瑞银只增持Meta：AI投资风向与Tesla汽车AI路线分野

2026-02-06，瑞银（UBS）向美国SEC递交了截至2025-12-31的13F：Q4持仓总市值约6200亿美元，环比下降5.65%。更耐人寻味的是，瑞银在“七巨头”里仅小幅增持Meta（+0.85%），同时减持谷歌（-9.05%）与特斯拉（-15.09%）。这不是一条“基金经理爱谁不爱谁”的八卦，而是一个可被拆解的信号：机构在重新排序AI的价值链。

在“Tesla 与中国汽车品牌在人工智能战略上的核心差异”这个系列里，我更关心的是：资本的动作，往往会逼企业更清晰地回答同一个问题——AI到底是成本中心，还是收入引擎？ Meta、Tesla，以及中国车企的答案并不一样，而这种“不一样”，正在决定它们未来三年的产品节奏、数据策略与算力投入方式。

机构减持不等于公司变差；它更像在提醒：叙事要兑现为现金流，AI要兑现为产品与交付。

瑞银Q4动作透露了什么：市场在“重估AI兑现路径”

结论先说：瑞银的仓位调整更像是从“AI概念扩张”转向“AI兑现效率”的再平衡。 同一条AI主线下，不同公司处在不同的变现位置：

• 靠平台分发与广告变现的AI（Meta）：能更快把模型能力转成营收指标（停留时长、转化率、广告ROI）。
• 靠搜索入口与生态分成的AI（Google等）：要在“搜索广告”与“生成式答案”之间做痛苦再设计，短期不确定性更高。
• 靠具身智能与安全交付的AI（Tesla、车企）：模型不只要聪明，还要安全、可解释、可监管、可规模化上车。

这也解释了为什么同样叫AI，机构对“确定性”的偏好会分化：Meta的AI是在线AB测试驱动的增长工程；汽车AI是安全约束下的系统工程。 资本在波动期更偏好前者，并不奇怪。

“只增持Meta”的背后：AI从模型竞赛回到产品增长

Meta这几年最强的地方，不是单纯“模型有多大”，而是它能把AI能力快速嵌入产品闭环：

1. 数据回路短：内容推荐、广告投放、社交互动都能实时反馈。
2. 实验迭代快：同一功能可以对海量用户做多版本实验。
3. 变现链路清晰：提升推荐与投放效率，财务上能更快看到边际改善。

对比之下，汽车AI（尤其是城市NOA、端到端辅助驾驶）要面对更长的验证周期与更强的安全责任。机构“风险偏好”下降时，汽车AI的估值弹性往往会先被压缩。

Tesla的AI路线：把“车”当机器人，而不是智能终端

一句话概括：Tesla的AI战略不是“给车加一个大模型”，而是把整车当作可规模化的具身智能系统。 这条路线的核心在三点：

1）数据不是“用户对话”，而是“真实世界驾驶分布”

Meta的黄金数据来自内容与广告交互；Tesla的黄金数据来自：

• 真实道路的长尾场景（施工改道、雨雪反光、非标交通参与者）
• 多传感器时间序列（视觉为主，叠加车辆状态）
• “接管/干预”信号（人类在何时不信任系统）

这决定了它的AI研发更像“工厂”：收集—清洗—训练—回放—验证—灰度，每一步都与安全边界绑定。

2）算力投入是“前置资本开支”，回收靠规模化交付

汽车AI的训练和验证成本高，且回收周期长。对机构来说，这会被解读为：

• 短期利润率可能被算力、数据标注、验证体系拉低
• 中期要看交付节奏（功能付费渗透率、订阅留存、事故率/投诉率）

所以当瑞银Q4选择减持Tesla（-15.09%），更可能是对“兑现节奏”的再定价，而不是否认其技术方向。

3）真正的难点是“可规模化安全”，不是“模型能跑”

我见过很多团队把端到端当成灵丹妙药，但车企最终会被三个指标拷问：

• 事故率与风险暴露（尤其是极端场景）
• 功能一致性（同版本在不同城市/道路的波动）
• 监管与责任界定（从宣传措辞到HMI交互）

这也是Tesla与互联网公司的根本差异：互联网可以快速试错，汽车必须把试错成本“关在仿真与验证里”。

中国车企的AI打法：更像“体系协作”，而非单点硬刚

结论先给：中国汽车品牌的AI战略优势不在“某一家公司一定能训练出最强模型”，而在于更擅长把AI拆成可交付的工程包，在供应链与多团队协作里快速落地。 但短板也很明显：数据闭环与软件组织能力如果不够强，AI会变成“堆料”。

供应链与平台化：快，是因为“模块化”

不少中国车企会把AI拆成：座舱大模型、行车辅助、泊车、语音、多模态交互、用户运营等模块，然后通过：

• 自研 + 供应商联合开发
• 多芯片、多方案并行
• 快速上车、快速迭代

这种方式很适合当下中国市场的节奏：新车密集、价格战激烈、功能点要迅速形成差异化。但它也带来两个风险：

• 数据不统一：不同模块、不同供应商的数据标准与日志体系割裂。
• 体验不一致：功能看起来很多，但“像不像一个系统”取决于统一的AI中台与产品决策。

软件优先的分水岭：不在口号，在组织和指标

Tesla的强项是“软件优先”的铁纪律：用统一栈去吃数据红利。中国车企想追上，关键不在发布会喊“全栈自研”，而在把指标改成：

1. 以数据闭环为中心的研发节奏（版本迭代与场景覆盖率）
2. 以安全与体验为中心的交付门槛（灰度策略、回滚能力）
3. 以成本与算力为中心的工程效率（训练、仿真、回放的单位成本）

如果企业内部仍按传统“项目制+供应商交付”来管AI，最终就会出现：功能上线快，但长期体验与安全一致性跟不上。

从“增持Meta、减持Tesla”得到的三条AI战略启示

结论先说：资本行为并不提供技术答案，但会强化企业必须回答的商业问题。 对汽车行业尤其如此。

启示1：AI要讲“兑现路径”，而不是“参数规模”

把AI战略写进PPT很容易，把它写进财务报表很难。对车企来说，兑现路径通常是：

• L2/L2+功能的付费率与续费率
• 高阶辅助驾驶带动的车型溢价/销量结构改善
• 交付后的运维成本下降（更少的投诉、召回与线下维修）

这些指标比“模型多大、用了多少token”更能说服投资人。

启示2：数据资产的本质是“可用性”，不是“体量”

很多公司喜欢强调“我们有XX亿公里数据”。更现实的问法是：

• 有多少数据是可训练、可回放、可定位问题的？
• 场景标签是否统一？有没有覆盖长尾？
• 能否在72小时内把线上问题复现并修复？

可用数据决定迭代速度，迭代速度决定交付信心。

启示3：汽车AI更需要“系统工程”，组织要先于模型升级

如果组织结构无法支持快速闭环，再强的模型也会被交付流程拖垮。建议车企从三个动作入手：

1. 建立统一日志与场景库：把“问题-场景-版本-回放-修复”串起来。
2. 把仿真当成主战场：让绝大多数试错发生在仿真与回放里。
3. 产品定义更克制：先把稳定性做扎实，再扩场景；别被竞品发布会牵着走。

读者常问：机构减持Tesla，是否意味着汽车AI不被看好？

我的答案很直接：不。减持更像是把“长期叙事”折算成“短期确定性”的折扣。 汽车AI的趋势不会倒退，但它会更强调三件事：

• 功能命名与宣传要更合规、更可解释
• 安全验证要更可量化、更可审计
• 商业模式要更透明（一次性买断、订阅、按里程/按场景计费）

如果一家车企能把这三件事做成体系，它反而更可能在下一轮周期里获得重新定价。

下一步：用“AI优先级清单”审视你关注的车企

把话说透：当市场开始挑剔，AI战略的核心差异不在“有没有大模型”，而在“优先级怎么排”。 Meta靠增长闭环快速兑现，Tesla靠具身智能的系统工程赌长期规模化，中国车企则在模块化落地与统一闭环之间寻找最优解。

如果你正在评估某家车企/供应链伙伴的AI能力，我建议从一张简单清单开始：

• 它的数据闭环是统一的还是割裂的？
• 它的算力投入能否对应明确的交付里程碑？
• 它的安全验证与灰度策略是否可复用、可审计？

下一篇我会继续沿着本系列主题，拆解“为什么同样做端到端，有的车企越做越稳，有的越做越玄学”。你更想先看“数据闭环的组织设计”，还是“端到端的验证方法”？