Insights Investing

Merungkai Susunan Teknologi AI: Menganalisis Kekangan, Benteng Ekonomi (moat), dan Pengumpulan Nilai untuk Pelabur Jangka Panjang

Audio siar · Dengar (24 min)

Chamath's AI Stack: Who Gets Paid From $700B Capex? | Stock Market

Kandungan
  1. 1. Menguraikan Susunan Teknologi AI: Kekangan Berbanding Pengumpulan Nilai Ekonomi
  2. 2. Infrastruktur dan Intensiti Perbelanjaan Modal: Revolusi Perindustrian di Sebalik AI
  3. 3. Cip, Memori, dan Ekonomi Model: Pengkomoditian Berbanding Sempadan Termaju yang Berubah
  4. 4. Lapisan Pelaksanaan, AI Fizikal, dan Paradoks Jevons
  5. 5. Angka utama
  6. 6. Perkara yang akan mengubah pandangan kami
  7. 7. Sumber

Nilai terkumpul merentas susunan teknologi kecerdasan buatan bukan semata-mata melalui kekurangan fizikal mutlak, tetapi apabila kekangan teknologi bertemu dengan kuasa penetapan harga, pengembangan volum berulang, kos pertukaran, dan pulangan tambahan yang tinggi atas modal dilaburkan (ROIC). Walaupun rangka kerja susunan enam lapisan Chamath Palihapitiya (Infrastruktur, Cip, Data, Model, Pelaksanaan, Aplikasi) secara tepat menonjolkan pengkomoditian ekonomi model asas dan kemunculan titik sekatan perkakasan kritikal, pelabur jangka panjang mesti membezakan antara kekurangan teknikal mutlak dengan penciptaan nilai ekuiti yang mampan. Apabila pengendali berskala hiper berubah menjadi perusahaan perindustrian berintensifkan modal yang diunjurkan membelanjakan lebih $700 bilion pada 2026 untuk infrastruktur pengkomputeran dan grid, penilaian nilai intrinsik memerlukan analisis ketahanan aliran tunai bebas, risiko intensiti modal, dan gelung maklum balas aliran kerja proprietari, bukannya bergantung semata-mata pada kekangan fizikal.

1. Menguraikan Susunan Teknologi AI: Kekangan Berbanding Pengumpulan Nilai Ekonomi#

Menganalisis kecerdasan buatan melalui seni bina berlapis memberikan kejelasan penting kepada pelabur fundamental. Chamath Palihapitiya mengkategorikan ekosistem ini kepada enam lapisan berbeza: Infrastruktur (kuasa, tanah, penyejukan, mineral, kilang fabrikasi), Cip (GPU/ASIC, Memori Lebar Jalur Tinggi [HBM], pembungkusan, rangkaian), Data (data proprietari, deria, robotik), Model (kecerdasan asas), Pelaksanaan (ejen, penyelarasan, API, penggerak), dan Aplikasi (perisian dan sistem pengguna akhir). Konsep analisis utama yang menghubungkan lapisan-lapisan ini ialah "aset titik tumpu"—komponen yang tidak boleh diganti, yang mesti dilalui oleh setiap lapisan di atasnya dan yang tidak mudah digantikan.

Namun, terdapat perbezaan kritikal antara kekangan teknologi mutlak dengan benteng ekonomi (moat) yang menghasilkan pulangan tinggi. Sesuatu aset boleh berada secara langsung pada laluan kritikal teknologi tanpa meraih pulangan kewangan yang sepadan untuk pemegang saham. Bagi pelabur jangka panjang yang menilai benteng ekonomi (moat) melalui rangka kerja Graham dan Buffett, kekurangan fizikal semata-mata tidak menjamin pengkompaunan jangka panjang pendapatan pemilik (owner earnings).

Dinamik ini jelas digambarkan melalui perbandingan ASML dan NVIDIA. ASML memiliki kekangan teknologi mutlak yang tidak boleh diganti dalam sistem litografi ultraungu ekstrem (EUV); kilang fabrikasi semikonduktor termaju tidak dapat menggantikan mesin ASML. Namun, NVIDIA telah menjana peningkatan nilai ekuiti yang jauh lebih besar. ASML menjual mesin yang bilangannya terhad, sangat kompleks, dan berintensifkan modal kepada kumpulan pembeli yang tertumpu, sekali gus mengehadkan penskalaan hasil secara automatik apabila penggunaan token global berganda. Sebaliknya, NVIDIA menggabungkan kekangan silikon dengan rantaian alat perisian CUDA, seni bina sistem, rangkaian NVLink, dan integrasi ekosistem yang mendalam. NVIDIA secara langsung meraih manfaat daripada keanjalan volum inferens dan latihan AI yang berkembang.

Untuk menilai pengumpulan nilai ekonomi merentas susunan teknologi, pelabur harus menggunakan formula kualitatif yang menyeluruh dan bukannya mengukur kekurangan secara berasingan:

$$\text{Value Accrual} \approx \text{bottleneck} \times \text{pricing power} \times \text{volume growth} \times \text{recurring demand} \times \text{switching costs} \times \text{incremental ROIC}$$

Pulangan ekonomi yang berkekalan hanya terhasil apabila titik sekatan operasi digabungkan dengan keanjalan volum, kos pertukaran yang tinggi, dan pulangan tambahan yang kukuh atas modal dilaburkan.

2. Infrastruktur dan Intensiti Perbelanjaan Modal: Revolusi Perindustrian di Sebalik AI#

Lapisan asas susunan teknologi AI sedang mengalami peralihan struktur daripada model perisian dengan aset ringan kepada operasi perindustrian berintensifkan modal. Kekangan kritikal pada dasar susunan teknologi menunjukkan penumpuan geografi dan korporat yang ekstrem:

  • Kekurangan Bahan Semikonduktor: Pembekal bahan Jepun menguasai kira-kira 78% jualan fotoresis semikonduktor global berdasarkan kewarganegaraan syarikat, dengan Shin-Etsu, JSR, Tokyo Ohka Kogyo, dan Fujifilm mendominasi pasaran bahan kimia ketulenan tinggi tertentu.
  • Kuarza Ketulenan Tinggi (HPQ): Pengeluaran jongkong silikon gred semikonduktor bergantung pada mangkuk pijar kuarza terlakur yang diperoleh daripada kuarza dengan ketulenan luar biasa yang dilombong di Spruce Pine, North Carolina. Sibelco (menghasilkan bahan IOTA daripada dua jasad bijih tulen) dan The Quartz Corp merupakan satu-satunya pembekal yang menghasilkan HPQ termaju dan premium secara ekonomik pada skala besar.

Selain bahan mentah fizikal, infrastruktur utiliti elektrik menimbulkan kekangan operasi yang serius. Agensi Tenaga Antarabangsa (IEA) mengunjurkan bahawa penggunaan elektrik pusat data global akan hampir berganda, meningkat daripada kira-kira 485 TWh pada 2025 kepada sekitar 950 TWh menjelang 2030. Perbelanjaan modal pengendali berskala hiper dianggarkan melebihi $700 bilion pada 2026, terutamanya didorong oleh pengembangan pusat data.

Bidang Infrastruktur Titik Sekatan Kritikal & Pembekal Utama Kesan Ekonomi & Metrik
Bahan Semikonduktor Fotoresis Jepun (Shin-Etsu, JSR, TOK, Fujifilm) ~78% bahagian pasaran mengikut kewarganegaraan; input kimia yang tidak boleh diganti.
Kuarza Ketulenan Tinggi Jasad Bijih Spruce Pine (Sibelco, The Quartz Corp) Sumber eksklusif mangkuk pijar kuarza terlakur untuk jongkong silikon.
Kuasa Grid yang Boleh Disalurkan Transformer, Suis Gear, UPS, Sambungan Saling Kekangan timbul sebelum penjanaan asas; 485 TWh $\rightarrow$ 950 TWh (IEA).
Perbelanjaan Modal Pengendali Berskala Hiper Pengembangan pusat data & pemecutan pengkomputeran >$700B diunjurkan pada 2026 (IEA); tekanan susut nilai yang serius.

Yang penting, penjanaan kuasa asas bukanlah had utama dalam jangka terdekat. Penyelidikan daripada Johns Hopkins University menunjukkan bahawa peralatan penyaluran grid—khususnya transformer, suis gear, sistem bekalan kuasa tanpa gangguan (UPS), sambungan saling penghantaran, dan infrastruktur penyejukan khusus—akan mengehadkan pembangunan pusat data sebelum kapasiti penjanaan itu sendiri menjadi kekangan utama. Aset ekonomi terhad yang diperlukan segera ialah kuasa yang boleh disalurkan pada voltan, lokasi, dan tahap kebolehpercayaan yang diperlukan.

Dari perspektif pelaburan nilai, peralihan ini memberi kesan serius terhadap kunci kira-kira korporat dan metrik pulangan. Apabila pengendali berskala hiper memperuntukkan lebih $700 bilion dalam perbelanjaan modal tahunan, aset fizikal bernilai berbilion dolar dimasukkan ke dalam kunci kira-kira sebagai hartanah, loji, dan peralatan (PP&E). Setelah beroperasi, jadual susut nilai garis lurus memberi kesan kepada penyata pendapatan tanpa mengira sama ada hasil segera telah direalisasikan. Jika permintaan token yang boleh dijana pendapatan atau penerimagunaan perisian perusahaan ketinggalan berbanding pembangunan fizikal, kadar Pulangan atas Modal Dilaburkan (ROIC) dan penukaran Aliran Tunai Bebas (FCF) merosot teruk akibat beban infrastruktur yang belum dilunaskan. Dinamik ini secara langsung menyerupai pembinaan infrastruktur berlebihan dalam sejarah, seperti kejatuhan sektor gentian telekomunikasi yang melibatkan WorldCom dan Global Crossing, apabila perbelanjaan modal besar-besaran mewujudkan lebihan kapasiti yang serius dan memusnahkan nilai ekuiti walaupun penerimagunaan internet jangka panjang akhirnya terbukti berasas.

3. Cip, Memori, dan Ekonomi Model: Pengkomoditian Berbanding Sempadan Termaju yang Berubah#

Walaupun model teori mengandaikan kekangan perkakasan secara semula jadi berkurang dari semasa ke semasa apabila kapasiti pembuatan kembali normal, kekangan bekalan semikonduktor kekal meruncing. Memori Lebar Jalur Tinggi (HBM) dan pembungkusan termaju merupakan kekangan struktur berbilang tahun, bukannya halangan sementara. IEA mengunjurkan kekurangan bekalan HBM akan berterusan sekurang-kurangnya hingga akhir 2027. Bahagian pasaran kekal sangat tertumpu; data Counterpoint bagi Q2 2026 menganggarkan bahagian hasil HBM seperti berikut:

  • SK Hynix: 50%
  • Samsung: 33%
  • Micron: 18%

Benteng ekonomi (moat) perkakasan moden tidak bergantung pada dai pengkomputeran kendiri, tetapi pada integrasi menyeluruh di peringkat sistem: dai GPU/ASIC yang disepadukan dengan HBM melalui pengantara, pembungkusan termaju, rangkaian berkelajuan tinggi (seperti NVLink), penyaluran kuasa, dan penyejukan khusus. Integrasi sistem ini menjadi lebih penting apabila beban kerja beralih daripada latihan model kepada inferens. McKinsey mengunjurkan bahawa inferens akan mewakili kira-kira 60% daripada jumlah permintaan AI menjelang 2030. Oleh itu, medan persaingan sedang beralih secara langsung kepada lebar jalur memori, kapasiti, kependaman, kecekapan terma, dan penggunaan kuasa bagi setiap output token yang berguna—sekali gus mengukuhkan benteng ekonomi (moat) struktur vendor perkakasan bersepadu.

Pada masa yang sama, ekonomi model kecerdasan asas menunjukkan penurunan kos yang pesat. Data daripada Indeks AI Stanford menunjukkan bahawa kos menjalankan model pada prestasi MMLU setaraf GPT-3.5 turun daripada kira-kira $20 bagi setiap juta token pada November 2022 kepada sekitar $0.07 pada Oktober 2024—pengurangan kos sebanyak 280 kali ganda dalam tempoh 18 bulan. Selain itu, kajian OECD menunjukkan harga model bahasa yang diselaraskan mengikut kualiti menurun hampir 80% antara Januari 2024 dan April 2026.

Metrik / Fokus Metrik Paras Asas Sejarah Tahap Terkini / Unjuran Kepentingan Analisis
Kos Token MMLU GPT-3.5 $20.00 / juta token (Nov 2022) $0.07 / juta token (Okt 2024) Pengurangan 280x dalam kos seunit kecerdasan (Stanford).
Harga Model Bahasa Tahap Asas (Jan 2024) Penurunan ~80% (Apr 2026) Kejatuhan harga pesat dalam output yang diselaraskan mengikut kualiti (OECD).
Jurang Prestasi Tertutup berbanding Terbuka Jurang besar (2023) Jurang 3.3%–3.4% (Mac 2026) Pengkomoditian keupayaan asas (Indeks AI Stanford 2026).
Bahagian Perbelanjaan Perusahaan 35% Model Termaju (Q3 2025) 63% Model Termaju (Q3 2026) Kesediaan membayar premium untuk penaakulan paling terkini (Menlo).

Walaupun berlaku kejatuhan harga ini, model asas belum lagi menjadi komoditi sepenuhnya. Kecerdasan asas sedang mengalami pengkomoditian—dengan Indeks AI Stanford 2026 menunjukkan model termaju utama (Anthropic, xAI, Google, OpenAI) dipisahkan oleh hanya 25 mata Arena Elo, dan model tertutup mendahului alternatif dengan pemberat terbuka sebanyak hanya 3.3% hingga 3.4% setakat Mac 2026. Namun, pelanggan perusahaan terus membayar premium untuk keupayaan termaju. Penyelidikan Menlo menunjukkan bahagian model termaju dalam perbelanjaan AI perusahaan meningkat daripada 35% pada Q3 2025 kepada 63% pada Q3 2026.

Lapisan model beroperasi sebagai sempadan ekonomi yang sentiasa berubah: keupayaan asas cepat mengalami pengkomoditian, manakala penaakulan paling terkini mengekalkan kuasa penetapan harga, memaksa pembangun model menanggung pelaburan modal besar-besaran yang berterusan hanya untuk mengekalkan kesetaraan dengan model termaju.

4. Lapisan Pelaksanaan, AI Fizikal, dan Paradoks Jevons#

Apabila model asas menjadi komoditi, nilai ekonomi beralih ke lapisan pelaksanaan dan kawalan. Lapisan perisian perantara ini merangkumi penghalaan model dinamik, memori keadaan berkekalan, pengurusan identiti, pemberian kebenaran, penilaian, integrasi alat, dan orkestrasi. Dilihat melalui kunci kira-kira korporat, pembeli perisian perusahaan tidak membeli token asas mentah; mereka membeli hasil perniagaan yang telah disempurnakan. Lapisan pelaksanaan beroperasi sebagai "perisian perantara" institusi—seumpama Kubernetes, pengurusan akses identiti, dan kebolehcerapan dalam pengkomputeran awan—yang mengukuhkan kos pertukaran perusahaan dan melindungi margin keuntungan walaupun model asas yang mendasarinya berubah-ubah. Tinjauan penggunaan produksi LangChain 2026 mengesahkan bahawa seni bina perusahaan berbilang model kini menjadi kelaziman, dengan kekangan utama pelaksanaan beralih daripada kos seunit token kepada kebolehpercayaan pelaksanaan, keselamatan, dan penyempurnaan tugas.

Begitu juga, data latihan web generik semakin menjadi komoditi berbanding gelung maklum balas proprietari berasaskan hasil. Benteng ekonomi (moat) yang mampan terbentuk apabila aplikasi perisian disepadukan secara langsung ke dalam aliran kerja operasi khusus domain, yang tindakannya menghasilkan penilaian dunia sebenar yang boleh disahkan.

Contoh utama dinamik ini ialah Harvey dalam sektor perundangan. Harvey tidak bersaing sebagai lapisan pembalut model asas yang rapuh dengan menjual penjanaan token generik. Sebaliknya, ia disepadukan secara langsung ke dalam aliran kerja perundangan, menggabungkan sistem rekod perundangan, pengedaran, pematuhan kawal selia, kepercayaan pelanggan, dan gelung maklum balas proprietari (analisis kontrak $\rightarrow$ semakan peguam $\rightarrow$ pemfailan mahkamah akhir/penyelesaian). Oleh sebab Harvey memiliki aliran kerja hujung ke hujung dan data hasil yang terhasil, ia membina kos pertukaran yang tinggi dan mempertahankan kuasa penetapan harganya, menjadikan pilihan model asas yang mendasarinya kurang penting berbanding hasil perniagaan yang dicapai. Gelung maklum balas berasaskan hasil yang serupa sedang muncul dalam domain khusus seperti pengekodan (tampalan $\rightarrow$ keputusan ujian $\rightarrow$ hasil pelaksanaan), perubatan (diagnosis $\rightarrow$ terapi $\rightarrow$ hasil kesihatan pesakit), dan kewangan (invois $\rightarrow$ penjelasan $\rightarrow$ penyelesaian pertikaian).

Dalam sistem AI fizikal, dinamik peruntukan modal berbeza secara asas daripada ekonomi perusahaan perisian tulen. Perisian berkembang pada kos marginal hampir sifar, manakala robotik fizikal memerlukan modal senarai bahan (BOM) yang besar. McKinsey menganggarkan bahawa penggerak berketepatan tinggi mewakili 40% hingga 60% daripada BOM robot humanoid, berbanding 5% hingga 10% untuk modul bateri. Selain itu, CRU menganggarkan bahawa setiap robot humanoid memerlukan 2 hingga 3 kg magnet nadir bumi NdFeB (neodimium-besi-boron). Walaupun komponen AI fizikal menawarkan pilihan strategik jangka panjang, aset pengkomputeran dan memori pusat data menjana aliran tunai serta-merta yang boleh disahkan pada hari ini.

Elemen Perkakasan AI Fizikal Anggaran Bahagian BOM / Sumber Pemacu Utama Ekonomi & Rantaian Bekalan
Penggerak Berketepatan Tinggi 40% – 60% daripada jumlah BOM (McKinsey) Sendi berketepatan tinggi, kotak gear, motor, dan pengurang kelajuan.
Modul Bateri 5% – 10% daripada jumlah BOM (McKinsey) Peruntukan modal relatif yang lebih rendah berbanding sistem penggerak.
Magnet Nadir Bumi NdFeB 2 – 3 kg bagi setiap robot humanoid (CRU) Pemacu permintaan struktur bagi unsur nadir bumi berat.

Memahami pengembangan perbelanjaan modal secara struktur ini memerlukan penerapan Paradoks Jevons. Penurunan 100 kali ganda dalam kos seunit token tidak mengecilkan jumlah perbelanjaan pengkomputeran; sebaliknya, harga seunit yang lebih rendah mencetuskan pengembangan pesat dalam penggunaan token agregat. Apabila interaksi pertanyaan-respons tunggal digantikan oleh gelung penaakulan berbilang ejen yang melaksanakan simulasi latar belakang berterusan dan panggilan alat automatik, permintaan pengkomputeran perkakasan agregat meningkat dengan pantas walaupun harga seunit menjunam.

Bagi pelabur fundamental jangka panjang yang menilai peruntukan modal, pemerolehan nilai yang mampan memerlukan mereka mengelakkan kebergantungan semata-mata pada kekurangan bekalan fizikal dan mengutamakan perniagaan yang menunjukkan ROIC tambahan yang tinggi, kuasa penetapan harga, dan gelung maklum balas yang terbenam dalam aliran kerja. Pelabur yang berminat dengan model penilaian lebih mendalam dan pengiraan fundamental pendapatan pemilik (owner earnings) boleh meneroka penyelidikan syarikat sumber terbuka kami di laman web DeepValues Research atau menilai nilai intrinsik dan margin keselamatan mana-mana saham menggunakan aplikasi DeepValues.

5. Angka utama#

  • 78%: Anggaran bahagian pasaran firma Jepun dalam jualan fotoresis semikonduktor mengikut kewarganegaraan syarikat.
  • >$700 bilion: Anggaran perbelanjaan modal pengendali pengkomputeran skala besar bagi 2026 menurut IEA, terutamanya untuk pengembangan pusat data.
  • 485 TWh hingga ~950 TWh: Unjuran peningkatan penggunaan elektrik pusat data dari 2025 hingga 2030 (IEA).
  • Akhir 2027: Jangkaan tempoh kekurangan bekalan Memori Jalur Lebar Tinggi (HBM) berterusan (IEA).
  • 50% / 33% / 18%: Anggaran bahagian hasil HBM Q2 2026 bagi SK Hynix, Samsung, dan Micron, masing-masing (Counterpoint).
  • $20 hingga $0.07 bagi setiap juta token: Penurunan kos untuk mencapai prestasi MMLU setaraf GPT-3.5 antara November 2022 dan Oktober 2024, mewakili pengurangan 280x (Indeks AI Stanford).
  • ~80%: Penurunan harga model bahasa terlaras kualiti dari Januari 2024 hingga April 2026 (OECD).
  • 25 Mata Arena Elo: Jurang prestasi kecil yang memisahkan model termaju Anthropic, xAI, Google, dan OpenAI setakat Mac 2026 (Indeks AI Stanford 2026).
  • 3.3%–3.4%: Jurang prestasi antara model sumber tertutup terbaik dan model pemberat terbuka terbaik pada Mac 2026 (Indeks AI Stanford).
  • 35% hingga 63%: Peningkatan bahagian model termaju dalam perbelanjaan AI perusahaan antara Q3 2025 dan Q3 2026 (penyelidikan Menlo).
  • 40%–60% berbanding 5%–10%: Anggaran bahagian Senarai Bahan (BOM) robot humanoid yang diwakili oleh penggerak berbanding modul bateri (McKinsey).
  • 2–3 kg: Anggaran keperluan magnet nadir bumi NdFeB bagi setiap robot humanoid (CRU).

6. Perkara yang akan mengubah pandangan kami#

  • Keusangan Pesat Seni Bina CUDA dan HBM: Perkembangan pesat sambungan antara atau seni bina memori alternatif yang berjaya menggantikan HBM dan NVLink, melemahkan benteng ekonomi (moat) rangkaian pada peringkat sistem sebelum 2027.
  • Pengurangan Perbelanjaan Modal Pengendali Pengkomputeran Skala Besar: Semakan menurun yang ketara terhadap trajektori perbelanjaan modal tahunan pengendali pengkomputeran skala besar sebanyak >$700 bilion akibat pulangan atas modal yang dilaburkan (ROIC) yang mengecewakan atau kelewatan serius sambungan antara grid utiliti.
  • Pengewangan Pesat dan Kebuntuan Model Pemberat Terbuka: Lenyapnya jurang prestasi model termaju sebanyak 3.3–3.4%, menyebabkan pelanggan perusahaan meninggalkan model tertutup premium dan memilih model pemberat terbuka yang disesuaikan secara tempatan serta murah.
  • Pelaksanaan AI Fizikal yang Dipercepat: Pengkomersialan besar-besaran dan pembuatan robot humanoid dalam jumlah tinggi yang mencapai jutaan unit jauh sebelum 2030, mengalihkan pemerolehan nilai aliran tunai serta-merta kepada rantaian bekalan penggerak dan magnet.

7. Sumber#

Merungkai Nilai AI, Chamath Palihapitiya (Surat Tahunan 2025 dan Rangka Kerja Berkaitan) Indeks AI Stanford (Stanford University, Data 2024–2026) Laporan Elektrik dan Perbelanjaan Modal Agensi Tenaga Antarabangsa (IEA) Counterpoint Research (Analisis Pasaran Semikonduktor & HBM Q2 2026) Penyelidikan BOM Robotik McKinsey & Company Penyelidikan Bahan & Nadir Bumi CRU Group Kajian Harga Model Bahasa OECD (2024–2026) Penyelidikan Perbelanjaan AI Perusahaan Menlo Ventures (2025–2026) Penyelidikan Infrastruktur & Kuasa Pusat Data Johns Hopkins University Tinjauan AI Produksi LangChain (2026)

Tonton

Pautan sumber

  • Decoding AI Value

Tonton & dengar

Kajian syarikat

Teks kajian CC BY 4.0, petik sebagai: DeepValues Research, Merungkai Susunan Teknologi AI: Menganalisis Kekangan, Benteng Ekonomi (moat), dan Pengumpulan Nilai untuk Pelabur Jangka Panjang, https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value-ms/

E-mel mingguan percuma

Margin of Safety Weekly

Setiap Sabtu: suhu pasaran, pembelian dan penjualan pelabur hebat (pemfailan 13F), kajian baharu minggu ini, serta video dan audio siar kami — percuma, tanpa perlu akaun.

Send me the DeepValues Margin of Safety Weekly, one email every Saturday. I can unsubscribe at any time. Information only, not investment advice. Privasi

Terokai lagi

Jalankan analisis ini untuk mana-mana saham dalam 2 minit

Deep Value Intelligence, penganalisis AI berbilang ejen di sebalik laporan ini, menghasilkan laporan yang sama untuk mana-mana syarikat tersenarai atas permintaan.

Buka Deep Value Intelligence

Pantau 300+ saham dalam aplikasi DeepValues

Pandangan, nilai intrinsik dan laporan terkini, di telefon anda.

Pembangun: pandangan dan laporan melalui API

Fundamental, nilai intrinsik, pandangan dan pautan laporan yang mendasari halaman ini, dalam JSON.

Dokumen API

Bincang