ZERO / MARGIN04 SEP 2026
半导体与AI投资 08｜AI 归零测试
当内在价值算不出来时
这是本系列的最后一篇。产业结构的部分已经讲完，最后一篇处理它留下的实际问题：知道了不确定性很高，然后呢？
当内在价值算不出来时，"要求更大的安全边际"是一句空话——因为你不知道该从哪个数字开始打折。
GAP 01 安全边际为何失效 |
FLOOR 02 下行由什么托底 |
PRICE 03 为可能性付了多少 |
标准答案是"要求更大的安全边际"。这句话在这里有一个技术性障碍，很少被点破。
中心判断：
安全边际的经典定义依赖于内在价值可估。当未来现金流没有可用输入时，"打折"这个动作失去了参照系。可操作的替代不是要求更低的价格，而是要求下行有其他东西托底——并把超出托底价值的部分，明确算清楚——那是你为一个尚不可知的可能性付的钱。
ZERO / 01
一、先把问题说准
安全边际的经典定义是：内在价值减去价格。而内在价值等于未来现金流的折现值。
这个定义在多数情况下管用，因为多数生意的未来现金流可以基于历史外推：一家消费品公司的销量、一家收费公路的车流、一家银行的息差，都有多年数据可依。外推可能出错，但至少有起点。
AI 这一层的问题不是外推不准，是没有可外推的东西。
—资本开支的回报周期，连从业者自己都在用"还需要时间验证"来回答。
当内在价值的输入本身是空的，"要求 30% 折价还是 50% 折价"就成了一个假问题——你不知道对什么打折。
这里需要区分两种常被混为一谈的状态：
—风险：结果不确定，但分布可估。可以定价、可以对冲、可以用折价补偿。—不确定性：分布本身未知。无法定价，因为没有可用的概率。
多数人用处理"风险"的方法在处理"不确定性"，而这两者需要完全不同的应对。
ZERO / 02
二、更深的研究，在这里帮不上忙
一个自然的反应是：那就研究得更深一些。
这个反应在其他地方对，在这里不对。
研究能降低的是信息不对称——别人知道而你不知道的东西。多读一份披露、多做一次调研，你确实会比之前更接近真相。
但 AI 应用的价值捕获，不是"别人知道而你不知道"，而是"还没有人知道"。它不是信息问题，是事实尚未发生。
对尚未发生的事实做研究，产出的不是判断力，是虚假的信心。
而虚假的信心会让人加仓——这是研究在这里最大的危害。
一个自检方法：问自己"再读一百份资料，我的结论会改变吗？"
—如果不会，那是不确定性，该用结构应对，而不是继续读。
ZERO / 03
三、可操作的替代：归零测试
既然算不出内在价值，就改问一个能回答的问题：
如果这家公司所有的 AI 投入全部打水漂，还剩下什么？
这个问题的好处是：它只需要评估已经存在的业务，而这些业务有历史、有数据、有可比公司。
| 类型 | 归零后剩什么 |
| 有强大存量主业的巨头 | 原有的现金流业务 |
| 云业务已成熟的厂商 | 非 AI 部分的云收入与存量客户 |
| 纯 AI 敞口标的 | 几乎什么都不剩 |
这个测试的本质，是把安全边际从"价格折让"换成"下行由既有业务托底"。
它不要求你估算 AI 的价值——只要求你估算"没有 AI 的情况下这家公司值多少"，然后确认支付的价格没有超出太多。
超出的部分，就是你为 AI 这个可能性付的钱。
这个数字算得出来，而且它是有上限的。这是它相对于"打个折"的根本优势：你可以明确知道自己在为不可知的部分付了多少钱。
ZERO / 04
四、这个方法的四个漏洞
如果只讲到上面，这就是一个太漂亮的答案。它有几个真实的漏洞。
漏洞一：托底业务本身可能被 AI 颠覆。
这是最严重的一条。归零测试假设"AI 失败，主业照旧"。但对某些公司，AI 的成功恰恰威胁它的主业——如果信息获取方式被改变，那么依赖旧方式的现金流本身就是风险敞口。
这类公司的 AI 敞口是双向的：AI 成功它受威胁，AI 失败它的投入打水漂。归零测试必须加做一次反向测试：如果 AI 大获成功，我的托底业务还在吗？
两次测试都通过，才算真的有托底。
漏洞二：市场不会给你这个价格。
如果一家公司的股价里已经包含了大量 AI 预期，那么"以接近托底价值的价格买入"这个条件可能长期无法满足。这个方法会把你排除在外很多年——而这段时间的踏空成本是真实的。
漏洞三：托底价值本身会漂移。
存量业务不是静止的。竞争、监管、周期都会侵蚀它。用一个静态的托底数字，去对冲一个动态的风险，本身就是不严谨的。
漏洞四：这个方法只保护下行，不帮你抓上行。
如果 AI 真的兑现，用这个方法的人会赚，但赚得远少于集中押注的人。这是这个方法明确的代价，不是缺陷——但要事先认清楚，而不是事后后悔。
ZERO / 05
五、那么，什么时候应该干脆不碰
这个系列反复出现的一个词是"能力圈"。到这里可以给它一个更具体的定义：
能力圈不是"我了解多少"，而是"我需要知道什么才能持有得住"。
如果一个仓位需要你对以下问题有把握，而你并没有：
那么它就在圈外。而圈外的正确做法不是"用更大的折价买入"，而是不买。
这里必须警惕一个反向错误：把"看不懂"当成美德，永远不出手。不出手同样是一种决策，它同样会错，而且它的成本是隐性的、不会出现在对账单上。
两者的区别在于：
—「我看不懂，所以这个行业不行」—— 把自己的能力边界当成了世界的边界。
ZERO / 06
六、整个系列可以落到的三个动作
写到这里，这个系列可以收敛成三个可执行的动作：
第一，先排除，后选择。
用三个问题（客户有无第二选择、扩产的钱谁出、瓶颈时下游加价还是自建）排除结构上就不该碰的，再看价格。顺序反过来，就会为了便宜去买结构有问题的东西。
第二，仓位纪律要在组合层面执行。
共同风险面前，个股上限不产生保护。先设板块上限，再分配个股。
第三，用归零测试代替空洞的折价要求。
明确知道自己为不可知的部分付了多少钱，并做双向测试——AI 失败你亏多少，AI 成功你的托底还在不在。
ZERO / 07
七、本文的置信度分层
| 层级 | 内容 | 可靠性 |
| 概念 | 风险与不确定性的区分 | 经典理论 |
| 方法 | 归零测试的操作步骤 | 可执行，但需逐案调整 |
| 判断 | 深度研究在不可知领域收益递减 | 逻辑推理 |
| 漏洞 | 托底业务可能被 AI 本身颠覆 | 本文自身最大的限制 |
| 未提供 | 具体标的、具体价格、具体仓位 | 本系列全程不提供 |
ZERO / 08
系列结语
这八篇从半导体上游一路推到 AI 应用层，没有给出任何一个"买什么"的答案。
这不是回避，是结论本身。
我们能确定的是：产业链上不同位置的结构性质差异巨大，而这些差异在损益表上长得一模一样——地缘租金和护城河租金都是利润，被补贴的产能和被保护的垄断都有营收，铺光纤的和收租的在繁荣期都很赚钱。
分辨它们，靠的不是更精确的财务模型，而是问对几个不需要预测未来的问题。
至于每 100 美元究竟能换回什么——我们仍然不知道。
而知道自己不知道，本身就是仓位。
方法说明：本文讨论估值方法的适用边界，不针对任何具体标的，不提供仓位或买卖建议。归零测试是一种思考工具，不是估值模型，其结果高度依赖对"托底业务"的判断，读者应自行验证。不构成任何投资建议。