诺贝尔经济学奖背后的 AI 投资主线｜AGIX PM Notes
AGIX 指数诞生于我们对“如何捕获 AGI 时代 beta 和 alphas”这一问题的深度思考。毫无疑问，AGI 代表了未来 20 年最重要的科技范式转换，会像互联网那样重塑了人类社会的运行方式，我们希望 AGIX 成为衡量这一新科技范式的重要指标，如同 Nasdaq100 之于互联网时代。
「AGIX PM Notes」是我们对 AGI 进程的思考记录，希望通过学习 Warren Buffett、Ray Dalio、Howard Marks 等传奇投资者们的分享精神，与所有 AGIX builders 一同见证并参与这场史无前例的技术革命。
PM Notes
创新驱动增长的投资新范式：
从诺奖理论到 AI 商业实践
作者：Max
2025 年诺贝尔经济学奖由三位经济学家分享，分别是乔尔·莫基尔（Joel Mokyr）、菲利普·阿吉翁（Philippe Aghion）和彼得·豪伊特（Peter Howitt）。他们因系统阐释“创新驱动经济增长”的理论而获得这一殊荣。
在传统增长理论中，生产要素（如资本、劳动）被视为推动增长的核心。资本和劳动力的增加会带来产出增长，但随着投入的增加，每新增一单位所带来的产出增量会逐渐减少，即“边际收益递减”。但正如阿吉翁-豪伊特模型展示的那样，创新与知识存在“递增收益”特征：技术创新能提升所有生产要素的生产率，是“非竞争性、部分非排他性”的要素。知识越积累、创新越多，后续创新的边际成本反而下降（如数字产品、软件的复制）。
而这样的讨论和我们如何看待这次 AI 革命也是显著相关的。
AI 作为技术和知识的集合，其核心能力一旦开发出来，可以被大规模复制、迁移和二次创新，理论上不存在像资本那样被消耗的“边际递减”现象。同时，随着应用场景的扩展，应用公司会逐步通过产品和用户的互动，获得特定领域应用的“meta learning”，从而提升整个行业的生产效率，甚至因为其通用型，可以在医疗、制造、教育、金融等各行各业反复放大其生产率效果。
当然根据我们之前的讨论框架，所有的 AI 工具目前还属于 AI for productivity 的阶段。如果我们把 AI 比作“造人”，或者说 AI/AI Agent 是人的生产率的倍增器，标普 500 成分公司 2024 年的销售/管理和行政费用总数大概为 6.2 万亿，这可以大致当成生产力属性的 AI 工具能够覆盖的市场空间体量。Cost down 虽然体量庞大，但着眼于从零到一的新商业模式，用 AI 将过去不可能的商业模式变为可能，用来 Revenue Up，才是对于投资最有想象空间的。近期最典型的例子就是以 Sora 为代表的视频生成模型开启的“版权微交易时代”。
OpenAI 的 Sora 默认可用，选择退出策略其实本质上是将版权从传统的"单次授权模式"转变为"按次付费"。困于过去技术手段，过去无法低成本创造及追踪版权尤其是视频版权内容，版权公司止步于粗糙的变现模式。而新的模式完全颠覆了现有的大额年度授权费体系——Netflix 向迪士尼支付每年 3.5 亿美元的固定授权费，而 Sora 模式则是每次生成收费，将静态的版权库存（哪怕极其小众）转化为动态的按需调用资源。传统流媒体需要预先支付巨额费用锁定内容库，但用户生成的微交易模式让版权方可以从每一次创意调用中获得即时收益，这相当于将 Spotify 的"每播放 0.003-0.005 美元模式应用到视觉内容创作领域。
Sora 或类似的视频模型可能会为传统媒体巨头开辟了新的收入流，让《哈利·波特》或《泰坦尼克号》等经典 IP 能够从用户创作中持续获利。让派拉蒙，华纳兄弟等内容拥有者能够持续盘活长尾 IP，将以往依赖少数头部作品带动的单一授权收入，拓展为遍布每一次用户创意生成的海量微交易收益。传统流媒体在达成年度或分季授权时，往往将小众或老旧 IP “打包”压入大库，难以获得针对性分成；而在 Sora 环境下，众多小众剧集只要能成为用户创作素材，就能即时产生收入，无需等待整体捆绑分账，充分激活所有版权库存的价值潜力，将交易的颗粒度变细从而释放更大的总市场价值。
而回到 Cost down 的讨论，我们也在思考 AGIX 组合公司应该用什么样的 KPI 表达或体现出其各自对于 AI 生产力使用的能力，或者说我们想追求 AI 生产力提升的可观测性。对于 AI 原生公司，例如 AI 编程公司或模型公司，简单逻辑可能是看 ARR。但更抽象的角度来看，Dogfooding（自产自销）才是 AI 生产力乘数最好的表达方式。Shopify CEO Lütke 在内部备忘录中宣称，有效利用人工智能现在是每一位 Shopify 团队成员的基本要求。而员工不使用人工智能须提出理由：员工在提出额外资源需求（如更多人员或时间）之前，必须解释为何不能使用人工智能。Claude code 据报道也有 70-90%的代码是由 Claude 编写的，不仅限于工程师，非技术团队如法律、市场、财务、产品设计等都在使用自己的产品提升各个环节的生产力。
更高维来看，可能一个公司的 AI 潜力可以概括为：Agent 密度 * Context token 化程度 * Agent 能力。
Agent 密度可以用 AI 席位渗透率来表达：Copilot/自研助手/客服机器人/销售助理订阅数 / 员工数， 而无明确数字时，可以用行业基线以及管理层口径外推。
Context Token 化程度可以分解为云化/saas 化的程度，以及多大程度上 system of record 被 AI 重新处理，涉及业务流程横向有多广以及纵向有多深。除了软件以外，结构不良的数据库和非结构化文档也记录了海量的数据，但这部分还没有被最大价值萃取出来以提升商业和运营的细颗粒度运营。现在流行的会议纪要 AI 工具，无论是软件还是硬件，都可以看成是 context tokenization 的过程，这是企业 AI 转型的第一步。
Agent 能力可以理解为 Token Consumption 的 ROI。在企业宏观层面可以看引入 AI 后的毛利率趋势（既可作用于 cost down 也可作用于 revenue up）与单位计算成本/推理成本下降的改善，而计算成本的下降不只是行业模型商品化的过程，也和企业内部蒸馏/自研/推理优化的工作和能力相关。
如果把企业内部的 Dogfooding 视同为企业内部的 AI 在进行 Learning 的过程的话，那么公式里的密度决定学习速度，语境（Context）决定了学习质量，能力决定转化效率。三项相乘，构成一个组织把知识资本化的加速度。 总结来看，这届诺贝尔经济学奖的“以创新驱动、具有递增收益的增长”范式，与当下 AI 技术变化下的生产力与商业模式转型高度相关。无论 AI 原生公司还是传统行业公司，都可以从“以资本换规模”的线性生意，转向“以知识与组织能力换加速度”的指数生意。而这个线性到指数的切换意味着巨大的资本回报率改善。增长理论因此落地为投资实践，也为当下的 AI 配置提供了更清晰的主线与抓手。
01.
本周市场总结
全球去杠杆加速，美国主导，TMT 与金融板块承压
本周全球股票市场经历自 7 月以来最大规模的去杠杆（de-grossing），主要由北美市场主导。上周五美股急挫成为触发点，美国多空基金净杠杆从 57% 降至 52%，随后本周整体仓位调整延续，投资者集中削减方向性风险。资金流数据显示，北美、欧洲及亚太（含日本）均出现减仓，其中北美地区降幅最大。
北美市场方面，基金的主要动作是削减多头并轻微回补空头。行业层面看，TMT 板块成为卖压核心，其中无盈利科技股及软件类公司被显著减持，但半导体相关个股仍获部分加仓，显示基金对 AI 产业链的长期信心未变。工业与能源板块则录得小幅净买入，买盘主要集中在 AI 发电及核能主题相关股票。与此同时，金融与材料板块出现较大规模的多头削减，尤其是地区性银行、保险与金属采矿个股。因子层面上，动能（Momentum）与波动率（Volatility）因子遭持续卖出，而成长（Growth）与质量（Quality）相对稳定。
从杠杆结构看，美国多空基金净杠杆较上周下降 2 个百分点至 55%，但仍处于近三年高位（约历史 70 分位）。总杠杆环比上升 5%，至 217%，创 2010 年以来新高，反映部分市值变动的账面效应。
欧洲市场整体表现相对稳健，是唯一实现净买入的主要地区。买盘主要来自防务、半导体及奢侈品等行业；银行板块则出现流出。动能因子在欧洲虽出现阶段性回调，但未触发系统性卖盘，唯一显著被减持的因子是规模（Size）。
在亚洲（不含日本），基金转为净卖出。此前数周集中买入的中国市场成为主要抛售区域，卖压集中于可选消费与科技板块。A 股、H 股及 ADR 均出现多头削减与空头增加。日本市场方面，多空仓位均有下调，卖出集中在工业、可选消费与通信服务，科技板块则出现空头回补。
全球对冲基金表现分化：北美小幅回升，欧洲稳健，亚洲略有回撤
本周对冲基金整体走势与股市一致，全球基金大体持平，收复上周跌幅。美洲基金表现领先，多空基金上涨约 35 个基点，欧洲基金上涨约 40 个基点，亚洲基金小幅下跌约 30 个基点。主要股指普遍上行，科技领涨。AGIX 上涨 0.92%，表现略低于 QQQ(+2.45%)、S&P 500(+1.7%) 道琼斯(+1.56%)。整体风险偏好改善，科技与大盘股推动美股反弹。
年内来看，全球多空基金上涨约 9.8%，其中美洲 +10.9%、欧洲 +9.3%、亚洲 +13.7%。拥挤交易方面，北美 Top 50 多头相对空头的超额收益约 0.5%，累计达 15%+；欧洲和亚洲的差值分别为 27.7% 与 13.6%。总体而言，对冲基金继续在动能反转中调整仓位，美国去杠杆主线延续，欧洲稳健，亚洲略显承压。
02.
AI Alphas
Meta（META）与 Oracle（ORCL）采用 NVIDIA Spectrum-X，以太网加速超大规模 AI 工厂
据行业媒体报道，Meta 与 Oracle 将在 AI 数据中心大规模部署 NVIDIA Spectrum-X 以太网方案，显示以太网在超大规模训练与推理网络中的可行性被一线厂验证。相较传统 InfiniBand，Spectrum-X 主打开源生态与灵活扩展，叠加 NVIDIA 在端到端链路（从 NIC、交换机到网络软件栈）的优化，目标是在吞吐、拥塞控制与延迟抖动上取得更优的 TCO 与扩展性。多方消息称，Meta 将把 Spectrum 以太网纳入其 FOSS（Facebook Open Switching System）体系，Oracle 方面则把它作为 AI 工厂的网络底座并与 Vera Rubin 架构配套落地。此举意味着未来训练集群的网络层不再单线依赖 InfiniBand，以太网方案在规模化、生态与成本三个维度上获得更大话语权。
Anthropic 推出 Skills 功能，Claude 获得模块化任务能力以支持可组合代理工作流
Anthropic 发布 Skills 功能，为 Claude 提供可复用的任务能力模块。每个 Skill 由指令、脚本与配套资源组成，模型在执行任务时按需加载相关 Skill，以提升在特定场景下的稳定性与一致性，并减少重复提示带来的开销。Skills 可在 Claude 应用、Claude Code 与 API 中使用，并可通过 Agent SDK 融入更复杂的企业工作流；企业可在内部进行版本管理与共享，将合规规范、品牌风格或报表流程封装为可移植的能力包。官方同时面向专业与企业订阅开放，适配跨团队复用与权限管理，目标是在常见办公与开发场景中把 Claude 从对话助手提升为可执行任务的代理。
Oracle（ORCL）发布新一代 AI 集群蓝图，NVIDIA 与 AMD 异构并进
Oracle 公布两大 AI 集群蓝图：其一是运行在 OCI 公有云上的 Zettascale10，支持客户按需配置，最高可扩展至八十万片 NVIDIA GPU；其二是基于 AMD Instinct MI450 的五万 GPU 集群，标志头部云厂在算力供给上由单一架构转向多供应商异构。官方资料与媒体解读指出，新集群采用 RoCE 与加速网络，以及跨芯片栈的软件协同，旨在价格性能、利用率与可靠性上取得平衡。对上层而言，这要求编排与框架层做到多芯片适配与调度（调度器、编译器、通信库等同步演进），同时有助缓解单厂供给紧约束与成本波动。
AI 基建财团拟以 400 亿美元收购 Aligned Data Centers，微软与英伟达牵头
微软、英伟达与贝莱德等发起的 AI 基建联盟宣布，将以约四百亿美元收购 Aligned Data Centers，后者在北美与拉美拥有接近八十座数据中心，超过五吉瓦的在运与在建能力。该交易旨在前置锁定电力、机房、冷却、网络等 AI 工厂关键要素产能，顺应 2025 年 AI 基建投入或达四千亿美元的行业趋势。多家权威媒体援引消息称，联盟后续拟投入三百亿美元自有资本，并配合债务工具将规模放大至一千亿美元，以在 2026 年上半年完成交易交割。对上游链条（供配电、液冷、网络设备、整机与机柜集成）以及土地与电力资源的中长期绑定影响深远。
Snowflake（SNOW）与 Palantir（PLTR）深化企业级集成，数据云联通场景化 AI 平台
Snowflake 宣布与 Palantir 的双向集成，连接 Snowflake 的数据与治理能力与 Palantir Foundry 与 AIP 的应用编排与代理框架。对客户而言，这可在零或最小数据复制的前提下，将安全合规的数据直接提供给 AIP 的代理与工具链，缩短从数据到应用的路径。对强监管行业（金融、公共部门、医药等），合规访问与端到端可追溯尤为关键。媒体并指出，Foundry 与 AIP 的模型选择与工作流自动化与 Snowflake 的数据驻留与数据清洁室能力结合，有望提升上线速度与跨部门协作效率。
Salesforce（CRM）发布 Agentforce 360 集成，多模型与代理式工作流进入主流
Salesforce 公布 Agentforce 360 面向 ChatGPT 的集成。用户可在 ChatGPT 界面直接检索并操作 Salesforce 的一方数据，并以 Tableau 进行可视化报表；同时增强与 Anthropic 的互通，形成多模型择优 的策略。该路径有利于在销售、客服、营销等一线环节落地任务型 AI 代理，并把数据治理、权限与审计纳入统一的企业级技术栈，降低工具拼接的复杂度。面向 IT 与合规团队，这种在熟悉的 CRM 与数据云边界内开展 AI 的方式，提升了可管可控与跨系统的安全协同。
Arm（ARM）与 Meta（META）推进多层协同，能效优先的软硬融合路线
Arm 与 Meta 宣布深化长期战略合作：从 PyTorch 与 ExecuTorch 在 Arm 架构上的深度优化（包含 KleidiAI 指令与库加速）到数据中心层面的高能效架构协同，目标是在毫瓦到兆瓦的全域计算中提升性能与能效。多方信息显示，双方将围绕推理与训练以及 端侧与云侧的多形态工作负载进行软硬协同设计，支撑 Meta 在生成式产品、广告以及基础设施中的规模化使用。该路线与 GPU 集群形成 异构互补，有助于降低 TCO，并缓解能耗与供电瓶颈。
NVIDIA（NVDA）发布 Vera Rubin 愿景，Grid-to-Chip 路线通往 GW 级 AI 工厂
在 OCP Global Summit，英伟达披露 Vera Rubin NVL144 与 Spectrum-XGS 的开放版图：以 800V 直流电力架构逐步替代传统 415VAC，减少交流到直流的级联转换损耗；统一机柜、供配电、冷却、网络、加速器的协同设计，面向千兆瓦级 AI 工厂。多家媒体与官方博客强调，该思路配合 Kyber 机柜与互连设计以及 OCP 生态，意在让建设速度、功率密度、PUE 同步提升，支撑大规模推理与训练的电力与网络瓶颈化解。
OpenAI 与 Broadcom（AVGO）达成多年合作，10GW 定制加速系统部署至 2029 完成
OpenAI 宣布与 Broadcom 达成多年合作，推进自研 AI 加速器与机架系统，并以以太网为主的规模化互连为基础，计划在 2026 年下半年启动部署，至 2029 年完成十吉瓦的能力铺设。OpenAI 表示，软硬件联合优化能够显著提升效率并降低成本，形成与通用 GPU 互补的算力供给。多方公开信息确认了上述时间表与技术路径。该合作代表头部模型方在定制芯片 与以太网规模化上的明确下注，有利于在能耗、成本 与供给可得性上对冲风险。
Nscale 与 Microsoft（MSFT）签订历史级采购协议，约二十万片 NVIDIA GB300 将落地
AI 基建商 Nscale 宣布与微软达成大额采购协议，计划在欧洲和美国的多个数据中心部署约二十万片 NVIDIA GB300，其中部分由与 Aker 的合资项目交付。官方信息与主流媒体报道显示，其中十万四千片将投向德州园区，整体交付周期十二到十八个月，并与 Dell 深度协作交付整栈方案。该交易将对电力选址、液冷、网络与整机制造形成强力拉动，也印证新型 AI 云与传统超大规模云的分层产能锁定模式。
Microsoft（MSFT）与 Nebius（NBIS）签订一百七十四亿美元长期合约，新型 AI 云提升产能锁定
微软与 Nebius 签订一百七十四亿美元、为期五年的 GPU 基建长期合约（包含一百九十四亿美元的可选扩展），由新泽西州 Vineland 等地的新数据中心提供 专用化容量。公开报道显示，交易公布后 NBIS 股价一度走强，市场将其视作新型 AI 云阵营的代表，与 CoreWeave 等伙伴一起承担微软多源算力策略中的 分层保障角色。该模式兼顾成本、灵活度与交付速度，减少对单一内部公有云产能的依赖。
03.
ETF 101
ETF 的市场价格与净值（NAV）——价格背后的逻辑解读
一、ETF 市场价格与净值的本质
• ETF 市场价格：就像个股一样，ETF 在交易所实时交易，其市场价格由买卖双方的出价共同决定。市场情绪、供需变化、宏观消息等都会影响价格的实时波动。
• ETF 净值（NAV）：这是对 ETF 实际持有资产（成分股、现金等）收盘后精确估算的单位价值。NAV 每日公布一次，是最能反映 ETF 组合真实价值的“静态锚点”。
二、ETF 价格为何与净值产生偏差？主要机制全解析
• 供需波动直接影响市场价: 当买盘压力大于卖出，ETF 市场价格可能高于净值（溢价）；反之则可能折价。
• 申购赎回机制弥合价差: ETF 设有独特的 “一级市场” 申购赎回机制。授权参与人（AP）可通过一篮子股票与 ETF 份额的互换套利，将过大价差迅速缩窄，这也是 ETF 保持价格接近净值的根本保障。
• 国际资产与时差因素: 若 ETF 投资标的跨越不同市场，因时区差异，收盘净值与交易所市价间短暂偏差在所难免。但市场套利机制总体能确保二者不会长时间背离。
• 特殊市场环境考验机制有效性: 极端波动或成分股流动性危机时，申赎机制可能暂时失灵，价差就会显著扩大。
三、ETF 市场价与净值偏差下的投资策略启示
• 套利空间有限但值得关注：普通投资者无需担忧因价差承受巨大损失，但灵敏的投资者可借助短期溢价/折价，结合合理交易策略，优化收益或规避风险。
• 长期视角聚焦跟踪偏差而非短期价差：ETF 的投资价值在于长期对指数的贴合，而不是短线买卖价差。
• 选择 ETF 需综合考量：市场成熟度、申赎效率、资产结构、ETF 历史溢折价波动，都应进入你的筛选视野。
ETF 的市场价格与净值虽有短暂偏差，但凭借结构性设计和高效市场机制，二者始终保持紧密联系。理解溢价、折价的成因与弥合过程，能帮助投资者避开误区，从而更科学地挑选和持有 ETF 产品。
排版：夏悦涵
