AI热题：

资本的狂热，估值“神话”频出

在人工智能的赛道上，资本市场的热度从未减退。2025年4月，OpenAI完成新一轮400亿美元融资，投后估值约为3,000亿美元，近期更有消息传出OpenAI正在就员工股权二次出售事宜进行谈判，若谈成，OpenAI估值有望达到5,000亿美元。2024年3月才走出隐身模式的Reflection AI，在其尚未正式发布任何一款产品前，就完成了20亿美元的融资，投后估值达到80亿美元。国内热度最高的AI大模型Deepseek虽未开启对外融资，彭博行业研究预计该公司的估值区间已达到10亿至1,500亿美元，中间值为20亿至300亿美元。

在人工智能浪潮席卷全球的今天，估值“神话”频出，高估值的背后究竟蕴含怎样的故事与逻辑？资本市场已然清晰地意识到：相比互联网时代，AI时代的估值逻辑已经彻底改变。如何恰当地对AI公司估值，成为投资者、分析师和创业者等市场参与者所面临的共同挑战。

本文将结合AI大模型公司的商业逻辑，系统地解析三种传统估值方法在AI大模型公司估值中的应用和局限性，并探讨新的估值思路。

一、独特的商业逻辑

AI大模型公司高估值背后的商业逻辑，有别于传统企业商业模式，AI技术的颠覆性导致潜在价值与其可预测期间的商业变现能力存在时间差和很大的不确定性。高估值押注的是核心技术应用规模化后，在未来多场景实现盈利爆发的能力。在这种估值逻辑下，技术壁垒和落地能力远比历史和短期盈利预测更重要，也解释了为何这类企业在低营收状态下仍能获得资本市场青睐。但同时，对潜力的“下注”也伴随着同等级别的风险。

技术的“硬实力”

AI大模型指具有极大规模、高度复杂结构和强大计算能力的人工智能模型。这类模型通常用于处理大规模、高维度的数据，并能够实现复杂的智能任务，如自然语言处理、图像识别、推荐系统等。按输入数据类型的不同，大模型可分为自然语言处理（NLP）大模型、计算机视觉（CV）大模型和多模态（MoE）大模型。大模型行业的产业链较为完整，涵盖了数据、算法、平台、应用等多个环节。产业链中所处的位置不同，技术关注点亦有差异。

价值的“转换器”

正是由于技术的开发与商业变现存在时间差，AI大模型公司的商业化能力与市场潜力尤为引人关注。归根到底，一家企业能否具有高估值，无论是现在还是未来，核心仍然是创造财务价值的能力。衡量AI大模型公司的商业化能力时，通常关注其收入模式。企业所处的产业链位置不同，其技术变现与商业化模式也有所差异。

上游企业的核心资产是预训练好的基础模型，其商业模式围绕“模型能力”的授权和使用展开，主流的模式包括卖API（“应用程序编程接口”），即按使用量（“Token”）收费，这一模式的本质是按调用量收费，依赖高吞吐量与低成本实现规模盈利；或将模型整体授权给大型企业做本地化部署，按照年度或一次性收取许可费用等；上游企业主要通过ToB的销售方式实现营收。

中游企业不直接创造模型，而是让模型变得更好用、更便宜、更定制化，因此其收入逻辑主要包括按照平台使用权限收取的SaaS订阅费、平台作为模型“聚合器”调用API的差价或抽成以及按照数据储存量、查询次数等功能的用量订阅费。由于中游企业主要关注模型服务与部署，因此其营收实现模式主要是ToB。

下游公司将模型能力封装成最终用户可感知的产品，商业模式最为多样。常见的商业模式包括：为用户持续提供AI服务的订阅制收费；用户直接购买点数用于后续AI生成服务；为特定行业提供端到端的AI解决方案的项目制收费或SaaS年费以及一些AI驱动的交易平台，会按照交易额抽取交易佣金等。下游公司的产品和用户更具有多样性，既有企业级需求，也有个人消费需求，因此其主要的收入特征为ToB与ToC并存。

随着模型技术开源和普及，AI产业最大的商业价值正在从“造模型”向“用模型”转移，巨头公司正在通吃上、中、下游。总之，对于大模型公司而言，“赚什么钱”仍取决于公司的核心竞争力和市场定位。

二、AI估值新范式：从失效到重构

AI公司的独特商业逻辑使得传统估值方法面临严峻挑战。这些企业通常具有高度创新性、强灵活性和高成长性，但其价值往往隐藏在代码、数据和用户行为中，难以用传统财务指标衡量。传统的市盈率（PE）和市销率（PS）等指标在评估AI公司价值时逐渐失效，取而代之的是以技术独特性、增长潜力和市场叙事为核心的全新估值体系。

市场法

在颠覆性创新中寻找“可比”的坐标系

市场法通过寻找可比公司或者可比交易来确定相应的估值倍数，但传统的市销率（PS）及市盈率（PE）等计算依赖收入或利润的静态财务指标，对大多数研发及资本开支巨大且还未达到盈亏平衡状态的AI公司已不适用。

传统的市场法往往需要对上市公司数据进行研究分析，AI行业尚处于快速发展阶段，难以找到真正可比的上市公司，并且每一个AI大模型公司在其技术路径、商业模式和市场定位上都可能存在显著差异，使得直接比较具有不确定性。目前市场正在探索新的行业指标，例如“年度经常性收入（ARR）倍数”“每美元算力对应市值”等，以便更好地反映AI大模型公司的商业化潜力、成本与效率以及“护城河”深度。

1.非传统的市场倍数法

以目前一级市场和私募交易主要采用的ARR倍数为例，近期不同AI细分领域的ARR倍数如下：

资料来源：西部证券，EY整理

2.参考近期融资的关注点

对于尚处在经营早期的AI大模型公司而言，融资活动一般比较频繁，在采用市场法进行估值时，参考其最近一轮融资价格并进行必要的调整，作为辅助性估值，也是实操中常见的。但在使用过程中，需要特别关注近期融资的时效性、公允性以及市场和自身的变化。

通常，估值日期距离融资完成日期越久，最近融资价格的参考意义越弱。估值人员应关注在最近融资完成后和估值基准日之间是否有重大的外部市场和企业自身的变化，综合判断是否可以采用最近一轮融资价格。

同时，估值人员需对最近融资价格的公允性进行分析判断，例如是否有新的投资人参与、投资人与被投公司是否存在关联性、是战略投资还是财务投资、是否存在特殊投资条款，以及融资金额是否重大。

另一方面，在选择参考近期融资价格时，估值人员也应特别关注AI大模型行业的快速迭代对大模型公司技术先进性的潜在影响。2024年Deepseek横空出世，以其“高性能、低成本、全开源”的模式，显著抬高了AI行业的竞争门槛，加速行业的优胜劣汰。Deepseek的免费策略亦迫使其他公司重新考虑定价，同时高性能的开源模型也很大程度地提高了技术基准，其他公司需要更快地迭代才能保持竞争力。Deepseek的出现刺激了行业加速优化和创新，进而影响行业格局，使得资本对行业内各个“玩家”进行重新标价。

最近融资价格通常反映了市场环境下投资机构对于AI大模型公司技术潜力、团队背景、市场地位以及未来商业前景的集体判断和预期，也是市场买卖双方博弈的结果。AI大模型公司毋庸置疑是当前一级市场的投资焦点，融资频繁且融资金额节节攀升，也不乏由于市场追捧而偏离内在价值的情况。在考虑近期融资作为估值参考时，为控制投资风险，在采用过程中，不应脱离收益法及其他方法的分析。

综上，在使用市场法对AI大模型公司进行估值时，应关注：

• 深入审视可比公司的相关性：AI行业技术路径和商业模式差异巨大，找到完全可比的“参照系”非常困难。需确保可比公司在技术阶段、客户类型、成本模型等方面具有真正的可比性，而不能只看行业标签。
• 结合绝对估值法进行交叉验证：市场法容易受整体市场波动影响且一定程度上依赖市场数据的可获取性及准确性。严谨的做法是将其与收益法（DCF）等绝对估值法结合使用，进行交叉验证，从而得出更可靠的结论。

收益法

当未来现金流深陷“预测迷雾”

收益法着重于资产的收益能力，其逻辑是通过衡量一项资产带来的未来现金流的现值来估计资产价值。核心步骤是需要对被评估资产的现金流进行预测，但应用于AI公司时，未来商业模式的不确定性会让财务预测陷入“预测迷雾”之中，传统的单一商业模式及依据其进行财务预测的方法便失效了。

1.收益法在AI公司估值中的核心困境

财务预测难度极大：

• 传统现金流预测往往依赖历史财务报表、可比公司的对比研究以及管理层清晰的战略商业计划，而尚未盈利的AI公司处于商业模式探索期，未来与过去的关联极弱。AI行业的核心特征在于“非线性发展”，很难采用估计的单一增长率去模拟预测，影响预测的关键因素是嵌入API数据流、接入供应链数据、用户活跃度、能源成本等实时行为数据。例如，一家处于商业化落地期的AI芯片公司，其现金流预测应与订单交付进度、客户使用强度挂钩。对于AIGC（人工智能生成内容）应用公司，盈利预测可能与用户活跃度、付费转化率及客户留存量等数据均存在转化关系。
• 资产的时间价值是估值的重要因素，AI公司在某个特定基准日的估值与其商业化进程的预期时间表紧密相关，尤其是获得稳定且活跃用户的速度与规模，对判断公司所在发展阶段和估值都有着重大影响。AI行业的发展通常经历从“估值驱动”到“产品验证”再到“盈利兑现”的阶段。考虑到AI公司所处的阶段，财务预测的不确定性通常较高，预计的未来同等的现金流，在不同预期时间流入公司，贴现后差异可能较大。AI公司的商业规模化时间、盈利拐点等关键参数的波动性也远高于传统行业，大大增加了估值模型预测的难度和不确定性。

折现率的确定更为复杂：

• AI公司技术可能被颠覆、商业化可能失败的风险远高于传统行业，需要采用更高的折现率，也可能针对不同阶段相应的风险分段采用不同的折现率，而往往折现率的调整会对估值结果产生巨大影响。

2.构建更稳健的AI公司收益法估值框架

收益法为评估AI大模型公司提供了一种基于其长期内在价值和盈利潜力的视角，特别适用于商业模式逐渐清晰、未来现金流可以较为可靠地预测的成长期及以上AI的企业。面对重重挑战，对AI大模型公司应用收益法估值需构建一个“反脆弱”的预测体系。

• 第一步：建立定性评价体系。对于AI公司的定性评价，引入外部技术专家的支持，甚至独立评价至关重要。他们能够提供超越财务数据的、关乎技术本质的洞察。对团队的背景与执行力、数据资产的质量与规模、技术壁垒的高度、商业模式的可行性等关键维度进行分别与综合的评价，获得直观感受。
• 第二步：寻找“价值锚点”。对标海外或国内已上市/被收购的类似公司，参考它们的市场发展路径。同时，考虑评估公司切入赛道的潜在市场规模——是百亿市场还是万亿市场？这决定了它未来的想象空间。
• 第三步：采用多情景预测，例如，分别对乐观、中性、悲观等不同情景进行现金流预测：

乐观情景：公司成为行业龙头，估算期收入和利润；

中性情景：公司稳步发展，占据一席之地；

悲观情景：公司失败或表现平庸。

估值人员可以考虑赋予多种情景下的估值结果一定的权重，然后加总，得到更能反映最佳预期的估值。

与之类似的另外一种预测的思路是，公司管理可根据公司的技术成熟度（如概念验证、产品化、规模商业化阶段），并参考类似技术路径的成功率，将预测期间的收入乘以可参考的成功率，调整为更加谨慎的预测数据。在此过程中，相关参数，如成功率等同样建议通过引入内外部技术专家来对其合理性进行分析判断。

3.折现率的综合考虑

在使用传统的资本资产定价模型及加权平均资本成本确定折现率时，通常需额外考虑更高的特殊风险溢价，可结合外部技术专家的评价，综合考虑技术迭代风险、市场竞争格局、政策波动性以及团队执行力等因素。另一方面，除传统的折现率确定方式外，也可以参考资本市场上针对早期相关领域企业公开采用的折现率进行交叉比对。

4.收益法估值结果敏感性分析和交叉核验

收益法高度依赖众多假设和参数，这些参数的可实现性有较大不确定性。因此，建议估值人员开展一定的敏感性分析，以了解关键假设变化对估值的影响：如上述情景的权重、里程碑事件发生的时间点、重要商业驱动因素等，能够辅助投资者做出更好的判断。

收益法得出的估值结果，通常也需要与上一轮融资、市场倍数等进行交叉核验。

此外，对标分析的深化还需要研究类似公司的历史发展路径，审视它们在产品爆发前后核心数据的变化趋势，包括分析其用户基数（月活跃用户MAU、付费用户转化率）、单位经济模型（用户终身价值LTV与用户获取成本CAC的比率）、收入增长斜率以及利润率的改善情况。

同时，关注公司自身的前期融资轮次的估值及其增长逻辑，并与同行业近期的融资案例（估值和条款）进行对比，也有助于评估当前收益法预测是过于乐观还是相对保守。

通过这种多维度、回溯历史的分析，可以对收益法中的关键假设形成更理性的判断，从而提升估值结论的可靠性。

成本法

静态账簿难以衡量动态智能

成本法在对AI大模型公司进行估值时存在根本局限性，它无法有效衡量算法、训练模型和数据集等核心无形资产的价值。这些资产构成了AI大模型公司的主要价值来源，但它们在账面上往往仅体现为服务器折旧等少量成本，导致估值被严重低估。同时，成本法从静态角度核算历史投入，忽视了资产的整体协同效应和AI技术快速迭代带来的时间性损耗。这种方法与AI公司依赖技术突破和网络效应实现非线性增长的价值驱动因素完全脱节，无法反映其未来的增长潜力。

尽管有上述局限，成本法在AI领域的某些特定场景中仍有一定适用性。例如，对于需要自建算力基础设施的AI芯片公司，其服务器、专用芯片等大量有形资产的价值可以考虑使用资产加和法的思路开展估值工作。此外，当AI公司处于破产清算状态，资产的持续经营价值不再重要时，成本法可作为该特定情境下的价值考量方法。

结语

对AI公司的估值，本质上是行业技术——内外部的行业技术专家的输入、估值艺术——对行业的理解以及估值人员的经验积累、和估值科学——估值的技术以及科学严谨的财务分析，市场研究分析，三者之间的一场精妙结合。

推荐阅读

【PE/VC洞察】《乘AI风，破周期浪》之一：全球AI行业及投资趋势

【PE/VC洞察】《乘AI风，破周期浪》之二：IT和数据尽职调查如何穿透镜花水月里的AI

本文是为提供一般信息的用途所撰写，并非旨在成为可依赖的会计、税务、法律或其他专业意见。请向您的顾问获取具体意见。