南向资金净卖出盈富基金37.63亿：AI赛道的战略分水岭

2026-02-03 的港股资金面给了一个“反直觉”的信号：南向资金整体净买入9.52亿港元，但作为港股蓝筹风向标的盈富基金（Tracker Fund of Hong Kong，常被视为恒指ETF代表）却被净卖出37.63亿港元。同一份资金流向里，腾讯控股获净买入19.55亿港元，南方恒生科技获净买入6.69亿港元，中国移动获净买入4.08亿港元；而中芯国际、阿里巴巴-W分别遭净卖出15.77亿港元、11.98亿港元。

我更愿意把这组数据理解为：资金不是简单“看多港股/看空港股”，而是在重新校准“谁能把AI变成长期现金流”。 当资金从更宽的指数篮子里撤出来，转向少数能讲清楚AI路线、组织能力和商业化节奏的公司时，市场正在用真金白银给出一个判断：AI不再只是概念加分项，而是决定估值中枢的核心变量。

这件事表面发生在港股与南向资金，但它对“人工智能在电子商务与新零售”这条主线同样重要：零售平台的推荐、广告、供应链预测与履约效率，本质上都依赖AI的投入方式与闭环能力。更关键的是，汽车行业正在复刻零售平台的AI竞争逻辑——数据、模型、算力、工程化与商业闭环，缺一不可。Tesla 与中国汽车品牌的差异，也恰恰在这里。

资金净卖出盈富基金，市场到底在“卖”什么？

答案是：市场在降低对“平均增长”的配置，提升对“结构性胜率”的押注。 盈富基金覆盖的是更广的恒指成分，包含金融、地产、传统周期与部分互联网/科技龙头。净卖出并不等于否定港股，而更像一种策略切换：在宏观不确定、科技分化加剧时，资金宁愿把弹药集中到更明确的AI受益者。

从当日的净买入前三也能看出端倪：

• 腾讯控股：AI带来的不只是大模型想象，而是广告、游戏、企业服务与内容分发的“可计量”增量；
• 恒生科技相关ETF：更聚焦互联网与科技权重，结构性更强；
• 中国移动：算力网络、云与政企数字化具备防守属性，且AI基础设施属性更明显。

而盈富基金被显著净卖出，反映的是：资金在问同一个问题——谁有AI护城河，谁只是被动吃β？

这对“AI+新零售”意味着什么？

电商与新零售的AI应用，最怕两件事：

1. 只投入模型，不打通业务闭环（推荐、搜索、广告、供应链、仓配各自为政）；
2. 只追算力规模，不追数据质量与反馈机制（没有足够密度的真实行为数据，模型再大也会“空转”）。

资金从“指数平均”向“战略确定性”迁移，其实是在给所有AI玩家提要求：你得证明AI能持续产出边际收益。

从资金流向读懂一个趋势：AI估值开始看“长期战略”而不是“故事”

答案是：AI投资的估值锚，正从“是否拥抱AI”转为“能否形成AI飞轮”。 这也是为什么同样在科技板块里，资金会出现更剧烈的分化。

我把“AI飞轮”拆成四个可操作的指标，适用于电商新零售，也适用于智能汽车：

1. 数据的独占性与密度：是否有高频、可回流、可标注的数据来源；
2. 模型到产品的工程化能力：从训练到部署、从A/B到迭代的速度；
3. 算力与成本曲线控制：单位效果的推理成本是否持续下降；
4. 闭环变现路径：收入提升或成本下降是否能在季度层面被验证。

把这四条放到电商里，就是“推荐提升转化率、广告提升ROI、需求预测降低缺货率、仓配优化降低履约成本”；放到汽车里，就是“感知—决策—控制的自动驾驶闭环、座舱交互、车队数据回流与OTA迭代”。

当市场卖出更宽的篮子、买入更确定的标的，本质是：AI已经进入‘看落地’阶段。

Tesla vs 中国汽车品牌：AI战略的三条核心差异

答案先给：Tesla 更像在做一个“可复用的AI操作系统”，而多数中国汽车品牌更像在做“面向当期销量的功能拼装”。 这不是褒贬，而是战略目标和组织结构决定的路径差异。

1）数据闭环：车队规模只是起点，关键是回流与标注体系

Tesla 的优势不只在销量，而在于：它长期把“车”当作数据采集与模型迭代终端。数据回流—训练—部署—再回流的节奏稳定，且统一在一套相对集中式的软件栈里。

不少中国品牌的现实约束更强：车型多、平台多、供应商多，导致数据口径、传感器组合、算力平台不一致。结果是：

• 同样是“城市NOA/高速NOA”，数据难以跨车型复用；
• 训练与评测标准不一，迭代速度被组织协同拖慢；
• 更容易陷入“每一代车型重做一遍”的成本陷阱。

这类似于新零售里“多条业务线各建一套推荐系统”，短期能交付功能，长期会被维护成本与数据割裂反噬。

2）算力与成本：不是越大越好，而是单位效果的下降曲线

汽车AI的竞争，最终会回到一个很朴素的指标：每提升1个安全/体验指标，需要多少推理成本与工程复杂度。

Tesla 的路线更偏向在统一架构下压低单位成本（包括硬件平台一致性、软件统一、迭代节奏）。而中国品牌更常见的打法是：

• 通过更高配的传感器组合、与多家供应商并行推进；
• 在特定城市/特定路段做体验冲刺。

这种方式短期更“可见”，但会带来两类隐性成本：供应链复杂度上升与长期软件栈统一难度上升。这就像电商为了短期GMV，把促销、投流、推荐各自堆人堆资源，季度报表好看，但毛利与效率迟早要回调。

3）组织与激励：AI是“公司级产品”，还是“部门级功能”？

真正拉开差距的，往往不是某一次模型升级，而是组织机制。

• Tesla 更像“AI为中心”的产品公司：自动驾驶与软件被放在核心叙事里，迭代目标相对统一；
• 许多中国车企更像“多目标并行”的制造企业：既要渠道、又要车型节奏、又要成本控制、还要智能化体验。

我见过不少团队把AI当成“配置表加分项”，结果就是：功能上线后缺少持续评测、缺少数据回收、缺少灰度策略。AI没有持续运营，就不会产生复利。

给电商与新零售团队的启发：把“汽车AI分化”当作一面镜子

答案是：别把AI当项目，要把AI当经营系统。 汽车行业正在发生的分化，电商与新零售其实早就经历过：从“有推荐”到“推荐驱动增长”，从“有数据中台”到“数据—模型—业务的闭环运营”。

如果你负责的是零售平台、品牌电商或连锁门店的数字化，我建议用下面这份清单做一次“AI战略体检”：

1. 是否有一张统一的指标地图：转化率、复购率、缺货率、履约成本、投放ROI，哪些指标由哪些模型负责？
2. 是否能形成周级迭代：数据回流、训练、上线、A/B、复盘是否顺畅？
3. 是否建立了可复用的特征与用户画像体系：减少“每条业务线重造轮子”；
4. 是否把推理成本纳入经营：大模型不是越大越好，ROI能解释才是关键；
5. 是否建立“人机协同”的操作流程：例如补货策略、定价策略、客服策略，AI给建议，人负责决策与约束。

这些做对了，你在零售侧就能更像“Tesla式飞轮”：越跑越快，单位成本越低。

资金流向的下一步：市场会更看重“可验证的AI现金流”

把话说直白一点：南向资金卖出盈富基金，并不是在否定港股，而是在逼所有公司回答一个问题：AI到底怎么赚钱、怎么省钱、怎么形成复利？ 当答案不清晰时，指数化配置就会被削弱；当答案清晰时，结构性资金会更集中。

如果你关注 Tesla 与中国汽车品牌的AI战略差异，或者你正在做“AI+电商/新零售”的业务增长，我建议把视角从“功能对比”上移一层：看数据闭环、看工程化能力、看成本曲线、看组织激励。这四件事决定了AI能不能从概念走到现金流。

接下来一个值得持续观察的问题是：当市场越来越用资金流向来投票，谁能把AI投入变成季度可验证的效率提升？谁又会停留在发布会的热闹里？