社区

当Serenity晒出今年高达4502.45%的收益后，许多人试图从她身上寻找答案。

他们研究她的持仓，拆解她的逻辑，复盘她对AI基础设施的判断路径。这位X上的美股喊单王几乎踩中了AI产业链最具爆发力的几个环节，收益曲线惊人，经典战绩包括SIVE $SIVERS SEMICONDUCTORS AB(SIVEF)$ ，AAOI $Applied Optoelectronics Inc.(AAOI)$ ，AXTI $AXT Inc(AXTI)$ 。

Serenity本身拥有AI行业背景，对技术和产业链结构的理解，本就有行业长期浸泡作为基础。她能读懂InP反应炉的工艺参数，能从一份招聘信息里判断某家工厂的产能规划，能在季度电话会的措辞变化里听出供需拐点。她的成功值得研究，也带来一个更有意思的问题。

过去很长时间里，人们习惯把成功归因于信息差。投资领域如此，商业世界也是如此。谁知道得更多，谁掌握的信息更早，谁就拥有更大的胜率。

然而，过去两年，大模型正在动摇这套逻辑。

今天，一个完全不懂半导体的人，可以在几个小时内建立起对整个AI产业链的基础认知；一个没有财务背景的人，可以借助AI快速读懂上市公司财报；甚至连法律、医学、编程这些曾经高度专业化的领域，理解门槛也正在不断降低。

知识获取的门槛越来越低了。如果所有人都拥有同样的工具，那么人与人的差距还会来自哪里？

许多人以为答案是执行力，但执行力其实是外显结果。

真正拉开差距的，往往发生在更早的地方。

同样面对一个新领域，有的人在获得基础认知后就停止了。他已经能够和别人聊上几句行业术语，也能大致说清产业链结构，于是产生了一种“我懂了”的满足感。

但另一些人不会停下来。他们会继续往下追问。

这个环节为什么重要？

为什么是这家公司，而不是另一家公司？

如果需求增长三倍，会发生什么？

如果供应突然增加，又会发生什么？

问题后面还有问题。

答案后面还有答案。

这种能力很难被称作聪明，也很难被称作努力。它更接近一种持续追问的冲动，并且往往决定了最终认知的深度。

Serenity的案例特殊，因为她有工程背景打底。但她之所以能把那个背景用到极致，正是因为这种不断拆解的能力。

这种思维方式并不只存在于投资领域。Elon Musk曾经把它概括为“第一性原理思维”（First Principles Thinking）。

面对一个复杂系统，大多数人的习惯是接受现成答案。火箭很贵，因为火箭本来就很贵；汽车行业门槛很高，因为汽车行业本来就门槛很高；AI基础设施难以理解，因为它本来就是一个高度专业化的领域。

第一性原理思维则要求你不断追问：为什么？

火箭为什么贵？贵在哪些部分？哪些成本是物理规律决定的，哪些只是行业惯例？如果把问题拆到最基础的组成部分，再重新组合一次，结果会不会完全不同？

正是这种思维方式，让他敢于一次又一次地踏入新领域。因为他不畏惧将宏大的难题拆解成一个个具体的小问题，再逐个攻破。

当人们复盘Serenity的研究路径时，也能看到类似的痕迹。

许多人看到的是“算力需求增长”，她继续追问算力瓶颈在哪里，把整个产业链向下拆解，拆解，再拆解。

AI让获取答案变得越来越容易，但真正拉开人与人差距的，是谁会在得到答案之后继续追问。大多数人的好奇心在获得解释的那一刻就结束了，而少数人的探索从那里才刚刚开始。

当知识真正变成公共品之后，人与人之间真正稀缺的东西，不再是获取信息的能力，而是持续追问的能力；不再是学习的方法，而是学习的动机；不再是谁拥有更好的工具，而是谁拥有足够强烈的兴趣，把工具用到极限。

比起选股框架和产业投资思维，这才是Serenity真正给普通人的启示。

宇宙奖励的，往往不是聪明，而是那些愿意持续向下深挖的人。