如果未来 3 年只能选择一个投资主题，Kevin O'Leary 给出的答案不是模型公司，也不是芯片，而是能源。
在 Stock Sharks 旗下播客 The Deep End 的访谈中，这位加拿大投资人、Shark Tank 常驻嘉宾表示，AI 产业继续扩张后，投资者需要重新判断价值究竟来自哪里。与其押注哪家模型公司最终胜出，他更愿意把资金放在为整个行业提供关键资源的环节，尤其是电力、能源基础设施和长期供电能力。
这场对谈并不只围绕 AI。O'Leary 还谈到了 Crypto、公链采用、量子计算，以及自己如何通过仓位限制和经营数据来管理技术投资中的不确定性。
AI 投资逻辑从模型竞争转向资源约束
O'Leary 并不否认过去几年 AI 投资已经给大型科技公司、芯片企业和模型公司带来可观回报。他提到，持有相关股票或指数的投资者已经从这一轮行情中受益。
但在他看来，下一阶段更重要的问题是：如果无法提前判断最终由哪家模型公司胜出，投资者是否仍然可以参与 AI 产业增长。
他的答案是能源。
O'Leary 将这一思路称为 Picks and Shovels，也就是常说的「卖铲人策略」。在淘金热中，与其预测谁能挖到黄金，不如投资向淘金者提供工具的企业。放到 AI 产业里，模型公司需要芯片，芯片需要数据中心运行，而数据中心需要大量且稳定的电力。无论最终是 OpenAI、Anthropic，还是其他科技企业获得更多市场份额，电力需求都可能随着计算基础设施扩张而上升。
基于这一判断，他表示，未来 36 个月会重点关注能源公司，以及天然气发电、涡轮机、电力基础设施和铀矿等领域。他看重的不是这些资产带有 AI 概念，而是它们可能成为整个产业发展的必要投入。
加拿大和北欧成为重点观察区域
在访谈中，O'Leary 多次提到芬兰、挪威以及加拿大阿尔伯塔省的能源优势。他认为，这些地区拥有相对低成本的电力资源，部分长期供电合同价格可低于每千瓦时 6 美分。
对需要长期运行的大型数据中心来说，电力成本会直接影响项目利润率。即使模型公司之间的竞争格局发生变化，拥有土地、电网接入条件和长期电力合同的企业，仍可能向不同客户提供服务。
他投资的 Bitzero 被他视为这一思路的具体案例。按照 O'Leary 的介绍，Bitzero 过去曾利用 Bitcoin 挖矿产生现金流，但他更看重的是这家公司在挪威和芬兰获得的长期电力合同及基础设施资源。
在他的框架里，挖矿只是现有业务之一，真正更具长期价值的部分，可能是公司获取能源的能力。如果未来云计算或 AI 企业需要在当地建设数据中心，Bitzero 有机会利用既有资源参与相关项目。对基础设施供应商来说，这种模式的吸引力在于，不必先判断客户最终会采用哪一种 AI 模型。
不过，O'Leary 也没有把掌握电力资源直接等同于稳定利润。项目仍要解决电网接入、设备采购、客户合同和资本开支等问题，长期供电合同的价格优势也必须能够覆盖综合建设和运营成本。
他的核心判断是，AI 需求增长带来的经济价值，不一定只体现在科技公司的收入中，也可能体现在上游能源、设备和基础设施环节。
从电力延伸到铀矿和核能预期
O'Leary 对能源的关注并未停留在现有电力供应。他还在研究未来 7 到 8 年的能源结构，尤其看好小型模块化反应堆（Small Modular Reactor，SMR）的发展潜力。
SMR 是采用较小反应堆模块的核能技术路线，部分设计希望通过模块化制造和部署，提高核电项目的灵活性。O'Leary 认为，如果 AI 数据中心的电力需求长期增长，核能有机会成为稳定供电的重要选择，而铀矿则位于相关产业链上游。
因此，他开始增加对铀矿投资的关注。不过，这一判断仍取决于核电技术的商业化进展。SMR 能否在预期时间内实现具有竞争力的发电成本，还要看工程建设、监管审批、融资和燃料供应。
他的投资逻辑没有变化：不急于押注某种技术最终能否成为市场赢家，而是提前研究技术扩张所依赖的基础资源。
加拿大配置背后的资源判断
在 O'Leary 看来，加拿大是这一思路的重要组成部分。他认为，加拿大拥有天然气、铀、钾肥、铝及其他战略资源，同时紧邻美国这一大型能源消费市场。如果北美未来持续增加算力和电力基础设施投资，加拿大可能从中受益。
他透露，自己的团队通过加拿大大型股 ETF XIU，建立了约 10% 的加拿大市场配置敞口。这笔交易最初并未得到团队一致支持，因为当时美加贸易摩擦增加了市场对加拿大经济的担忧。
O'Leary 将这种悲观情绪视为逆向投资机会。他认为，随着加拿大政策环境变化及资源开发项目获得推进，市场可能重新评估当地资产价值。
他在访谈中称，这笔投资一度跑赢标普 500 指数 158 个基点，也就是 1.58 个百分点。不过，访谈没有披露完整比较区间及计价口径，因此这一数字只能作为其个人投资表现的描述。
至于加拿大能否长期跑赢，仍取决于能源项目落地、商品价格、贸易关系和政策执行效率。对 O'Leary 来说，这并不只是押注经济复苏，而是押注全球技术扩张可能重新提高能源与自然资源的战略价值。
Crypto 评估标准从交易驱动转向实际采用
谈到加密市场时，O'Leary 给出的判断与 AI 投资逻辑有相似之处：过去主要依靠市场交易和资金流入获得估值的区块链资产，未来需要通过实际商业应用来证明自身是否具备可持续的经济价值。
他提到，在过去的 Crypto 投资框架中，一个重要假设是机构资金进入市场后，会推动整个行业获得更广泛的资产配置需求。但他发现，机构资金未必会平均流向所有加密资产。
O'Leary 回忆，此前一场有大量机构投资者参与的行业会议上，部分分析师认为，通过 Bitcoin 和 Ethereum 就可以获得他们所研究的加密市场约 97% 的价格波动敞口。这个数字是他转述的研究判断，并非 BTC 和 ETH 的市值占比。
这一配置逻辑意味着，如果少数头部资产已经能够满足大型机构的主要 Crypto 配置需求，那么购买大量中小型代币的必要性就会下降，市场资金分化也会更明显。
他表示，自己的投资组合过去曾持有 27 个 Crypto 相关仓位，后来出售了部分资产，剩余的一些投资也经历了较大损失，最终保留的主要资产包括 Bitcoin 和 Ethereum。
不过，他并未因此认定其他公链完全失去投资价值。相反，他开始寻找新的判断标准：如果不再依靠整个 Crypto 市场普涨，其他公链要如何证明自己的经济价值。
重新研究 Avalanche，但不把采用直接等同于代币价值
O'Leary 认为，答案可能来自企业对区块链技术的实际采用。
在过去的市场叙事中，Ethereum 常被视为最有机会成为通用区块链基础设施的网络之一。但他开始怀疑，未来所有产业是否真的会采用同一条公链。金融、物流、房地产、合同管理和体育资产等行业，对区块链的需求并不完全相同。
金融机构可能更关注稳定币支付和资产转移；物流企业更重视供应链管理和合同执行；体育俱乐部则可能希望利用区块链管理收藏品和数字资产。不同业务需求，可能对应不同技术架构。
这也是他重新研究 Avalanche 的原因。O'Leary 特别提到，Avalanche 支持企业部署定制化区块链的能力，认为这种模式可能适用于体育资产、收藏品以及其他需要独立业务网络的场景。
在他的判断里，企业未来未必需要把所有业务都放在同一个公共网络上，而是可能根据行业需求选择不同的区块链基础设施。由此，区块链竞争可能出现两种路径：一种是少数通用网络占据主导地位，另一种是多个网络分别服务不同产业，并通过技术接口实现互联。
他没有断言哪一种模式最终会胜出。更关键的是，商业采用率与代币投资回报之间并不存在必然联系。一家企业即使采用 Avalanche 技术，也不意味着 AVAX 代币需求一定同步增长。投资者还需要研究企业如何支付网络费用、商业收入如何产生，以及这些经济价值能否传导至代币持有者。
因此，O'Leary 并未表示要重新大规模买入山寨币，而是考虑在研究具体应用后，建立较小规模的公链仓位。与过去依靠市场流动性推动的 Crypto 投资不同，他现在更关注企业是否真的需要这些区块链，以及这种需求能否形成持续的商业收入。
量子计算被纳入加密资产长期风险框架
在重新研究公链商业价值的同时，O'Leary 也提出了另一项可能影响整个 Crypto 行业的长期风险：量子计算。
过去，投资者评估 Bitcoin 风险时，主要关注价格波动、流动性、政策监管和宏观经济环境。随着量子计算技术发展，现有密码学机制未来是否需要升级，也开始成为值得研究的问题。
O'Leary 将未来量子计算可能突破部分现有密码学算法的时点称为 Q-Day。
他的意思并不是 Bitcoin 当前已经遭到量子攻击，而是市场对潜在威胁的预期，可能先于技术突破影响价格。如果机构投资者开始担心未来量子计算机能够攻击现有数字签名体系，那么即使真正的攻击尚未发生，也可能降低资产配置意愿。
他个人猜测，部分机构投资者可能因为量子风险而长期不配置 Bitcoin。不过，这一比例没有经过公开统计验证，仍属于他的个人判断。
从技术层面看，量子计算对部分公钥密码学算法构成潜在威胁，并不意味着 Bitcoin 的所有安全机制会在某个时点同时失效。相关网络也可能通过协议升级采用后量子密码学技术。
对 O'Leary 来说，这类风险同时对应另一类投资机会。如果未来金融机构需要升级安全系统，那么能够提供量子计算技术和抗量子攻击解决方案的企业，可能获得新的商业需求。他因此开始关注 IBM、Google 等公司的量子计算业务。
不过，他也指出，量子计算研发能力、商业化收入和后量子安全产品之间仍然存在差异，不能简单把技术进展等同于企业盈利增长。
从押注赢家转向管理不确定性
虽然 O'Leary 对能源、区块链和量子计算都提出了积极判断，但他并不主张把大量资金集中押注某一种技术趋势。相反，他把分散投资视为最重要的纪律之一。
他的规则是：单只股票占投资组合的比例不超过 5%，单一行业不超过 20%。
这一规则与他早年的投资经历有关。互联网泡沫时期，O'Leary 曾做空 Yahoo。随着股价持续上涨，他不断面临追加保证金压力。按照他的回忆，这笔交易曾令其净资产出现约 40% 至 50% 的巨大回撤。虽然 Yahoo 后来经历股价下跌，但长期承受浮亏和追加保证金的经历，让他决定不再进行股票做空交易，也改变了他管理投资组合的方式。
如今，他更倾向于通过指数基金建立基础仓位，再对自己看好的企业适当提高配置，但始终控制单一股票的权重。
Tesla 是他举出的一个例子。O'Leary 回忆，自己最初并不认可 Tesla 的高估值，但儿子提出的观点改变了他的判断：Tesla 不只是汽车制造商，也是一家通过车辆积累大量数据的科技公司。此后他建立仓位，并随着股价上涨多次减持，以避免 Tesla 在投资组合中的比重过高。
这种方式可能让他错过一部分后续上涨，但也降低了单一股票对整体资产表现的影响。他在访谈中提到，对于部分个股交易，自己通常以约 17% 的回报作为最低目标门槛，并在达到目标后考虑卖出超过一半的仓位。
这些是他的个人交易规则，并不意味着固定止盈能够保证更高的长期收益。对他来说，更重要的是不让投资组合的表现完全取决于对某一家公司的判断。
私人企业投资仍回到 CAC、流失率和现金流
在私人企业投资中，O'Leary 同样强调用经营数据验证投资逻辑。他表示，自己评估企业时最重视客户获取成本（Customer Acquisition Cost，CAC）和客户流失率（Churn Rate）。前者反映企业为了获得客户需要投入多少资金，后者用于判断现有客户能否持续留存。
如果一家企业必须不断提高营销支出才能维持收入增长，同时客户又在持续流失，那么表面上的高速增长可能并不具备良好的经济性。
除这两项指标外，他还会研究企业的现金流、债务水平以及过去多个季度的经营数据。这也是他看好 AI 企业应用的原因之一。在其投资的私人企业中，AI 工具已经被用于财务分析、客户获取和日常运营。他认为，AI 真正的商业价值之一，是帮助企业降低经营成本、提高利润率。
他还提到，自己的企业团队选择了 Anthropic 的产品作为内部工具。这让他意识到，不同模型在企业实际使用中的表现并不完全相同，企业采购并不只取决于公开模型排名。
但无论选择哪一家供应商，衡量 AI 工具价值的最终标准仍然是经营改善。技术是否足够先进，与企业是否能够从中获得利润，是两个不同的问题。
核心判断：寻找能把增长转化为现金流的环节
从 AI 电力基础设施，到企业区块链，再到量子安全，O'Leary 在这场访谈里讨论的并不只是几个分散的热门主题。
他的整套思路可以归结为同一个判断：与其试图预测每一轮技术竞争的最终赢家，不如研究整个产业扩张过程中，哪些企业能够持续提供必要资源、获取商业收入，并把增长转化为现金流。
对能源企业来说，需要观察低成本电力资源能否形成可盈利的长期合同；对公链来说，需要验证企业采用能否转化为真实网络收入；对量子计算来说，需要区分研究进展与实际商业产品；对 AI 应用来说，则要看企业能否持续降低成本、改善利润率。
如果这些条件没有兑现，即使产业长期增长，相关资产也未必能够获得与市场预期相符的回报。