AI时代，文科生要触底反弹了？ - 主题精读稿

前言：AI 是否将引发全球智能危机？ (00:00 - 07:08)

2026年2月，投研机构 Citriney Research 与基金经理 Alep Shah 联合发布了一篇名为《2028 Global Intelligence Crisis 全球智能危机》的情景推演文。文章设想到2028年，AI 不断替代白领岗位，裁员导致消费萎缩，消费萎缩又迫使企业进一步依赖 AI 降本，形成一个裁员—利润提升—更多投资 AI—更多裁员的恶性循环。以人际关系为基础的服务——房产中介、保险中介、购物平台——也将在第一时间被取代。从投资角度看，全球半导体产业收入持续攀升的同时，资金开始涌向所谓的 Halo 策略：配置电力、铁路、能源、芯片、光刻机这类重资产低淘汰率的行业，对冲 AI 应用层面的不确定性。

这篇文章虽然带有科幻性质，但确实引发了关于 AI 替代人类岗位的深层焦虑。国林安量化投资部总经理张善元仔细读过这篇文章后认为，它有一定的过度焦虑成分，但许多判断仍有道理。他指出文章的核心问题在于，其情景推演的逻辑还是基于当下传统的分析框架——如果 AI 真的带来那么大的变化，整个演绎逻辑本身也会被改变。

张善元从宏观经济的角度拆解这个问题：社会有一个"总需求"的概念，由每个个体的需求构成。如果总需求没有出现剧烈下降，真正改变的将是收入结构。过去白领、公务员、数据处理人员月薪两三万，远高于蓝领；未来这部分收入可能被 AI "拿走"，他们无法再维持同样的收入水平。这意味着 AI 的控制方——无论是资本还是企业——会出现财富的高度集中。文章中提到的马太效应确实可能发生：强者投入更多资金构建 AI 护城河，所有人不得不使用，使用费用也水涨船高。

但张善元不认为这会走向极端。如果财富过度集中，调节机制一定会出现，包括政府的参与——一个社会里不可能只有十个人收入集中，其他所有人收入微薄，那样社会结构本身就会极度不稳定。 文章本身也提出了一些解决方案，比如设立类似"AI 基金"的转移支付机制。他的判断是：消费不会坍塌，而是结构性重构——消费能力从均匀分布变成集中在两端，再通过重新分配机制拉回均衡。有一些原本月入两三万的人群收入会大幅下降，这一点他认为完全可能。

二、AI 的进化速度：从编程辅助到自主操作 (07:08 - 15:06)

张善元认为，AI 这一波冲击首先打到的不是体力劳动者，而是附加值更高、脑力含量高但人力含量不高的岗位——最直接的例子就是基础程序员，纯执行类的编程工作危机程度非常高。

他以自己使用 AI 的经历来说明这种进化速度。大约两年前刚开始使用时，AI 只是一个代码修正工具，经常出错，需要把错误代码贴回去让它修改。三个月后再用，它写出来的代码基本没什么可挑的错误了。又过了不到一年，他发现 AI 给出的方案里，很多自己想不到的细节它都帮忙考虑到了。

最最震惊的就是当 Agent 推出的时候，它能帮你自己去修改一些电脑里面的操作，而不是只是纯给你提供代码的时候，很快的时间给你产生一个相对来说是一个成品。

更让他意外的是，隔半年不用再回来，变化又是一个量级。现在的 Agent 不但能实现你的目标，还会在执行前分析你的需求，主动指出描述中模糊的地方，要求你先澄清再执行——讲三四句话就能把目标实现。

这种亲身体验直接影响了他对芯片半导体投资逻辑的判断。过去推芯片 ETF 产品时，核心叙事是"国产替代"，这条主线没有变。但人工智能这条线带来了根本性的加速。过去认为半导体行业每年增长20%是稳态，现在因为 AI 的自我强化机制，需求增速的台阶被大幅提升到50%，而且持续性很强。他将半导体比作智能世界的"砖块"——所有智能世界都由这种基础材料构成，不论是方砖还是不同材质、形状，智能化都离不开它。 这种增长类似于智能手机从零到一、从一到 N 的替代潮——2009年 iPhone 3 刚推出时，诺基亚还占据全球手机50%以上的份额；到2015年几乎人手一台智能手机。人工智能正处在这个阶段的起点。

讨论中还引用了《全球智能危机》中一个有趣的场景：一位财富五百强的采购经理在与 SaaS 供应商的续约谈判中，直接抛出"我们在跟 OpenAI 谈，考虑用 AI 工具替换掉你们"——最终以七折续约。企业级 SaaS 服务本质上由一行行代码构成，而现在的大模型学习的是包括 GitHub 在内的全球代码库，代码能力已毫无疑问。张善元认为，技术上只要提出需求，AI 基本能完成大部分工作；问题更多在于规范层面——企业能不能自己构建并部署这些软件。但即便暂时不能完全替换，这个筹码本身已经改变了企业软件市场的权力格局。

三、谁更容易被替代：脑力劳动与体力劳动的逆转 (15:06 - 20:44)

一个反直觉的判断浮出水面：在这一轮 AI 冲击中，高附加值的脑力工作比体力劳动更容易被替代。

张善元的推理是：送外卖、开出租车这些工作，看似简单，但要用机器人替代，有一个"比较成本"的问题。机器人本身的成本并不低，而外卖员的人力供给充足、成本有限。相比之下，脑力工作中的基础执行层——那些工作模式可以被拆解为明确指令的岗位——恰恰是 AI 最擅长的领域。

这当然听起来让人不安。张善元承认这有制造焦虑的成分，但他对未来的基本判断是：所有人的需求仍然会得到满足。每个人都必须有事可做、有一定收入，最终会有一个大的调节机制来保证这一点。财富不可能全部集中在 AI 公司手中。

AI 革命和十多年前的互联网革命有一个关键区别。互联网革命缩小了购物端的中间商差价，总需求因为选择增多、消费量上升而得到补充。但 AI 的效率提升幅度更大——一个人花一个月做的事，AI 一个小时就能做完。效率提高后新增的需求，大部分又被 AI 自己解决了，不会像互联网时代那样惠及大量新的从业者。受益的还是 AI 企业，马太效应在这一轮会更加显著。

那什么人的收入反而会提升？张善元给出了一个明确的方向性判断：人相对于 AI 的真正优势，在于逻辑推理之外的灵感——所谓的 MUSE。 AI 的底层仍然是01逻辑，它的推理能力变强，是因为数据处理能力变强。但人脑的结构不是纯粹的01结构，它能在不同知识的碰撞中产生新的灵感。逻辑推理 AI 基本上全部能做，但各种知识如何结合产生新想法，这是比较难被 AI 替代的。

由此引出一个可能让不少人意外的观点：以后文科可能会比理科更加受到重视。

四、AI 时代人类优势何在？围棋 AI 的启示 (20:44 - 23:21)

逻辑推理是 AI 基本上全部能完成的事情，但各种知识怎样结合产生新的灵感，这是比较难被 AI 替代的。

AlphaGo 的故事是一个很好的参照。当年围棋界普遍认为计算机不可能战胜人类棋手，理由是围棋的复杂度远超国际象棋，变化实在太多。但本质上，围棋是信息完全对称下的博弈——最简单的理论就是你把所有可能性全算一遍，就能找出最优解。过去只是算力跟不上，一旦算力到位，结果就注定了。这几年围棋这个项目本身的魅力也因此大幅下降。现在 AI 正在更广泛的范围内重演类似的事件。

反过来想，未来我们要看的恰恰是人能干什么。AI 确实在很多方面比人强，但"那又怎样呢"——直播比赛我还是要看两个人的对决；未来机器人遍布身边，两个人搏斗的票价反而可能更高，而不是机器人搏斗的。人类创造了 AI，也控制着 AI。所谓 AI 产生自主意识、人类失控的说法，至少从当前来看并不成立——人类仍然是 AI 的控制方，而非走向平行关系。

五、机器人时代的"新牛"：AI 能否改变命运？(23:21 - 27:02)

一个很有画面感的类比：中国农村里一个农民欢天喜地牵回一头牛，那头牛就是他家最重要的生产工具。未来这个场景的"牛"会变成机器人——帮你搬箱子、洗碗、做菜，什么都能干，甚至要让它出去帮你赚钱。但内核没有变：两百年前牛是最重要的生产工具，两百年后机器人依然只是工具，它好像也并不能改变你的命运。你只能供一个机器人服务，人家有一百个机器人，财富积累速度还是比你快。换到一百年后，这个本质也没有发生变化。

那他就是一头牛，只不过新时代的一头牛。

在 AI 时代，想靠一个与众不同的 idea 赚到钱，难度确实在提高。信息差被极度抹平之后，要有一个独特的想法并获得大众认可，变得更难了。资本积累形成的护城河效应会更加明显。 但也不是完全不可能——人需要有逻辑之外的灵感，比如找到机器人基本功能以外的用法，才可能获得额外收益。机器人不会自主产生"帮主人赚更多钱"的意愿，它提供的服务来自 AI 公司，是标准化的，所以最终那个不标准化的变量，还是得靠人自己。

不过换一个角度看，拥有一个机器人的家庭和拥有十个机器人的家庭，生活质量的差异其实在缩小。 AI 效率的提高意味着，只要你能拥有一个全职的家政机器人，基本生活需求就能被很好地满足。人的基本需求之上的"自我实现"是另一个层面，但在基础需求层面，AI 能让每个人得到更好的体验，甚至人的寿命都可能因此大幅提升。当然，这里面还有一个扎心的问题——延长寿命的服务，很可能是有付费门槛的。

六、AI 时代的资产配置：对冲逻辑与产业绑定 (27:02 - 34:39)

马太效应和产业垄断的风险，需要更大层面的政府调节机制来应对。对于政府管理者来说，要考虑的是全民整体福利的总和，至少要满足一些基础需求和个人需求。

但从个人角度，一个正在发生的现实是：数字订阅成本已经明显增加了。各种年度订阅——内容消费端随着版权意识提升，工具属性的数字服务也在增加，数字订阅在消费结构中的占比已经发生了很大变化。一部分 AI 企业已经完全收费，另一部分通过免费扩大流量，但未来也一定会走向收费模式。而且 AI 的使用成本还没有真正体现出来——先让你用，等你离不开的时候再说。这个逻辑"细思极恐"，因为未来一定会离不开，否则你的效率就太低了。

从搜索引擎转到大模型，本质上是解决了"最后一公里"的问题。搜索引擎给你一堆答案，你还要筛选；大模型直接给答案，而且答案越来越好，一年前还有大量 AI 幻觉，现在越来越精准。看看手机使用时长就知道，除了社交软件，基本上就是大模型 APP。

面对这样的趋势，投资上需要认真考虑资产配置。配置 AI 资产的核心逻辑不是为了赚多少钱，而是风险对冲。 AI 的发展趋势不可逆，万一它到了某个阶段真的发生了文章描述的那些事情——也不是完全不可能。作为做投资的人，现在应该做的是把个人资产的一部分和 AI 做长期绑定。短期内可能波动很大，账面上也会有亏损，但长期绑定的意义在于：如果极端情况真的发生，这部分资产产生的收益可以抵消你在现实中因 AI 带来的损失。如果 AI 发展不及预期，损失也是可控的。

等于你买一个产业的 AI 趋势的保险。

对比历史上的技术浪潮——汽车、智能手机从零到一的阶段，都有传统行业被替代，但没有一次像 AI 这波可能涉及的行业如此之广。过去技术替代的同时会创造大量新需求，这些新需求对整体经济总量是提升的。但 AI 不同：效率提高后产生的新需求，大部分被 AI 自身解决了，不会再惠及普通个体。受益的还是那些 AI 企业——一个 AI 企业可能做以前一百家软件公司能做的事情，靠一个大模型告诉你"每月使用我的 AI 提升你 30% 效率"，就可以随意提价。新需求的创造，很多不会受益于大部分个人。所以我们要做的事情是：跟 AI 企业做绑定，当 AI 企业受益时，我们也能有所受益。建议配置比例不是 1%、2%，而是 20% 左右，这是在资产配置上买一张应对未来时代的船票。

七、AI 智力标准化趋势：基础需求与高端需求的差异 (34:39 - 39:09)

一个偏哲学意味的问题：人类的智力高度不标准化，由经验、成长甚至基因决定。人工智能的智力未来一定是标准化的吗？会不会百花齐放，还是高度寡头化？

目前大模型训练还处在摸索和探索阶段，大家都在找最优参数、最优解。但真正找到最优解之后，所需算力其实没那么大。现在的工作本质上是把所有历史数据、每个人的经验和智力输给 AI 来训练。一旦到了成熟阶段，可能会出现本地化的标准模型，不需要很大算力。人从小到大学的知识用字节来算，量其实很小，只是处理知识的方式还没找到最好的方法。一旦找到，一个标准的出色模型就能帮大部分人解决 99% 的脑力需求。 百花齐放可能要到更高端的层面，但基础需求会有相对标准的处理方式。

iPhone 初代的触屏缩放功能是一个很好的类比。乔布斯演示时全场喝彩，那个技术甚至源自诺贝尔物理学奖的前沿研究，感觉是全人类智慧汇聚而成。但一旦突破，所有手机厂商都很容易掌握这项技术。AI 也一样——全人类的智商、全人类的算力都在猛攻标准化的机器智力水平，一旦突破，那个智力水平就能变成所有公司可用的新基础。在这个新基础上，你不一定非得用七巨头的模型，可以选择一个小公司的模型，只要它过了新的基础门槛。开源大模型目前比 ChatGPT 等大厂模型稍弱，但未来可能有一个基础大模型就够 99% 的需求使用。如果这件事发生了，对大部分人来说不是坏事——相当于你有个底。

从个体角度，无论叫"新的平权"还是"新的人权"，人们肯定不希望被大企业绑架。但这也带出一个投资端的问题：如果投资 AI 指数基金作为应对未来的船票，成分股的选择就很关键——未来的赢家可能不是现在的这些公司，那到时候还能不能靠一支指数基金持续应对未来时代的挑战？

八、AI 投资策略：基础设施优先，电力能源或成新焦点 (39:09 - 44:17)

在 AI 投资中，相比大模型企业或 AI 应用，基础设施的确定性更强。AI 应用被替代的速度可能非常快，不确定性极大，但所有的大模型、所有的应用，最终都要靠芯片和算力来实现——这一层的需求是刚性的。即便是开源模型，用户不需要为模型本身付费，但要把模型落地到机器上才能使用，不管是电脑还是 AI 手机，最终都要落到计算、落到芯片上。

硬件是构建智能社会的基础，而且这个基础是必要的，未来需求只会持续增加。 除了芯片和算力，还有一个容易被忽视的板块——网络运营商和通信基础设施。我们讨论 AI 时，往往把 4G、5G 网络当作理所当然的存在，但这些都是运营商在提供的，这些需求不会下降。

这类资产在投资界被称为 HALO 交易（Heavy Asset Low Obsolescence），即重资产、低淘汰率的资产。它们的核心逻辑是：不管上层应用怎么变化，底层基础设施的价值不会动摇。

而硬件还可以再往下拆一层。有一种观点认为，算力最终的竞争是电力的竞争。芯片放在那里，要让它运转起来，最基本的需求是电。现在大家很少讨论电的问题，觉得电力唾手可得、成本低廉，中国的电力基础设施也已经很完善。但当未来所有东西都要靠算、都要靠 AI 硬件的时候，电力就有了新的价值，甚至会出现电力资源分配的问题。电力、电网、电力设备公司，其实也是 AI 相关的配置标的。把需求拆解到最后一层，驱动芯片的不是芯片本身，而是电。

九、半导体产业链是核心，家政机器人是未来 (44:17 - 47:00)

与 AI 应用最正相关的产业，核心是半导体——芯片设计、芯片制造、封测、材料，整个半导体产业链。只要智能化的整体趋势不被打破，这些领域的总量需求只会增加，不会减少。 具体到某种芯片的需求可能会变化，但总盘子是向上的。

至于这个趋势能持续多久，关键要看效率能否不断提升、使用者是否还有未被满足的需求。一个可能的"平台期"节点是：当每个人家里都有一个全能的智能机器人，能解决生活中 99% 的问题，生活感受达到比较舒适的阶段。张善元坚信，家政管家机器人可能在未来十年内普及。

现在我们看到的机器人——比如春晚上能踢墙后空翻的——确实令人震惊，一年前还在缓慢迈步。但这只是外在的表象。中国和美国的机器人发展路径有所不同：国内更侧重外在功能的展示，比如走路、跑跳；而真正的刚需是内在功能——帮你把家里打扫整洁，把脏衣服归类清洗，真正意义上的人工智能管家。当这些需求被逐一满足之后，AI 才会进入一个相对平稳的阶段。

十、基金经理的 AI 职场焦虑：信息不对称博弈 (47:00 - 49:09)

作为基金经理，AI 确实能提升工作效率，而且提升幅度不小。但有一个关键区分：AI 在解决信息完全对称的问题上非常高效，但在信息不对称的博弈中，并没有碾压式的优势。

围棋是信息完全对称的——双方都能看到全部棋盘，AI 在这个领域已经基本无敌。但桥牌是信息不完全对称的博弈，人类可以给 AI 提供错误信息来误导它。虽然在信息不完全对称的博弈中可以寻找纳什均衡、找最优解，但当对手知道你的策略时，可以针对性地构建反制策略，AI 的策略就可能在某种程度上失效。

投资也是信息不完全对称的博弈。假设 AI 能碾压基金经理，市场上全部是 AI 在做交易——那哪个 AI 赢呢？

某种程度上就是只有那个最不像 AI 的人会赢。因为当你所有的行为都一致，交易者行为都一致的时候，要么都不赚钱，要么就是与众不同的那个策略会赢。

所以在投资决策领域，AI 没那么容易取代人。更重要的是，人应该学会利用 AI 来对付 AI——通过 AI 来构建融入自身观点和市场经验的投资策略。以前把想法落地非常麻烦，要找研究员写程序、调试、做数据监控。现在程序和监控这些执行层面的工作，AI 都能完美解决。但最终的交易决策和策略逻辑，还是要由人来定。

十一、AI 时代的学习：提示词、语文素养与人类创造力 (49:09 - 57:01)

媒体制造了大量焦虑：不学 AI 就晚了，不掌握 AI 技能就赶不上未来。但回想上个世纪，也有人说不会互联网就完蛋了，事实上并非每个人都需要知道怎么建网站、怎么写代码。一部分人干这个工作，其余人享受成果就行。AI 时代同样如此——并不是所有人都一定要完全掌握 AI 的使用方式。

现在很多家长焦虑地看着十岁小孩用 AI 写代码，觉得这是新时代儿童的必备技能。但学习 AI 不等于学代码。如果你要做 AI 从业者，代码当然要学；但如果只是使用 AI，代码已经不太需要了，因为 AI 能帮你解决几乎 99% 的代码问题。真正要学的是 AI 的逻辑——它怎么运作，以及怎么用好大模型。 同一个大模型，不同的人使用，发挥的作用完全不同。懂得提示词的人能发挥出 100 分的力量，不会用的人只能发挥 50 分。对 AI 的学习，核心是使用方式的普及，而不是深耕代码。

提示词为什么重要？因为它本质上就是"产品经理"的工作。把人类与 AI 的关系比作互联网公司里产品经理和程序员的关系：有了 AI 大模型之后，人人都是产品经理，但产品经理也分好坏。你对产品的理解就是你的提示词要求，要求越详细，产品就越好。而 AI 作为"程序员"，现在已经非常出色，只要你把需求讲清楚，大部分都能实现。

这就引出一个有趣的悖论。人类的终极幻想是偷懒——要最好的结果，付出最少的努力。就像甲方爸爸面对创业公司时，只会提一个极其模糊的要求："给我来一个最好的方案。"创业公司的价值恰恰在于它是出创意的人，能把模糊需求转化为具体方案。但现在面对 AI，用户自己成了那个必须写出详细提示词的人——语文素养突然变得很重要了。你必须能清晰地描述出心中的想象，否则 AI 无法帮你实现。

最复杂的工作从代码转移到了思考。这听起来是人类比机器更高级的一层，但也意味着：AI 并没有让一切变简单，它只是把复杂性从执行端推到了思考端。而在这个过程中，使用者的水平至关重要——你的文学底蕴、知识积累、审美判断，这些加到提示词里，才能让 AI 产出让人眼前一亮的东西。用好 AI 并没有大家想的那么简单，不是躺在那里就行了。使用者水平的不同，会让 AI 功效发挥出来的比例完全不一样。

十二、AI 时代的资产配置：20% 对冲风险，80% 追求收益 (57:01 - 1:09:22)

当 AI 可能冲击你的职业和现金流，投资端能做什么？张善元提出了一个清晰的框架：把资产配置分成两个逻辑完全不同的部分——20% 用于"人生对冲"，80% 用于常规投资。

所谓人生对冲，是指配置半导体、芯片类的 AI 相关 ETF，目的不是赚钱，而是买一份保险。这部分资产的核心逻辑是：如果 AI 真的冲击了你的行业和收入，这些资产恰好会因为同一个趋势而升值，形成天然的对冲。 反过来，如果 AI 的影响没有那么大，你拿着这些资产本身也不亏——科技行业的长期增长依然成立。

这种对冲和传统的避险配置不同。宽基指数也能间接受益于 AI 带来的经济效率提升，但逻辑链条更长、确定性更弱。而细分到 AI 板块，与职业风险的关联更直接。张善元特别强调，这不是三个月、六个月甚至一年的投资视角。如果带着"赚一波"的心态买入，那就不是对冲逻辑了。对冲配置的要义是：不看涨跌，不做交易，即使涨了 50%、100% 也不卖。只要你还在工作、还没被 AI 波及，这部分资产就一直是你的底气。即便 AI 泡沫破裂，最多也就损失这 20%，不至于伤筋动骨。

与之相对，如果你是从收益角度配置同样的科技类产品，操作方式完全不同。短时间涨了 50%，你就需要判断：这是不是已经透支了未来三年的预期增长？如果是，就可以获利了结。这两种逻辑用的是同一款产品，但持有周期、关注程度、操作方式截然不同——前者是"买了就忘"，后者是"盯盘做交易"。

那个 20% 的配置不要去看它涨跌，等于是买了一份你的未来现金流的保险。

建仓节奏上，如果你认可对冲逻辑且有紧迫感，现在就可以一次性配到位。如果没那么急，考虑到 AI 对大多数行业的冲击还需要时间发酵，分批买入也是合理选择，还能平滑波动带来的成本差异。

剩下的 80% 是纯投资视角。张善元的判断是，近一两年权益类资产整体向好，值得占一定比例。具体方向取决于个人风险偏好：最省心的选择是沪深 300、科创 50 这类宽基指数，既受益于整体经济增长，又覆盖了政府工作报告中强调的集成电路、半导体等重点产业。如果有自己的判断，比如看好地缘政治环境下资源品的避险属性，也可以配置大宗商品、有色金属等资源类产品。

有人会问：对冲部分配了科技，80% 里面再配科创，会不会重复？张善元认为逻辑不同就不算重复。对冲的那 20% 是长期锁定、不做交易的；而 80% 中如果配了科技类资产，它是交易型的——表现好了可以获利了结，换到别的资产上。持有期更短，关注度更高，波动会影响你的决策。

十三、科技股实操：逢低建仓，业绩为王 (1:09:22 - 1:17:55)

如果你选择用那 80% 中的一部分配置科技类资产来赚收益，操作层面有几个关键判断。

首先是择时。张善元团队跟踪的市场情绪指数显示，科技产品在今年一二月份热度偏高、情绪过热，最近才经历了一波调整。科技类产品有一个结构性问题：追涨杀跌特别严重。 一只指数基金可以在一周内涨 20%，这种夸张的短期表现会吸引大量资金在高位涌入。但冲进来的人往往买在了最后一段上涨，随后的 15% 调整就足以让很多人割肉离场。张善元说他们做过持有人数据的观测，结论很明确：在调整时买入的投资者，后续体验远好于追高买入的投资者。

具体建议是分批建仓，不要一次性把钱全投进去，寻找市场调整后的时机介入。定投也是一个合适的方式，可以分散成本。

有人担心：去年科技股涨幅已经是历史罕见，今年波动会不会更大？张善元承认波动确实会加大，但他仍然推荐科技类资产，原因是两条大逻辑没有被破坏：人工智能的长期趋势和国产替代的长期需求。 只要这两条主线还在，科技类资产就具备配置和投资价值。

但光有逻辑还不够，今年的投资主线是业绩。张善元引用了一组纳斯达克数据：过去十年涨幅最好的个股中，有一只十年涨了 250 倍，年化股价增长 75%。很多人以为这种涨幅靠的是 AI 故事推高估值，但实际上这只股票过去十年的业绩复合增长率是 61%，估值提升每年只贡献了大约 10%。主要驱动力仍然是业绩。

这个规律放到当下同样适用。市场已经能观察到明确的信号：一季报业绩好的科创板公司，直接 20% 封涨停板；业绩不达预期的公司，开盘就跳空低开。去年的故事已经消费得差不多了——存储芯片涨价、AI 需求超预期，这些叙事都讲过一轮。市场对好故事的敏感性在下降，反而对坏消息的反应更强烈。

故事在去年的时候已经消费了不少，除非市场有新的故事出现。

所以今年做科技股投资，核心要看的是一季报能不能兑现业绩。有了业绩印证，市场信心才能再上一个台阶；没有业绩支撑，单靠叙事已经很难推动股价了。