AI公司的估值新锚点：算力成本的物理约束

01. 从代码杠杆到算力杠杆：AI时代的估值重构与”重资产”诅咒

当SaaS的”零边际成本”神话遇到物理世界的阻力，我们该如何为AI公司估值

AI/SaaS ToB 行业产品老兵，创业者、投资爱好者，欢迎关注并理性讨论。

02. 摘要

本文探讨了人工智能行业估值模型的范式转移。通过对比SaaS（软件即服务）与AI服务的底层经济学差异。
AI行业正在经历从”代码杠杆”向”算力杠杆”的根本性转变。传统SaaS估值的核心假设——零边际成本与高经营杠杆——在AI时代面临物理世界的刚性约束。
本文建立了分层估值框架，区分基础设施层、工层与垂类应用层的不同估值逻辑，并以Google与Anthropic的对比案例揭示当前市场的定价错位。最终，本文提出AI公司的估值锚点应从P/S（市销率）转向EV/EBITDA、ROIC（投入资本回报率）与P/Gross Profit（市毛率），以更准确地反映”数字重工业”的本质特征。

关键词： AI估值、算力成本、边际成本、经营杠杆、单位经济模型

03. 起因：

本人在公众号文章：《AGI与人边际生产力归零？》一文中手绘了一张图：

希望说明Token的成本是有物理约束的，所以AI公司不应该复用SaaS公司的估值模型。随后跟几个SaaS和AI创业圈内人士讨论了好几天，讨论结果催生了本文。

本文论点由我提出，论据和逻辑链归功于各位圈中大拿

04. SaaS范式：零边际成本的物理学与S曲线经济

要理解人工智能带来的破坏性，首先必须解剖它所挑战的经济正统：SaaS商业模式。SaaS的“S曲线”通常指代收入的采用率，但其核心威力在于收入增长与销货成本（COGS）的彻底解耦。这种解耦创造了现代商业史上最强大的现金流生成机器之一。

4.1 零边际成本的逻辑基础

SaaS模型的核心前提是多租户架构。软件供应商构建单一的软件实例，将其托管在云端，并从该共享基础设施为成千上万的客户提供服务。这一架构确立了SaaS经济学的两个基本支柱：

1. 1. 高额固定成本（High Fixed Costs）： 软件开发、平台构建及初始基础设施的搭建需要巨大的前期研发（R&D）投入。这是进入壁垒的主要来源。
2. 2. 近乎零的边际成本（Near-Zero Marginal Costs）： 一旦平台建成，在数据库中为一个额外租户（用户）提供服务的边际成本微乎其微——仅涉及极少量的计算资源和存储空间。

这种成本结构决定了SaaS企业的盈利路径。在早期阶段，企业必须大量消耗现金以资助客户获取成本（CAC）和持续的产品迭代。然而，随着安装基数（Installed Base）的增长，服务成本（COGS）保持相对平稳，而累积的订阅收入则呈指数级增长。这种“经营杠杆”（Operating Leverage）是软件投资的圣杯，它允许成熟的SaaS企业在达到规模效应后，产生20%-30%甚至更高的自由现金流利润率。

4.2 SaaS损益表解构：80%毛利率的解剖学

在成熟的SaaS损益表（P&L）中，收入与成本的运作机制具有高度的可预测性。

4.3 收入结构：席位制的确定性

SaaS收入主要来源于经常性订阅（Recurring Subscription），通常基于“每席位/每用户/每月”（Per Seat/User/Month）的定价模型。

• 可预测性： 由于企业客户通常签订年度或多年合同，收入流具有极高的稳定性。
• 扩展机制： 收入增长主要依赖于客户组织内部的席位扩张（Upsell）及跨产品销售（Cross-sell）。例如，Salesforce通过从单一CRM扩展到营销云、服务云，实现了单一客户平均收入（ARPA）的持续攀升。

4.4 成本结构：极简的COGS

SaaS企业的销货成本（COGS）结构非常精简，主要包括：

• 云托管费用： 支付给AWS、Azure或GCP的基础设施费用。由于多租户架构的高效性，这部分通常仅占收入的3%-5%。
• 客户支持与运维： 负责维护系统稳定性和解决客户技术问题的人力成本。
• 第三方许可费： 嵌入式软件或许可证费用。

表 1.1：传统SaaS企业的标准毛利率基准

这种高毛利结构意味着，每1元的新增收入中，有0.75至0.85元可以直接用于覆盖运营支出（OpEx）或转化为利润。这是SaaS企业能够承受高额获客成本并实现快速扩张的财务基础。

4.5 现金流低谷与J曲线效应

S曲线逻辑决定了盈利的滞后性，而非缺失。SaaS企业面临的“现金流低谷”（Cash Flow Trough）是一个典型的跨期套利模型。

• 前期投入： 企业在获得客户的第一天就需要支付全额的获客成本（CAC），包括销售佣金、广告投放和营销活动。
• 延期回报： 客户的订阅费用是按月或按年支付的。
• 数学模型： 假设获取1元ARR（年度经常性收入）的成本为1.13元（CAC Ratio = 1.13），企业在第一年实际上是亏损的。
• 拐点（The Turn）： 在高毛利率（如80%）的支撑下，投资回收期（Payback Period）通常控制在12-18个月。一旦跨过这个时间点，由于极低的服务成本，该客户在剩余生命周期内产生的每一分钱收入几乎都是纯利润。

这种经济引擎完全依赖于一个核心假设： 随着客户使用产品频率的增加，服务客户的成本不会显著上升。 正是这个假设，被人工智能的线性增长模型彻底打破。

SaaS公司的 估值锚点：P/S（市销率）的合理性

在这种经济学下，P/S成为合理的估值指标，原因有三：

1. 1. 毛利趋近100%： 营收增长几乎直接等同于未来现金流的增长
2. 2. 规模效应显著： 用户基数越大，单位研发成本越低
3. 3. 网络效应： 产品价值随用户增长而提升，形成护城河

Salesforce、Snowflake、Datadog等公司的成功，进一步强化了”高增长 = 高估值”的市场共识。

05. AI范式转移：线性成本陷阱与推理税

生成式AI的兴起引入了一种违反传统SaaS物理学的经济模型： 推理不再免费（Inference is not free）。 与从SQL数据库中检索一行数据不同，从大语言模型（LLM）生成一个回复需要巨大的计算吞吐量，涉及数十亿次浮点运算。这种物理属性的改变，将软件经济从“零边际成本”推向了“线性成本”甚至“超线性成本”的深渊。

5.1 线性增长模型的物理本质

在AI模型中，产品不仅仅是代码，而是 封装在代码中的算力 。每一次用户交互——无论是起草一封邮件、生成一段代码还是分析一份财报——都会触发一次通过GPT-4或Claude 3.5 Sonnet等模型的前向传播（Forward Pass）。

• 线性成本扩展： 随着用户使用量（收入）的增长，推理成本（COGS）呈线性同步增长。如果客户发送的查询请求增加一倍，供应商支付给模型提供商（如OpenAI、Anthropic）或云厂商的GPU费用也会增加一倍 5。
• “Token物理成”： 对于AI原生企业而言，推理成本不再是可以忽略的杂费。数据显示，B2B AI初创企业的推理成本平均占到总收入的23%，这一比例几乎等同于整个工程团队的人力成本。这就像是对每一次增长行为征收的永久性税收，阻碍了毛利率随规模扩大而自然提升。

5.2 推理成本的超线性危机：推理模型与Token膨胀

情况随着“推理模型”的出现而变得更加严峻。这些模型采用了“思维链”（Chain of Thought, CoT）处理方式，AI在生成最终答案之前，会先生成大量隐藏的“推理Token”进行逻辑推演。

• 乘数效应： 用户可能只是提出了一个简短的问题，但为了保证准确性，模型内部可能生成了数千个Token来“思考”这个问题。这导致 显性价值（用户的答案）与隐性成本（计算消耗）断裂 。
• 经济影响： 随着模型变得更智能，处理单一任务的成本不降反升。这创造了一条“超线性”成本曲线：传递给用户的价值增长可能慢于计算成本的增长。例如，针对同一个编程任务，激进的推理模型可能消耗600个Token，而简单模型仅消耗60个Token，成本跃升10倍，但用户感知的价值并未同比例提升。

5.3 毛利率压缩的现实：25% vs. 75%

来自2024年和2025年的市场数据清晰地展示了这种结构性差异。当传统SaaS享受着75%-85%的舒适毛利时，AI原生初创企业（被称为“AI超新星”）的平均毛利率仅为 25%左右 ，部分企业甚至处于负毛利状态。

与SaaS的关键区别在于： AI服务的每一次调用，都需要实打实的物理资源消耗。

财务后果：Opex向Capex的转变

这种转变带来了深远的财务影响：

1. 1. 折旧负担： GPU集群的寿命仅3-4年，远短于传统服务器
2. 2. 自由现金流压力： 持续的Capex投入侵蚀FCF
3. 3. 单位经济效益敏感： 利润空间不再自动随规模扩大，而是严格受制于单位经济模型

5.4 案例研究：Anthropic的基础设施账单

作为模型层的领军者，Anthropic在2024年的毛利率据估算为负值（-94%至-109%）。这意味着该公司在GPU基础设施和电力上的支出超过了其获得的收入 7。这是一种典型的“以资本换规模”的硬件密集型经济，而非传统的软件经济。

5.5 财务结构深度对比分析

让我们通过一个简化的财务模型来量化这种错位：

如果市场给予20x P/S倍数：

• SaaS公司市值：$2B
• AI公司市值：$2B

但基于EBITDA估值（假设10x倍数）：

• SaaS公司市值：$500M\to$500M
• AI公司市值：$350M → 30%的估值折扣

这个简化模型揭示了问题： 用SaaS的P/S倍数去套AI公司，会系统性高估后者。

06. 分层估值框架——拒绝一刀切

AI产业链不同位置的经济学差异巨大，必须建立分层估值体系。

6.1 基础设施层：数字制造业

包括： IaaS（AWS、GCP、Azure）、MaaS（OpenAI、Anthropic、Google Gemini、Xai）、芯片厂商（NVIDIA）

商业模式本质： 这是一个拼规模、拼能源成本、拼资本效率的 制造业 。

经济学特征：

• 高Capex、高折旧
• 规模效应显著（越大越有采购议价权）
• 能源成本是核心变量
• 技术迭代快，存在摩尔定律压力

估值锚点：

1. 1. EV/EBITDA： 剔除折旧影响，关注经营现金流生成能力
2. 2. ROIC（投入资本回报率）： 投入$100亿买卡，能否产生高于WACC的回报？
3. 3. Capex/Revenue比率： 衡量资本效率
4. 4. 能源成本优势： 拥有廉价电力（如可再生能源）的公司享有溢价

对标公司： 台积电（TSMC）、电力公司、传统云厂商

估值陷阱： 不要用纯SaaS公司的倍数去估值制造业。一个合理的类比是： 不要用软件公司的PE去买一家发电厂。

6.2 工具与中间层：工作流粘合剂

包括： MLOps平台（Weights & Biases）、Palantir、开发工具（GitHub Copilot）、API中间件（LangChain）

商业模式本质： 在算力管道之上，通过工作流（Workflow）和用户体验截留利润。

经济学特征：

• 相对较低的算力成本
• 高用户粘性（工作流嵌入）
• 可选的SaaS式定价
• 毛利率可以接近传统SaaS

关键指标：

1. 1. Net Revenue Retention (NRR)： >120%是优秀水平
2. 2. Gross Margin： 应达到70%+
3. 3. 规则： 如果只是API的二传手，估值归零；如果是工作流的粘合剂，享受SaaS溢价

对标公司： Snowflake、Datadog、GitLab

分水岭： 这一层的价值取决于 粘性 而非 流量 。能否让用户的日常工作流无法离开你，是估值的核心。

6.3 垂类应用层：劳动力替代者

包括： Legal AI（Harvey）、Medical AI（Hippocratic AI）、金融分析AI

商业模式本质： 劳动力替代（Labor Replacement） 。

经济学特征：

• 目标市场是高价值人力成本（律师、医生、分析师）
• 算力成本相对于被替代的人力成本可以忽略
• 定价权取决于”节省的人力成本”
• 监管和信任壁垒高

新估值锚点：P/Gross Profit（市毛率）

为什么是毛利而非营收？

• 垂类AI的营收可能包含大量转售成本（云服务费）
• 真正的价值创造在于毛利
• 毛利率反映定价权和单位经济模型

核心论点： 只有当AI替代的是昂贵的人力时，高昂的推理成本才会被忽略不计。

对标公司： 咨询公司（Accenture）vs. 软件公司（Microsoft）——一种混合体

估值逻辑：

• 如果AI替代的是$1000/$10，也能接受
• 如果AI只是$50/$5的推理成本就难以承受

估值悖论： 垂类AI的价值不在于技术，而在于 目标市场的人力成本结构 。

07. 双雄对决——Google vs. Anthropic 的估值悖论

7.1 Google：被低估的”全栈地主”

资产组合：

• 算力： 自研TPU集群，规模全球前三
• 能源： 可再生能源投资，数据中心电力成本优势
• 数据： 搜索、地图、YouTube的独家数据
• 分发： Android、Chrome、Google Search的分发渠道
• 现金流： 搜索广告业务的持续现金流

商业模式：

• 虽然Capex巨大（2024年预计超$500亿），但它是 算力通缩的制造者 而非受害者
• 垂直整合带来的成本优势：自研芯片 → 自建数据中心 → 自有模型 → 自有应用
• 定价权：拥有从芯片到应用的完整价值链

估值现状：

• 被市场视为老化互联网公司
• PE ~20x（2024年数据）
• 市值对其AI业务定价不足

实际价值：

• 重资产壁垒极高，新进入者无法复制
• 抗通胀能力最强（能源成本可控）
• 如果拆分AI业务，单独估值可能远超当前市值

估值重构：
如果Google的AI业务单独上市，给予基础设施层公司的EV/EBITDA倍数（假设15x）：

• 预计AI业务EBITDA（2025）：$300亿+
• 潜在估值：$4500亿+
• 当前市值对AI业务的隐含估值：严重低估

7.2 Anthropic：被高估的”算力租客”

商业模式：

• 不拥有算力，向AWS/Google支付巨额”租金”
• 云成本可能是最大成本项
• 依赖外部厂商的硬件和基础设施

估值现状：

• 被市场视作高增长SaaS公司
• 最新融资估值：$180亿（2024年底）
• 隐含P/S：30x+（基于推测的年营收）

风险点：

1. 1. 毛利受制于云厂商： 每一个Token的营收，都要分给云厂商一大块
2. 2. 定价权弱： 如果Google Gemini和OpenAI GPT-4打价格战，Anthropic必须跟随
3. 3. 客户粘性存疑： 企业客户可能同时使用多个模型，切换成本低
4. 4. 持续融资压力： 每年数十亿的Capex需要持续融资

估值风险：

如果Anthropic的商业模式本质是 低毛利的转售生意 ：

• 合理毛利率：40%-50%（扣除云成本后）
• 合理P/S倍数：5x-8x（对标传统云服务厂商，而非SaaS）
• 合理估值：远低于当前水平

关键问题： Anthropic能否证明其拥有足够的产品差异化和用户粘性，以支撑SaaS级的估值倍数？

7.3 估值悖论的深层逻辑

这个对比揭示了市场的系统性定价错误：

核心洞察： 市场在用SaaS的逻辑给Anthropic定价，同时用传统互联网的逻辑给Google定价。这种双重标准创造了投资机会。

08. 挑战与反驳

8.1 挑战一：技术通缩能否救赎毛利？

反方观点：

如果算法优化（蒸馏、量化、MoE架构）让推理成本每年下降90%，成本曲线会断崖式下跌，AI将重回SaaS的高毛利时代。

DeepSeek-V3的案例：

• 推理成本降至GPT-4的1/10
• 性能接近GPT-4水平
• 开源且免费使用

回应逻辑：

技术通缩是 双刃剑 ：

1. 1. 成本下降是必然的： 算法优化、硬件升级、规模效应都会降低单位成本
2. 2. 但价格战也是必然的： OpenAI、Google、Anthropic、Meta都在竞争，价格持续下行
3. 3. 只有当 Cost Drop > Price Drop 时，利润才会扩大

历史先例： 云计算市场

• AWS、Azure、GCP的算力成本持续下降
• 但云服务价格也在持续下降
• 云厂商的毛利率并没有因技术进步而大幅提升

结论： 技术通缩的红利更可能被消费者吃掉，而不是留在公司报表里。除非：

• 公司拥有 技术垄断 （如OpenAI的GPT-4早期）
• 公司拥有 分发垄断 （如Microsoft 365 Copilot）
• 公司拥有 数据垄断 （如Google的搜索数据）

8.2 挑战二：价值定价能否覆盖物理成本？

反方观点：

AI不应按Token计费，而应按”解决问题的价值”计费。如果AI帮企业省了$100$10万也是合理的（即使算力成本$1万）。

价值定价的成功案例：

• ** enterprise software：** SAP、Oracle的软件许可远高于其开发成本
• consulting： McKinsey的咨询费远高于其人力成本
• pharma： 药物价格远高于其制造成本

AI的价值定价潜力：

如果AI能够：

• 将法律审查时间从10小时降至10分钟 → 节省$2000/案
• 将医疗诊断准确率提升20% → 挽救生命
• 将金融分析效率提升10倍 → 覆盖分析师成本

那么，按”价值”而非”成本”定价是合理的。

回应逻辑：

这是AI唯一的 生路 。

09. 估值分水岭：

核心论点：

• 通用大模型 将沦为制造业（低估值），因为商品化不可避免
• 高价值Agent 将享受高溢价，因为它们解决的是昂贵的问题

投资启示： 不要投资”更好的模型”，要投资”解决更贵问题”的AI。

10. 投资人的新坐标系

10.1 告别P/S迷信

在AI时代，传统的SaaS估值指标需要系统性重构：

新的估值层次：

1. 1. 营收是虚荣指标： 高增长如果伴随着高成本扩张，价值存疑
2. 2. 毛利是生存指标： 50%+的毛利率是健康的起点
3. 3. 自由现金流是最终真理： 能产生真实现金的公司才能长期生存

10.2 寻找”反重力”公司

投资者不应寻找下一个Salesforce（纯软件），而应寻找：

类型一：拥有能源和算力主权的”超级地主”

• Google： TPU + 数据中心 + 可再生能源
• Microsoft： Azure + OpenAI + NVIDIA合作
• Meta： 自研芯片 + 开源模型战略
• Amazon： AWS + 自研芯片

这些公司是 算力通缩的制造者 ，而非受害者。

类型二：能完成高价值劳动力替代的”数字雇主”

• Legal AI： 替代$1000/小时的律师
• Medical AI： 提升医生的诊断效率
• Financial AI： 替代分析师的重复工作

这些公司的价值不在于技术，而在于 目标市场的人力成本结构 。

10.3 最终判词：AI的产业定位

AI既不是纯粹的SaaS，也不是纯粹的制造业。

AI是以算力为燃料的数字重工业。

这个定位意味着：

1. 1. 增长有物理边界： 受制于芯片产能、能源供应、数据中心建设速度
2. 2. 估值必须考虑资本效率： ROIC比增长率更重要
3. 3. 赢家通吃不如赢家有利润： 规模不等于价值，单位经济模型才是王道

估值模型的范式转移：

旧范式（SaaS）：
高增长 → 高P/S → 高估值

新范式（AI）：
高ROIC → 高GP Margin → 可持续FCF → 合理估值

10.4 投资建议框架

问题清单：

1. 1. 公司拥有算力主权吗？ （是 → 基础设施层估值；否 → 继续问）
2. 2. 公司的工作流粘性如何？ （高 → 工具层估值；低 → 继续问）
3. 3. 公司替代的是昂贵人力吗？ （是 → 垂类应用估值；否 → 风险）

权重建议：

• 对于基础设施层：ROIC权重50%，EV/EBITDA权重30%
• 对于工具层：NRR权重40%，GP Margin权重30%
• 对于垂类应用：目标市场规模权重40%，单位经济模型权重30%

11. 结论

AI行业的崛起正在重塑软件经济的底层逻辑。从”代码杠杆”到”算力杠杆”的转变，不仅仅是财务模型的变化，更是数字经济从虚拟世界向物理世界的回归。

这种范式转移要求投资者：

1. 1. 放弃SaaS的P/S迷信： 营收增长不等于价值创造
2. 2. 分层估值： 基础设施层、工具层、垂类应用层需要不同的估值逻辑
3. 3. 关注单位经济模型： 毛利率、ROIC、自由现金流比增长率更重要
4. 4. 识别”反重力”公司： 拥有算力主权或能替代昂贵人力的公司

最终判词：

AI行业的估值锚点已经从”增长优先”转向”单位效益优先”。

在这个新时代， 理解算力成本的物理约束，比理解Transformer架构更重要 。

作者注：本文所涉及的公司数据和估值分析基于公开信息，不构成投资建议。

12. 原文来源

原文发表于微信公众号“中老年叨叨”（2026年2月18日 22:26）。原文页面标注：修改于2026年2月18日。查看微信公众号原文。