人。老国企、集体工厂破产改制,转正材料、工资台账遗失,数年乃至十数年工龄直接不予认定。一年工龄对应近百元养老金,十几年累计下来,待遇差距十分悬殊。 全国养老统筹系统落地之后,档案容缺认定走向常态化。同事证言、老考勤记录、工资台账,都可以作为佐证,跨部门联动核查。不能因为档案遗失,抹掉老一辈几十年劳动付出。 说到底,真正的养老公平,并不是把机关事业单位的待遇向下拉平搞平均主义。 而是推动企业退休群体待遇向上提升,制度评判不再被编制身份束缚。先做实缴费基数,再补齐补充养老短板,养老改革才能够行稳致远。 五刀之中,你最期待哪一项落地?你的身边,企业退休与机关事业单位退休,每月养老金相差多少?
顯示更多
9月加息黄金必跌?千万别被旧公式骗了,结局可能完全相反! CPI数据出来后,polymarket 对于9月加息概率涨到了80%, 而很多人盯着9月美联储加息,脑子里还留着这套旧公式,加息、收水、通胀、金价、黄金跌。 现实往往比公式复杂得多,不管9月加不加息,美国的结局其实早已写好。 今天孔乙来帮大家深度解析下: 现在的市场陷入了一种集体幻觉,以为央行只要把利率推上去,就能像过去40年那样药倒通胀。 但现在的经济学逻辑变了,即便名义上加息,考虑到通胀基数,实际效果可能还是在变相宽松。 为什么? 因为供给端的缺口和分配端的错位,不是靠压制需求就能解决的。 要理解这一点,得先分清通胀的两类,需求拉动型和供给冲击性。 以前央行是印钞机,老百姓手里钱多,抢着买东西,需求爆了,物价飞涨,这时候加息是神药,房贷贵了,存款香了,大家捂紧钱包,物价自然回落。 但现在的美国、日本、韩国问题,根本不是老百姓手里钱太多,而是供给链断裂,地缘政治撕裂,成本上升。 这时候用加息去踩刹车,就像对着已经坏掉的发动机猛踩油门,不仅救不了物价,还会把车开进沟里。 最受伤的是谁? 不是那些躺在现金上睡觉的巨头,而是占美国就业半壁江山的中小微企业。 大型跨国公司是这场加息潮的赢家,他们早就锁定了十年、20年的低息长期债, 现在基准利率维持高位,他们账上的现金直接去买4%甚至5%的短期债券,稳赚净财务收益。 而中小企业依赖的是商业银行的浮动利率贷款,现在实际借贷利率已经冲破8%甚至9%, 利息支出占运营利润的比重创下了2008年金融危机以来的新高,违约率和破产申请数同比暴增。 高利率杀死的不是高物价,而是实体经济的造血细胞。 如果9月强行加息25个基点,接下来会发生什么? 通胀表面看可能好看了几天,但只要能源溢价和关税成本还在传导,核心通胀就会死死卡在3%到4%。 更可怕的是就业结构崩塌,过去一年的非农增量主要来自医疗保健和政府这类防守型行业, 真正创造高新产业链的企业已经停滞,一旦中小企业扛不住利息压力开始裁员,失业率会迅速恶化。 至少高通胀与高失业并存将是必然结局。 这时候再迷信加息等于美元涨黄金跌的传统逻辑,就会在资本市场里被割得体无完肤。 资本市场的定价永远是基于预期的预期。 当基本面已经显露疲态,美联储却强行加息,市场不会认为美国经济强劲,而是会定价政策失效和硬着陆风险。 推演一下路径。 9月加息落地,美元可能象征性冲高,但这恰恰是利好出尽的时刻。 随后市场会迅速反应,意识到40万亿美元的债务压力下,这种高利率不可持续,资金会提前定价美联储未来的被迫降息,甚至重新大放水。 而黄金看的从来不是名义利率,而是实际利率和对信用货币的信任度。 如果加息打垮了实体,抬升了违约风险,却又压不住供给侧通胀,市场对美元信用的信心就会崩塌。 各大银行和聪明资金会加速抛售美元资产,转向没有主权风险的避险资产,那结果很可能是美元冲高回落,黄金在短暂震荡后反向创出历史新高。 这套传统货币政策在过去全球化红利期确实有效,因为那时候供应链顺畅,能源便宜。 但今天时代变了,盲目跟随美联储官员讲话去投资,很容易一脚踏空。 在这个周期里,比研究加息、降息更重要的是看清底层逻辑。 当政策工具失效时,资产价格的定价权正在从信用货币向实物资产转移。 关注孔乙,宏观财经深度拆解,带你看懂热点背后的定价逻辑。 另外,给大家留个思考课外题: 当所有人都盯着利率表的时候,你有没有想过那些无法被利率对冲的风险正在如何重塑你的资产配置?
顯示更多
这篇文章可能让一些人不舒服了。 WAIC 2026观察:Kimi K3只是开始,中国AI正在重写美股估值公式,你还敢梭哈美股AI吗? Kimi K3一夜吓崩美股,再次上演DeepSeek时刻,有人说,这是短期影响,美股还会涨回来甚至更高。 但在我认真看了这几天的WAIC(世界人工智能大会) 之后,我觉得Kimi K3可能只是开始,以后国产AI可能会时不时出来锤一锤美股AI。 时间拉到正在上海举行的WAIC,你会发现,压力远不止来自Kimi K3一个点,而是中国AI全链条的协同进步,正在从多个维度动摇美国AI的估值逻辑。 Kimi K3:性能追平,成本碾压,开源直击定价权 7月16日,月之暗面发布Kimi K3。2.8万亿参数,全球最大开源模型之一,原生多模态,百万token上下文,在前端代码竞技场排名中超越Claude Fable 5,综合能力接近甚至部分超越OpenAI和Anthropic的前沿闭源模型。 关键差异在于“开源+低价”:权重即将开放,企业可本地部署,调用成本较美国同类模型低约40%。 市场反应迅速。发布当日,纳斯达克100早盘重挫2.7%,费城半导体指数较6月高点累跌20%,进入技术性熊市。摩根大通直言这是“DeepSeek 2.0时刻”的担忧延续,高盛合伙人则警告“算力扩张时代”可能走到尽头。 市场传递的信号很明确:中国模型正以更务实、更低成本的方式缩小差距,这直接冲击了美国闭源模型的高溢价支柱。 WAIC全景:不只模型,更是一套完整产业体系 Kimi K3只是冰山一角。本届WAIC上,国产算力全阵容亮相,东方算芯首发3D AI芯片DF1000,华为昇腾950超节点真机首展,中科曙光展出全国产十万卡集群“曙光8000”。超节点取代单颗芯片成为算力竞争新焦点,华泰证券将2026年称为“国产超节点元年”,预计2028年市场空间达3414亿元。 从芯片到集群,从训练到推理,国产算力已从“能造芯片”走向“能组系统”。 治理层面同样主动出击。习近平主席出席开幕式并发表主旨讲话,29国签署协议成立世界人工智能合作组织(WAICO),并发布《人工智能合作发展行动计划》。中国在规则话语权上的布局,让美国AI的“技术溢价”面临更长期的竞争压力。 估值承压的逻辑:资本开支回报率被重估 美国AI估值建立在两大支柱上:闭源模型的高定价溢价,以及由此支撑的巨额算力资本开支。 Kimi K3这类开源模型出现后,企业(尤其数据敏感型)可选择本地部署,减少对OpenAI、Anthropic付费API的依赖,收入增速与利润率预期随之承压。 当市场开始怀疑“算力扩张时代”的斜率可能放缓,NVIDIA、AMD、美光等远期估值就会被提前修正。 WAIC放大这个逻辑:它证明中国不仅能做出好模型,还能在硬件、集群、应用落地上形成完整闭环。单一模型可能是偶然,全景式进展则难以忽视。 格局重塑,长期信号已现 Kimi K3引发短期市场震动,但它更像是中国AI崛起的一个缩影。透过WAIC,我们看到的是中国AI生态的快速迭代:前沿模型追赶、成本与开源优势、硬件集群突破、全球治理布局同步推进。 美国在算法原创、顶尖人才和成熟生态上仍具优势,但资本市场永远定价“未来预期的变化”。WAIC之后,算力资本开支的合理斜率、开源模型的渗透速度、闭源模型定价权的韧性,这些关键变量都将被更严格地重新定价。 竞争格局正在深刻变化,估值逻辑也在随之调整。这不是短期噪音,而是长期结构性信号。对于投资者而言,单纯“梭哈美股AI”已不再是无风险选择。多元化配置、关注中国AI基础设施出口潜力,以及跟踪开源模型实际采用率,将成为更理性的策略。 中国AI,正在用实际行动重写全球AI的竞争与估值公式。Kimi K3只是开始,真正的故事才刚刚展开。
顯示更多
如何给美光等存储公司估值?方法与案例 上篇:PE与PS估值的基本框架、逻辑与适用边界 一、PE(市盈率)估值:锚定盈利的成熟企业定价工具 1. 核心公式与含义 • 公式:PE=总市值/净利润=股价/每股收益(EPS) • 含义:投资者为获取公司每1元年度净利润所支付的价格;理论上代表回本年限(如15倍PE对应15年回本)。 2. 底层逻辑 • 核心假设:盈利稳定、可预测、现金流扎实,利润能持续支撑股东回报。 • 定价本质:对持续盈利能力的定价,盈利确定性越高,市场愿意给的PE倍数越高。 3. 适用对象 • ✅ 盈利稳定的弱周期行业:消费(茅台、海天)、公用事业、医药(成熟药企)。 • ✅ 现金流稳健、利润无大幅波动的成熟制造业。 • ❌ 周期股(盈利大起大落,高点PE极低、低点PE极高)。 • ❌ 未盈利/亏损企业(PE为负,无意义)。 • ❌ 高成长早期企业(利润被研发/扩张压制,PE失真)。 4. 关键口径与陷阱 • 口径:静态PE(去年年报)、滚动PE(最近四季,NTM)、动态PE(预测,依赖可靠性)。 • 陷阱:周期高点低PE陷阱、利润造假/一次性损益导致PE失真、高负债企业盈利脆弱。 二、PS(市销率)估值:锚定收入的成长/周期底部替代工具 1. 核心公式与含义 • 公式:PS=总市值/营业收入=股价/每股销售额 • 含义:投资者为获取公司每1元年度营业收入所支付的价格,反映对营收规模与增长的定价。 2. 底层逻辑 • 核心假设:收入增长是核心驱动力,利润终将随规模/毛利率提升释放;或利润受周期/短期因素干扰,收入更真实。 • 定价本质:对市场份额、营收扩张能力的定价,高增长赛道可支撑高PS倍数。 3. 适用对象 • ✅ 未盈利/亏损但营收高增长的成长股:早期互联网、创新药、AI芯片(如寒武纪)。 • ✅ 周期行业底部:利润为负/微利,PS可规避周期陷阱(如2025年部分化工、存储)。 • ✅ 轻资产、高研发投入企业:利润被压制,收入更能反映行业地位。 • ❌ 营收停滞/下滑、低毛利/高亏损企业(高PS伴随高风险)。 • ❌ 成熟稳定、盈利清晰的企业(PE更有效)。 4. 关键口径与陷阱 • 口径: trailing PS(历史营收)、forward PS(预测营收,常用于分部估值SoTP)。 • 陷阱:忽略成本与盈利能力(营收高但巨亏,PS低也危险)、不同行业PS差异大(科技5–20倍vs传统消费0.5–2倍)。 三、PE与PS的核心差异与选择逻辑 • 核心差异:PE看“赚多少钱”(盈利质量),PS看“做多大生意”(营收规模与增长)。 • 选择逻辑: ◦ 成熟稳定、盈利可预测→PE ◦ 高成长、未盈利/周期底部→PS ◦ 多元业务、成长与成熟板块并存→SoTP分部估值(不同业务用不同倍数)。 下篇:UBS美光估值深度拆解——从SoTP(PS)到整体PE的史诗级重估 一、前序:SoTP分部估值(PS框架)——周期股的传统定价 1. 估值逻辑(2026年5月前) • 核心判断:美光是强周期存储公司,仅HBM业务受益AI、增长更快,DRAM+NAND仍为周期属性。 • 方法:分部加总(SoTP),HBM与核心业务按不同PS倍数估值。 2. 完整数据(无遗漏) • HBM业务:2027年预计收入278.9亿美元,给予6倍P/S,对应每股132美元。 • 核心DRAM+NAND业务:2027年预计收入1,877亿美元,给予3倍P/S,对应每股405美元。 • 原目标价:132+405=535美元。 • 隐含倍数:整体约4.5倍PS,符合周期股折价逻辑。 二、剧变:整体PE估值(15倍NTM)——去周期化的成长定价 1. 估值逻辑(2026年5月26日更新) • 核心判断:美光因AI需求+长期协议(LTA),盈利稳定性被系统性抬高,不再是单纯周期股,而是穿越周期的成长型AI存储龙头。 • 方法:放弃分部,采用整体PE估值,锚定长期稳态盈利。 2. 完整数据(无遗漏) • 核心参数:15倍NTM P/E(对标英伟达),锚定2029年EPS=117美元,12%股权成本折现回2028年。 • 目标价:15×117=1,625美元(从535美元上调,涨幅204%)。 • 选择2029年的原因:包含一轮温和存储下行周期,若仍能赚100+美元EPS,证明是穿越周期的盈利能力,非周期高点盈利。 三、估值切换的核心催化剂:LTA(长期协议)——存储行业的“去周期化”革命 1. LTA核心条款(UBS调研) • 期限:3–5年(3年固定+2年浮动或5年固定)。 • 机制:固定量承诺+部分固定价格,锁定出货量与价格区间。 2. 行业与美光渗透数据(无遗漏) • 2027年行业DDR出货:20%–30%被LTA覆盖。 • 美光LTA份额:约20%。 • 超大规模客户(Hyperscaler):已锁定行业Server DDR5约60%–70%的量。 3. 对盈利的影响 • 收入/利润可见度:显著提高。 • DDR价格波动:峰谷波动被压低约50%,周期属性大幅弱化。 四、重估本质:从“HBM单独重估”到“美光整体重估” • 旧框架(SoTP-PS):周期折价,仅HBM享成长溢价,核心业务按周期低倍数,目标价535美元。 • 新框架(整体PE):成长溢价,LTA+AI驱动盈利稳定性,整体对标AI成长股(英伟达15倍PE),目标价1,625美元。
顯示更多
三大蓝筹长期收益测算:招行、长电、移动谁是复利之王 投资核心逻辑:长期持有个股的复利收益,趋近企业常年盈利水平,买入价位、持续分红再投、经营稳定,是收益三大关键,高价入场会直接压缩实际收益。 通用测算公式:长期年化收益=企业年均盈利水平roe÷买入净资产溢价倍数bp×分红收益调节值 依托稳态经营、分红不变、红利复投、行情平稳四大前提,测算三大龙头长期真实收益。 长江电力常年盈利水平约一成五,市场买入溢价接近三倍。公司业态稳固、现金流充足、分红长久稳定,是市场公认避险核心资产。但过高的买入溢价,抵消了超强赚钱能力,最终拉低整体收益,测算长期年化收益8.12%,稳健有余,上涨空间受限。 中国移动常年盈利水平约一成,买入净资产溢价不足一点五倍。个股经营平稳、分红丰厚、抗波动能力强,短板是内生发展动力不足,盈利提升空间有限。即便入手价格合理,受自身盈利上限制约,长期年化收益仅7.6%,三者之中收益最低。 招商银行未来稳态盈利水平回落至一成,当前买入价格低于实际净资产,处于深度折价状态。市场普遍看淡其盈利下滑,却忽略低价入场带来的巨大收益优势。同等盈利水准下,低价布局大幅拉高实际回报,叠加红利持续复投,测算长期年化收益高达10.62%。 收益清晰排序:招商银行>长江电力>中国移动。 长江电力胜在极致安稳,败在价格偏高;中国移动赢在低波动,输在盈利偏弱;招商银行虽市场预期低迷,凭借极致低价优势,成为长期复利最优选择。 投资不靠热度与名气,不靠短期行情起伏,唯有依托合理买入价位,坚守优质标的长期持有,拿到稳定可持续的复利回报,才是长线投资的根本真谛。
顯示更多
实际上全世界的AI浪潮就是黄仁勋发动的,一开始他是想卖显卡的,无意之中发现显卡的计算功能非常适合高密度的数学推算,于是CUDA出现,并在黄的推动下成为了当代AI世界的基础设施,黄是一个疯狂的推动这个产业的人,绝对是行星发动机行的人物,他的组织架构也不是因为他是XXX所以他搞一言堂模式,这人生产效率高的吓人,他的公司的这种基本架构就是为了极限推进整个AI产业设计的,最精简的汇报流程,然后50-60来个直接汇报的经理人领下任务去为AI产业直接解决问题, 这种模式在中国的家族式企业非常常见,并不是为了所谓的个性或者权力的贪恋,是因为他必须推动整个产业快递迭代才这样,如果美国人将黄赶走,搞什么现代企业治理模式,那么美国现在这种百花齐放的AI产业格局会马上凋谢,因为这个产业都是大聪明集中的产业,是纯创造型的产业,有时候一个灵感想出来的公式就可以支撑几亿美元的估值,而实现这个公式的工程化,就必须是黄的这种你直接找我,我马上给你安排的精简行政架构,如果美国人找一个所谓现代企业的职业经理人来接盘这个公司,这个发动机一定会熄火。 英伟达是一个典型的老板就是大聪明,下面的人也是大聪明的及其高效的公司,这个公司是轻资产的公司,最值钱的是他的围绕黄这种极限运动员构建的推动体制,这个公司就是行星发动机模式,没有任何冗余,因为这个公司背后是一个十几万亿美元的产业,他稍微有点冗余,牛鞭放大效应就会殃及所有产业链,那个自认大聪明的Anthropic 看到黄倒下,马上跳出来说CUDA不需要英伟达也可以在AMD的GPU上跑的很好,其CEO还是简单的工程师思想,整个产业链不是说你能把程序跑起来就可以的,生态的构建、底层代码的优化、那些初创公司,啥也没有就几个关键公式和几颗脑袋, 以前都得到黄的帮忙,并且是直接高效的帮助,无论是给钱还是给算力还是给以工代酬模式,比如马上给你组一个工程师小组直接给你在源代码底层给你实现,这种巨大的产业推动力都是黄在推,黄可以说用一己之力给美国创造了一个巨大的产业生态,在当前美国传统基础设施干不过西边坏邻居的大背景下,黄给了美国仅有的最后的优势,当然,由于资本的贪欲,黄也给美国留下了一个极其巨大的泡沐,现在美国人就因为他个人的问题将其赶走,当然也不排除大聪明黄发现很难脱身,主动找这个借口跑路了,毕竟他现在的钱就算斩掉90%也足够他愉快地过完下辈子, 但美国这个巨大的AI产业链咋办,这个产业链那些梦想狠赚一笔的生态玩家或者说生态寄生虫咋办,还有现在这个巨大能耗除了在极少数群体展示所谓颠覆这个那个的黑箱炫技咋办,还有那些已经导致政坛巨震拥有巨大的能耗并且吵死人的超算中心还有背后的投资人咋办,这都不是黄能解决的,也不是接下来随便一个什么TOM什么JERRY什么 Singh可以HOLD住的,所以黄的离开对他来说是巨大的解脱,有些更深层次的问题他解决不了,他就是一个卖芯片的,他把卖芯片干到了极限,让他干不下去的根本不是所谓花边新闻, 而是整个美国的国家体制已经不允许他再这么干下去,再干下去美国就必须举全国之力啥也别干,就去搞AI,他自己也没办法改变这个更深层次的生态,美国当前的基础设施状况能够允许他再迭代更高级更费电更昂贵的芯片已经不可能了,否则他也不会绞尽脑汁把芯片卖给西边的国家,黄的生意就是这个地球最昂贵的生意,美国已经养不起他的业务了,但又不能明说,干脆找个什么花边新闻让他走掉算了,但黄留下的这个摊子,其实是很难接的,这个摊子已经耗尽了国家的底层资源,再搞下去会反噬,但是黄走了,别人咋办,AI的生产力现在还没看到明显的兑现,折腾这么大的摊子最大的贡献就是把过去写的代码让AI重新自动化写了一次,然后呢,净贡献是什么呢,黄回答不了这个问题,他只想卖他的芯片,仅此而已,某种程度说是黄开掉了美国,而不是美国把黄开了,并且留给美国一个巨大的泡沐
顯示更多