Ang mga cyclical stock ay palaging nagpe-peak kapag ito ang “pinakamura” — Bakit ang “chip influencer” na si Citrini, na unang nag-bullish sa AI hardware, ay tahimik nang umaalis

Ang kilalang chip research institution na Citrini Research ay dating isa sa mga unang at pinaka-optimistikong long position sa AI hardware trading. Ngayon, malaki na ang ibinawas ng Citrini sa semiconductor holdings, at mayroon pa silang ilang short positions. Sa likod ng pagbabagong ito, naroon ang paniniwala niya sa pundamental na pagbabago sa financing structure ng AI infrastructure: Kapag ang karagdagang pondo ay mula sa internal cash flow ng hyperscale cloud providers papunta sa equity at debt markets, ang market sentiment mismo ay nagiging bahagi ng fundamentals.

Noong Oktubre 21, itinala ni James van Geelen, tagapagtatag ng Citrini, ang pag-uusap na ito sa Monetary Matters podcast. Noong panahong iyon, ang semiconductor stocks ay bagong nakaranas ng siyam na sunod-sunod na pagbagsak—binanggit ng host na si Jack na ito ang pinakamahabang losing streak mula pa noong 2006. Ang hatol ni James: hindi pa ito sapat para maapektuhan ang AI construction spending, ngunit nagbago na ang uri ng panganib. Sabi niya: "Kung biglang bumagsak ang market sentiment, mauubos ang mga incremental na pondo—dahil hindi na ito pera ng isang kumpanya, kundi ang merkado na ang nagdedesisyon."

Ang pag-uusap na ito ay sumasaklaw kung bakit siya nagbawas sa semiconductors, ang logic kung bakit siya long sa Meta at short sa Google, ang kahulugan ng humigit-kumulang 80% inference gross margin ng DeepSeek, at kung anong mga signal ang magbabalik sa kanya sa chip longs. Kasabay nito, ibinunyag niya na ang tunay na bottleneck sa drug development ay "kakulangan ng unggoy" at hindi computing power, kaya ang tunay na oportunidad sa pamumuhunan ay nasa clinical outsourcing, hindi sa mga AI concept stocks.

Ang cash flow ng mga higante ay nagiging negatibo, nagbago ang financing structure, kaya ang sentiment ay maaaring pumatay sa fundamentals

Para maintindihan kung bakit nagbawas ang Citrini sa AI hardware, kailangan mo munang maintindihan ang tinatawag niyang "reflexivity" risk—ito ang sentrong mekanismo ng buong paghatol.

Sa unang tatlo hanggang apat na taon ng AI trading, ang mga hyperscale cloud providers ay gumagamit ng sarili nilang operating cash flow para pondohan ang AI infrastructure. Ibig sabihin nito, gaano man kalabo ang market sentiment—tariff shocks man, unwinding ng yen carry trade, o iba pang panic—basta’t patuloy ang Meta, Microsoft, at iba pa sa paggastos, may "salbabida" na sumusuporta sa fundamentals ng semiconductor firms. Maaaring pababain ng sentiment ang stock price, pero hindi nito kayang pabagsakin ang kita.

Ngayon, hindi na gumagana ang mekanismong ito, mabilis na nauubos o nagiging negatibo ang cash flow ng tech giants. Ang paghahatol ni Citrini James ay, halos lahat ng incremental na AI infrastructure investment sa ngayon ay galing na sa equity financing (maging venture capital o public market) o debt financing.

Ibig sabihin nito, maaaring maging mas kapaki-pakinabang ang AI, maaaring lumawak pa ang paggamit, ngunit kung biglang bumagsak ang market sentiment, mauubos ang mga incremental na pondo—dahil hindi na ito pera ng isang kumpanya, kundi ang desisyon ng buong merkado.

Ito ang tinatawag niyang "reflexivity": Ang pagbaba ng sentiment ay direktang puwedeng tapyasan ang funding chain, at makaapekto sa aktwal na construction spending, hindi lang babaan ang valuation.

Ikinwenta pa niya ang pressure point na ito. Para masuportahan ang kasalukuyang valuation ng infrastructure, kailangang umabot ang taunang recurring revenue (ARR) ng AI labs sa humigit-kumulang $1 trilyon pagdating ng katapusan ng 2028. Mula sa kasalukuyang base na mga $13.6 bilyon na ARR, halos $50 bilyong netong dagdag na ARR bawat buwan ang kailangan.

Kung ang batayan mo para sa pagbawi ng infrastructure funds ay kailangang umabot ng pinagsama-samang $500 bilyong ARR ng (AI) labs, pero sa huli ay $300 bilyon lang, malaking problema iyon.

Ilan sa mga nabanggit ni James na nagpapababa sa ARR:

Una, "sapat na ang consumer side." Sa sariling karanasan niya, natutugunan na ng kasalukuyang models ang 99% ng daily needs, mahirap nang magbenta ng dagdag na bayad para sa mas malakas na capabilities.

Pangalawa, "hindi tumaas ang usage kasabay ng pagbaba ng presyo." Binanggit niya ang Anthropic economic index: "Kapag bumaba ng 10% ang task cost, 3% lang ang itinaas ng usage."

Sa pag-unawa niya dito, ipinapakita nitong hindi agad-agad gumagana ang Jevons Paradox (na kapag mas efficient, mas tataas ang total consumption) sa token. Pag may sapat na AI processes sa kumpanya, mas bababa pa ang calls: baka nga kapag hindi pa ito kapaki-pakinabang, mas malaki pa ang token demand, kasi paulit-ulit kang nag-eedit.

Pangatlo, tumataas ang bahagi ng open source. Binanggit niya na ang open source models sa bagong ARR ay mula 1% isang taon na ang nakalipas hanggang 18% na ngayon, at binabayaran ng buyer bawat task; basta sapat ang minimum capability: hindi sila sasakay ng fighter jet papuntang trabaho, kotse lang gagamitin nila.

Sa palagay niya, may agwat pa rin ang kakayahan ng Chinese at US models kaya hindi siya gaanong nag-aalala sa price shock. Ang pinakamahalagyang batayan ay hindi kung may silbi ang AI o magiging mas maganda; kundi kung talagang cost-effective ba ang frontier spending. Sa maikling panahon, ang "white-collar work" ang kailangang maging killer app na magsisilbing pundasyon ng token demand sa susunod na mga taon.

"Pinakamura" pero ito mismo ang itsura ng cycle top

Itinanong ng host: kung pagbabatayan ang kita, mas mura pa ang tech firms ngayon kumpara noong 2023 dahil tumaas ang profit, bakit nagbawas? Sumagot si Citrini James gamit ang pattern ng cyclical stocks:

Iyan ang cycle, palaging mukhang pinakAmura ang cyclical industry kung kailan ito ang top ng cycle.

Sa madaling salita, pananaw ni James na ang "murang" hitsura ay ilusyon lang ng pansamantalang mataas na profit, ganyan ang cyclical stock. Ang kita ng cyclical stock ay sumusunod sa ekonomiya. Kapag pinakamaganda ang market, pinakamataas ang profit ng kumpanya, lumalaki ang denominator, at ang price-earnings ratio na based sa "next year forecasted earnings" ay bababa—parang mura tingnan. Pero ang profit na ito ay nasa rurok ng market; kapag bumagsak ang cycle, bababa ang kita at kasunod noon ay presyo ng stock. Kaya ang "mukhang pinakamura" na panahon, iyan pa ang pinakamataas na kita—nasa top na ng cycle.

Dinagdag ng host: walang bibili ng oil stock pag pinakamalaking tube ang kita, at 14x lang ang P/E.

Itong logic ang nagpapaliwanag ng repositioning niya. Sabi niya, kung nanatiling overweight sa infrastructure ang portfolio noong Abril at Mayo, "mababa siguro ng 50%." Noong bumagsak ang semiconductor stocks ng 2-3 buwan noong Setyembre–Oktubre 2023, hindi siya nagmadaling humanap ng kapalit, dahil mababa pa noon ang valuation at limitadong downside. Pero sabi niya, ngayon ay iba na:

Ang possible downside, kapag nagkaroon ng totoong negatibong resulta o sentiment, ay napakalaki.

Itinuring niya ang gawi niya bilang pagbabago ng balanse, hindi bearish view sa AI. Optimistiko pa rin siya sa Nvidia at nakikita niya ang asymmetric opportunity sa tinatawag niyang “agentic utilities” (mga sektor o industriyang tunay na gumagamit ng AI). Dagdag pa niya, sa ngayon mas mataas pa rin ang demand kaysa supply; ang usapin ay para sa hinaharap.

Long Meta, short Google, naghihintay ng signal para bumalik sa chips

Pagdating sa aktwal na portfolio, malinaw din ang takbo ng isip ni Citrini James.

Ang core thesis sa pagiging long sa Meta ay ang monetization potential ng Muse (AI assistant ng Meta). Framework niya: kasalukuyang average revenue per user (ARPU) ng Meta ay mahigit $20, saklaw ang Instagram, WhatsApp, Facebook. "Kung magkakaloob ng makabuluhang adoption ang Muse, madidiretso mo ang trend ng data na iyon hanggang 2030, quadruple ang ARPU." Sabi niya, nitong tag-init lumipat siya sa strong bullish, at napatunayan ito sa paglabas ng Muse.

Ang dahilan naman ng short sa Google ay dahil sa takot niya sa talent outflow mula DeepMind. Sa tingin niya, hindi sapat ang pagtataya ng merkado sa epekto ng exodus na ito, lalo na't nasa kritikal na panahon pa ang search business. "Mas kaunti na akong gumagamit ng Google search. Mawawala ba totally ang search? Di ko alam, baka hindi, pero malaki pa rin ang risk habang nawawala ang mga talent." Hawak niya ito na may stop loss pero nagtutuloy pa ring "long Meta, short Google" paired trade.

Sa pagbabalik sa chips, malinaw din ang trigger niya: Makakakita siya ng patuloy na pagtaas ng paid usage, pati second derivative ng ARR growth na muling bumibilis, na kayang suportahan ang infra financing galing mismo sa cash flow ng customer. Kung ngayong demand lang ay naaantala dahil sa supply, at lull lang ito sa pagitan ng leaps ng model capability at pag-launch ng bagong produkto, at kapag na-release mga iyon ay mas handang magbayad ang user, ibig sabihin hindi valid ang kanyang concern, at ang pullback ng infra stocks ay buying opportunity pa nga.

Medyo balanced siya sa pananaw sa CoreWeave—tingin niya may 60% probability ng default, pero di inaasahang mag-default talaga. Sa tingin niya, ang AI cycle downside ay "magwawakas na may iyak at hindi putok": hindi company default ang magpapa-crash, kundi ang pagbaba ng lab ARR expectations mula $400 bilyon papuntang $360 bilyon, na dahil priced in na ay kakalat at hihila pababa sa buong sector.

Para sa DeepSeek, binanggit niya ang mga datos mula DeepInfer (internal inference framework ng DeepSeek): nagse-serve ng 155 trilyong token bawat araw, kita bawat GPU hour na $38, samantalang ang GPU hour rental cost sa merkado ay $5 hanggang $8, ibig sabihin 80% gross margin sa inference, at mabilis na ROI na 81 araw. "Ibig sabihin, may posibilidad pang bumaba ang token pricing, lalo na sa non-frontier models."

Gamit ang Claude sa pagdisenyo ng anti-scorpion venom antibody: anong kayang ipiga ng AI, at anong hindi nito kayang pigaain

Ibinunyag din ni Citrini James ang isang bihirang eksperimento: nakipagtulungan ang team niya sa Anthropic, gamit ang Claude na nakagawa ng 211 anti-scorpion venom antibody candidates sa loob ng 64 oras, 17 sa mga ito ay matagumpay na nag-bind sa target sa laboratoryo. Nakagugulat ang resulta, pero ito rin mismo ang naging basehan ng hindi pro-AI bulls na konklusyon: ginagawang commodity ng AI ang drug design, ngunit ang totoong bottleneck ay nasa laboratoryo at sa mga unggoy, hindi sa compute.

Para klaruhin kung ano ang kaya at hindi kayang gawin ng AI sa drug discovery, gumawa ng kakaibang hakbang sina Citrini James: nilapitan nila ang Anthropic Life Sciences team (Nathan Frey, Amir Chennisa at Steven Molina), at sa mismong opisina ng Anthropic, gamit ang internal research model, nagdisenyo ng scorpion venom antibody sa loob ng 64 oras.

Sa buong proseso, ginamit ni Claude ang ~300 sub-agents, gumawa ng 180 design schemes, at 211 candidates ang ipinadala sa testing. Sa resulta ng laboratorio, 17 molecules ang matagumpay na nag-bind sa target, 7 dito partikular para sa Mexican scorpion venom CN2, at ang pinakamabuting candidate na CN2B1 ay nagpakitang may competitive binding sa kilalang neutralizing antibody sa expected region.

"AI ang gumawa ng mga molecules na ito, at 17 ang matagumpay na nag-bind sa lab—napakagulat nito."

Pero kaagad ding binigyan ni James ng diin ang isa pang mas mahalagang punto. Ang na-compress ng AI ay ang oras mula ideya hanggang experiment design—dati ay buwan-buwan, ngayon, ilang araw na lang. Pero ang synthesis, testing, at pagkuha ng comparative data ay umabot pa ng 39 araw. "Kung ang data ay sumunod sa bilis ng buhay, ang pagdating ng AI ay hindi naman nagpapabilis ng paglaki ng cell sa petri dish. Doon talaga ang bottleneck."

Ayon sa estimate niya, sa buong proseso mula drug design hanggang clinical trial, mga 20% lang ng oras ang nakokompress ng AI, 80% ay hindi. Dito naman ang malinaw niyang investment conclusion: maglong sa experiments, maglong sa kumpanyang nagpapabilis ng experiments, hindi sa AI drug discovery concept stocks.

Tahasan niyang binanggit ang Charles River Laboratories (CRL) bilang pinaka-confident long. Humigit-kumulang 60% ng kita ng CRL ay mula sa early discovery at safety assessment, kasalukuyang nasa low point ng cyclical recovery, may sapat na capacity para sa bagong orders, at ang bawat new contract ay diretsong napupunta sa profit.

Ibinulgar din niya ang isang bottleneck na hindi pa napapansin ng market: kakulangan sa unggoy. Ang non-human primates ay pinaka-mahalaga at hindi mapapalitang resource para sa preclinical testing, may breeding cycle na apat na taon, kaya mahirap palakihin ang supply. "Marahil ito ang pinakamahalagang supply constraint sa preclinical testing."