AI 公司估值靠收入、EBITDA，还是算力产出？
AI公司应该如何估值，是今日资本市场最难回答的问题之一。过去SaaS估值最常用收入倍数，因为软件一旦写好，边际成本较低，续约率、毛利率和客户留存足以解释价值。AI公司初期也沿用这套语言，特别是生成式AI应用公司，只要收入高速增长，市场便愿意给高倍数。但问题在于，AI收入背后有一项SaaS时代没有那么沉重的成本：推理成本。每一次用户提问、每一次图片生成、每一次企业API调用，都要消耗GPU、电力、频宽和模型服务能力。收入倍数若不扣问毛利率，很容易把「烧算力换收入」误读为「高质量增长」。
因此，收入倍数适合用于早期或高速扩张的AI公司，但必须加上几个前提：收入是否可重复、毛利率是否改善、客户是否愿意长期付费、单位推理成本是否下降、模型是否有差异化。若一间AI应用公司的收入主要来自短期热潮，客户转换成本低，且每增加一元收入便要消耗大量算力，那么高收入倍数其实只是把未来亏损提前资本化。相反，若公司能把模型能力嵌入企业流程，形成高留存、高客单价和低边际成本，收入倍数仍然有合理性。
EBITDA则是另一套语言。对成熟企业、AI云服务商、数据中心、晶片分销、企业软件平台而言，EBITDA能反映经营现金流能力，避免投资者只看增长而忽略成本纪律。但AI公司使用EBITDA也有陷阱。许多公司会把庞大的GPU、伺服器和数据中心投资放进折旧，令EBITDA看起来不错，实际自由现金流却可能长期承压。AI基建不是轻资产平台，设备更新快、晶片折旧快、电力成本高、租约和债务负担重。若只看EBITDA，不看资本开支和折旧周期，便可能高估企业真正可分配现金。
所以，对AI基建公司而言，EBITDA必须与资本开支强度一起看。投资者要问的不是「EBITDA是否为正」，而是「每一美元EBITDA背后要投入多少GPU和电力」、「合约年期能否覆盖设备折旧」、「客户承诺是否足以支持融资成本」、「当新一代晶片推出后，旧算力是否仍有需求」。AI云服务商最怕的不是没有收入，而是收入追不上折旧；最怕的也不是没有客户，而是客户合约短、设备周期长，最后把技术进步变成资产减值。
三把尺，量不同位置的AI公司
至于算力产出，是AI时代最有意思、也最危险的估值方法。传统制造业看每条产线产量，能源公司看每桶油、每度电，电讯公司看每GB流量；AI公司则可以看每张GPU、每兆瓦电力、每美元算力成本能产生多少token、多少推理请求、多少企业收入和多少毛利。这套方法的优点，是把AI从抽象故事拉回生产效率。算力不是信仰，而是一种生产资料；模型、调度、压缩、推理优化和客户定价，决定同一批GPU能否产出更多收入。
但算力产出也不能单独使用。因为AI输出的价值不是token数量，而是解决问题的能力。低价生成大量token，若不能转化为企业效率、用户付费或工作流程替代，产出再多也只是数据噪音。真正有效的算力估值，应该看「有效算力收入」：每单位GPU小时带来多少可持续收入，每百万token带来多少毛利，每兆瓦容量支持多少企业合约，以及算力利用率在高峰与低谷之间是否稳定。这比单纯比较模型参数、GPU数量或数据中心规模更有意义。
因此，AI估值不应在收入倍数、EBITDA与算力产出之间三选一，而应视公司位置分层使用。模型及应用公司，初期可用收入倍数，但必须扣问毛利率与留存；成熟软件及平台公司，可逐步回到EBITDA和自由现金流；AI云、数据中心和算力租赁公司，则必须加入算力产出、利用率、合约积压、折旧和电力成本。越接近基建，越要看资产效率；越接近应用，越要看客户价值；越接近模型，越要看研发效率与生态黏性。
义合控股投资者关系部
(芯片与算力系列之62)
$Alphabet(GOOG)$ $Meta Platforms, Inc.(META)$ $NVIDIA(NVDA)$ $Advanced Micro Devices(AMD)$ $Taiwan Semiconductor Manufacturing(TSM)$ $Amazon.com(AMZN)$
免责声明：上述内容仅代表发帖人个人观点，不构成本平台的任何投资建议。
