4月21日，根据基金经理消息，英国知名对冲基金——蓝鲸资本（Blue Whale Capital LLP）的持仓悄然发生巨变。这家管理规模达13.4亿美元的基金，在清仓Meta和微软两大科技巨头的同时逆势增持英伟达，仓位调整涉百亿美元。

以史为鉴清仓Meta 微软已逼近“资本成本临界点”

对于Meta的清仓决策，蓝鲸资本给出了双重解释框架：直接诱因是2025年4月特朗普政府宣布的全面关税政策可能引发的全球经济放缓。作为数字广告收入占比高达95%的企业（行业平均为60%），Meta的命脉系于全球商业活动的活跃度。

历史数据显示，在2018年中美贸易摩擦期间，Meta广告收入增速曾从49%骤降至26%，这种强周期性特征在关税阴影下被显著放大。更深层的忧虑则来自AI投入与产出的错配——尽管Meta在个性化广告算法和元宇宙场景中持续加码AI，但其2024年研发支出中仅有32%直接转化为营收增长，远低于微软的41%和谷歌的38%（据Saasverse 2024年Q4行业报告）。这种技术投入的"沉没成本效应"，在资本眼中构成了难以量化的风险敞口。

微软的离场则指向AI军备竞赛中的财务纪律问题。根据蓝鲸资本内部测算，微软2024年在AI基础设施上的资本支出高达500亿美元，约占其全年经营性现金流的58%。尽管Copilot智能办公套件带来了19亿美元新增收入，但考虑到每用户年均120美元的订阅定价与数据中心建设成本间的回报周期，基金经理Stephen Yiu认为"现金流回报率已从2023年的12.1%下滑至8.5%，逼近资本成本临界点"。

逆市增持英伟达 蓝鲸长期看好人工智能前景

转向英伟达的增持决策，则完美诠释了"别人恐惧时贪婪"的投资哲学。尽管该股在2025年前四个月下跌24%，但其在AI算力市场的统治地位反而愈加稳固——全球90%的生成式AI训练任务依赖其GPU，2024年数据中心收入同比增长126%至476亿美元。

当前AI发展正处于从"模型创新"向"规模应用"过渡的关键期，作为"算力军火商"的英伟达兼具确定性和弹性。从财务指标看，34.52的市盈率虽高于半导体行业平均，但相较于82.2%的资产回报率（ROA）和119.18%的净资产收益率（ROE），估值仍具吸引力。这种"高增长消化高估值"的特性，在资本开支周期中往往能产生超额收益。

据Gartner 2025年一季度报告，全球企业在AI应用层的投资回报周期中位数已延长至5.2年，较2023年增加19个月；而硬件基础设施的边际收益却因算力紧缺持续攀升，英伟达H100芯片的现货溢价在2024年底一度达到官价的300%。

这种分化趋势迫使投资者重新审视"硬件先行"定律——正如1990年代互联网泡沫时期，思科路由器厂商的存活率远高于门户网站。蓝鲸资本的持仓结构调整，本质上是对"算力即权力"产业逻辑的投票，其增持英伟达至组合权重10%的操作，与1999年老虎基金重仓英特尔有着惊人的历史相似性。

根据ARK Invest测算，AI训练成本正以每年50%的速度下降，但推理成本却因模型复杂化保持刚性——这种剪刀差效应使得拥有CUDA生态壁垒的英伟达持续受益，而依赖API调用量的软件企业则面临盈利模型的不确定性。当微软每赚取1美元AI收入需要支付0.3美元给合作伙伴时，英伟达每卖出1美元GPU就能产生0.65美元的毛利润——这种价值捕获能力的差异，最终在资本市场的估值体系中形成断层线。

AI逻辑巨变 普通人如何投资？

从数据来看，半导体行业的增长动能正从消费电子向AI基础设施加速切换。IDC数据显示，2025年全球半导体市场预计增长11%，其中AI相关芯片需求成为核心驱动力，英伟达数据中心业务前三季度同比激增192%即是明证。

购买半导体，人工智能相关的ETF或许更适合没时间做深度调研、资金量较小的普通人。

因为人工智能概念相关公司股价普遍较高，如英伟达、甲骨文、谷歌、微软、Meta 等，普通投资者持有多只股票的资金成本较高。相比之下，人工智能相关 ETF 具有资金门槛低的优势，一般购买一手（100 份）仅需一百多美元。

ETF 选品丰富，涵盖人工智能产业链上下游企业，投资者无需深入研究个股即可实现风险分散，分享行业发展红利。此外，ETF 不存在停牌或退市风险，即使在熊市也能正常交易，为投资者提供了止损机会。基于其门槛低、交易透明、选品丰富、稳定性高和支持场内交易等优势，ETF 成为普通投资者和新手投资者参与人工智能市场的理想选择。

以下是一些市面上热门的人工智能ETF产品，仅作举例，不作推荐建议：

原本Deepseek的出现，让市场对算力的需求产生一股隐忧。DeepSeek之所以引起恐慌，是因为它展示了一种可能性，即以其他模型成本的一小部分来训练AI模型。这可能会减少对数据中心和昂贵、先进的芯片的需求。但实际上，DeepSeek推动了AI行业去发展资源需求量更大的推理模型，这意味着计算基础设施仍然非常必要。

未来，根据预测，虽然AI未来对计算能力的需求将仅为当前的一小部分，但推理模型在回答用户提问时需求量的增加可能会弥补这一点。随着企业发现新AI模型更强大，它们越来越多地调用这些模型。这将计算能力的需求从训练模型转向使用模型，即AI行业中的“推理”。

风险投资家Tomasz Tunguz表示，投资者和大型科技公司在赌，未来十年中，由于推理模型和AI的迅速普及，对AI模型的需求可能会增加一万亿倍或更多。

这表明，人工智能的大基建时代，还在继续。