本文系基于公開資料撰寫，僅作為信息交流之用，不構(gòu)成任何投資建議

2025年12月17日，北京智譜華章科技股份有限公司（智譜AI）正式通過港交所上市聆訊。巧合的是，就在同日晚間，其有力競爭對手、通用人工智能公司MiniMax也通過了港交所聆訊。

這兩家被譽為國內(nèi)大模型“六小虎”的代表企業(yè)，幾乎同步叩開了資本市場的大門，一場爭奪“港股大模型第一股”乃至“全球大模型第一股”的競速賽驟然打響。

這意味著，自2022年末人工智能紀元開啟以來，在資本熱土上成長了三年有余的初創(chuàng)巨頭們，終于走到了公開市場的臨門一腳。智譜AI若成功上市，有望成為全球首家以通用人工智能基座模型為核心業(yè)務(wù)的上市公司。而MiniMax如果明年初掛牌，將成為全球從成立到IPO最快的AI公司之一。

然而，招股書所揭示的圖景，遠比“第一股”的名號更為復(fù)雜，也更真實地展現(xiàn)了這個前沿行業(yè)的現(xiàn)狀：高增長、高投入與高虧損的鮮明特征。

智譜AI在2022年至2024年間，收入年復(fù)合增長率高達130%，但2024年凈虧損達29.58億元。MiniMax的增長更為迅猛，2024年收入同比增長782%，但同期凈虧損高達4.65億美元（約合人民幣32.7億元）。“燒錢”以維持技術(shù)迭代是常態(tài)，僅2025年上半年，智譜AI的研發(fā)開支就高達15.95億元，是其同期收入的8倍以上，其中大部分用于購買昂貴的算力。

因此，它們的上市遠不止是兩家公司的里程碑，更標(biāo)志著整個中國大模型行業(yè)正式從早期的“技術(shù)競賽”階段，邁入了必須接受公開市場審視的“資本考驗”新階段。過去依賴宏大敘事和私募融資推動狂奔的時代即將過去，資本市場開始計算“回程票”的價格。

此刻，一個最核心、也最棘手的問題被無可回避地置于臺前：究竟應(yīng)該如何為智譜、MiniMax這樣的大模型公司進行估值？

01

AI時代需要新的估值計價方式

市場上林林總總的估值模型，雖因行業(yè)各異而顯得紛繁復(fù)雜，但追根溯源，其思想脈絡(luò)可歸結(jié)為涇渭分明的兩大體系：一是以約翰·伯爾·威廉姆斯與本杰明·格雷厄姆為奠基人的客觀價值體系，另一則是以約翰·梅納德·凱恩斯為思想源頭的主觀價值體系。

前者的核心是數(shù)理邏輯，旨在計算企業(yè)的內(nèi)在價值，其本質(zhì)是通過折現(xiàn)企業(yè)未來的自由現(xiàn)金流，來確定其當(dāng)下價值。

后者的核心是市場博弈，強調(diào)群體心理的主導(dǎo)作用。這一思想衍生出從洞察情緒的“選美理論”，到分析價格圖形的K線技術(shù)等一系列方法，共同構(gòu)成了解讀市場的主觀框架。

圖：估值的兩大體系五種方法，來源：《公司估值：方法論與思想史》，錦緞?wù)?/p>

誠然，對于大模型這類尚未形成穩(wěn)定盈利范式的前沿產(chǎn)業(yè)，充滿靈活性的主觀價值體系似乎更具解釋空間。然而，其根本缺陷在于主觀判斷難以驗證和比較，無法形成一套可重復(fù)、可驗證的嚴謹估值方法論。因此，當(dāng)我們試圖為新一代科技企業(yè)建立估值標(biāo)尺時，仍需回歸到可計算、可比較的客觀價值體系框架內(nèi)進行探索。

在此基礎(chǔ)上，縱觀商業(yè)史，估值模型的每一次重大演進，本質(zhì)上都是對新經(jīng)濟范式下供需關(guān)系革命的回應(yīng)。當(dāng)舊有的數(shù)理框架無法捕捉和衡量新興商業(yè)模式所創(chuàng)造的經(jīng)濟價值時，新的估值計價方式便會應(yīng)運而生。

例如，股利折現(xiàn)模型(DDM)契合了早期商業(yè)投資節(jié)奏緩慢、分紅即核心回報的時代。然而，隨著技術(shù)進步與規(guī)模經(jīng)濟效應(yīng)凸顯，企業(yè)將大量利潤用于再投資以驅(qū)動增長，股利支付率下降但公司價值持續(xù)攀升。此時，能夠衡量企業(yè)全部自由現(xiàn)金流創(chuàng)造能力的現(xiàn)金流折現(xiàn)模型(DCF)，便成為了更合理的價值標(biāo)尺。

互聯(lián)網(wǎng)的崛起帶來了更徹底的顛覆。傳統(tǒng)制造業(yè)依賴的市凈率估值法，在幾乎不依賴有形資產(chǎn)卻能創(chuàng)造巨大價值的平臺型公司面前徹底失效。市場轉(zhuǎn)而擁抱以用戶價值為核心的新指標(biāo)，例如衡量訂閱制業(yè)務(wù)健康狀況的年度經(jīng)常性收入。這標(biāo)志著估值邏輯從“為資產(chǎn)定價”轉(zhuǎn)向了“為增長和生態(tài)定價”。

由此我們得以推演：如果人工智能是一場堪比工業(yè)革命、信息革命的范式級生產(chǎn)力變革，那么它必將催生我們當(dāng)下難以全然設(shè)想的全新商業(yè)模式。因此，一套與之匹配的、全新的估值數(shù)理模型也必然會在實踐中誕生。

然而，一個現(xiàn)實的矛盾擺在眼前：當(dāng)前大模型公司的主要變現(xiàn)途徑，無論是谷歌將其融入搜索廣告，還是OpenAI力推的訂閱付費，其商業(yè)內(nèi)核仍未完全跳出互聯(lián)網(wǎng)時代的流量與用戶邏輯。

若想真正把握下一代技術(shù)巨頭的估值核心，我們必須穿透表象，找到屬于AI原生時代獨有的、最基礎(chǔ)的價值度量衡。這并非要憑空創(chuàng)造一個數(shù)字，而是要在客觀價值體系的框架內(nèi)，識別出大模型企業(yè)最核心的生產(chǎn)要素與價值載體，并以此確立一個新的計價單位。

02

Tokens將成為AI商業(yè)模式估值的核心計價單位

在客觀價值體系下，無論是折現(xiàn)模型中的未來現(xiàn)金流、市盈率中的凈利潤，還是年度經(jīng)常性收入，這些核心指標(biāo)本質(zhì)上都試圖刻畫企業(yè)的三種基本面：

1. 現(xiàn)有資產(chǎn)的盈利潛力：即公司當(dāng)前資產(chǎn)能產(chǎn)生多少現(xiàn)金流或利潤。

2. 未來增長的價值與成本：增長能否持續(xù)、潛在成本是否可量化，以及增長能創(chuàng)造多少額外價值。

3. 可比的風(fēng)險評估：未來風(fēng)險是否可以通過橫向比較進行大致計量。

那么，對于大模型公司而言，是否存在一個能夠同時映射這三個維度、且可被精確計量的指標(biāo)呢？目前看來，最契合的答案正是行業(yè)通用的基本單元——Tokens。

首先，Tokens能夠統(tǒng)一計量多元收入，反映現(xiàn)金流潛力。

理論上，衡量現(xiàn)金流應(yīng)沿用互聯(lián)網(wǎng)的年度經(jīng)常性收入模式。然而，當(dāng)前國內(nèi)大模型公司普遍缺乏成熟的付費模式和SaaS服務(wù)，直接使用年度經(jīng)常性收入并不準確。

大模型的收入主要來自面向企業(yè)的API調(diào)用和面向用戶的產(chǎn)品服務(wù)，計費方式復(fù)雜。相比之下，Tokens是覆蓋所有產(chǎn)品線的底層計價單位，能夠更直接地反映創(chuàng)收能力與資產(chǎn)效率。

圖：以Google應(yīng)用端為例拆解Tokens調(diào)用量，來源：國海證券

其次，Tokens直接串聯(lián)成本與收入，能量化增長需求。它是少數(shù)能同時連接供需兩端的專業(yè)指標(biāo)。

• 在成本側(cè)，Tokens消耗量與核心成本（算力）直接相關(guān)。例如，中泰證券的研究通過特定假設(shè)（如用戶交互Tokens覆蓋率為60%），建立了Tokens消耗與算力需求（以H100顯卡數(shù)量計）的量化模型。

中泰證券測算顯示，一個日活過億的AI應(yīng)用，每日可能需消耗相當(dāng)于14.15萬張H100的算力。

當(dāng)然我們暫時無法驗證中泰證券的測算結(jié)果是否正確，但至少為我們提供了一個思路，就是從Tokens消耗量出發(fā)，確實可以推算出算力成本需求量，也就能夠確定可預(yù)測的增長下，算力成本大約需要多少。

圖：基于特定條件下的Tokens消耗與算力關(guān)系測算，來源：中泰證券，錦緞?wù)?/p>

• 在收入側(cè)，Tokens作為AI工作的最小單位，又是密切與成本掛鉤的計量單位，自然會成為大模型廠商用來定價的首選，無論是B端還是C端。
  

目前市場主流的計費公式即為：價格 = (輸入Tokens + 輸出Tokens) × 單價。這使得Tokens成為連接成本支出與收入生成的天然橋梁。

圖：Tokens的定價范圍和案例，來源：國海證券

所以，Tokens指標(biāo)對于大模型廠商而言，也能在某種程度上反應(yīng)資產(chǎn)、再投資和潛在收入成本之間關(guān)系。

最后，Tokens具備行業(yè)可比性，為風(fēng)險評估提供基準。

作為通用度量單位，它使跨公司、跨模型的比較成為可能，例如計算“單Token利潤”來類比傳統(tǒng)凈利潤。目前，諸如OpenRouter等機構(gòu)正是通過統(tǒng)計各模型的Tokens調(diào)用量市場份額來評估其市場地位與趨勢，這為行業(yè)內(nèi)的相對估值和風(fēng)險比較提供了關(guān)鍵數(shù)據(jù)。

圖：不同大模型廠商的市場份額趨勢，來源：OpenRouter

綜上，將Tokens作為核心計價單位，目前最能有效刻畫大模型公司從生產(chǎn)資料（算力）到生產(chǎn)成果（收入）的核心價值關(guān)系，為在客觀價值體系框架下對其估值提供了可行的切入點。

03

基于Tokens邏輯，為OpenAI與Deepseek們進行估值

行文至此，關(guān)于大模型公司的估值方法只剩下最后一個，也是最難的議題：如何圍繞Tokens構(gòu)建合理的數(shù)理公式，去反映大模型公司的真實價值。

誠然，我們目前沒有能力去構(gòu)建相對完善的計算體系，其一作為非專業(yè)人士，我們很難衡量大模型企業(yè)的單位Token價值幾何。

這其中主要的原因在于，不同模型的分詞器不同，可能Token涵蓋的語義維度也不同。其次，Tokens作為企業(yè)的經(jīng)營信息，并不像財報一樣受監(jiān)管要求強行披露，也沒有披露規(guī)則約束，因此大多數(shù)數(shù)據(jù)源自于提供API服務(wù)的機構(gòu)，或者云服務(wù)機構(gòu)，可能數(shù)據(jù)準確性不足。

所以這可能是一個需要長期完善的議題，今天我們以目前能夠收集到的數(shù)據(jù)做一個淺析，數(shù)據(jù)源取自O(shè)penRouter，或有誤差，但為大家提供幾種簡要的思路。

1.延循ARR估值邏輯，替換計價單位

這種估值模式其實就是Saas模型的估值方法，還是以即期ARR為核心。

但是“ARR*增速”這個公式中，增速應(yīng)該換為以Tokens為計價核心的增速，而不是實際收入增速。因為大模型公司的業(yè)務(wù)變化不穩(wěn)定，可能會出現(xiàn)代際差直接導(dǎo)致企業(yè)價值大幅縮水的情況（比如META的LLaMA4），因此用Tokens調(diào)用增速更貼切。

以OpenAI為例，去年的收入116億美元，Tokens調(diào)用量增速約為54倍，初步計算的估值應(yīng)該為6264億美元。

圖：過去一年不同大模型Tokens調(diào)用量趨勢，來源：OpenRouter

在此基礎(chǔ)上，我們借用了公眾號“共識流通處”的思路，假定了一種風(fēng)險閾值（即排名靠后的大模型公司，實際價值理應(yīng)大打折扣），在其思路基礎(chǔ)上，我們直接選用Tokens調(diào)用量的市場份額假定風(fēng)險閾值，采用兩種方法。

●樂觀情況下，直接給予市場份額獎勵系數(shù)，比如目前OpenAI的市占率約為18%，那么樂觀估值=6264*（1+0.18）=7391億美元。

●悲觀情況下，扣除與市占率排名相關(guān)的風(fēng)險因素，比如OpenAI排第二，假定只有前十名的企業(yè)有價值，那么OpenAI的風(fēng)險系數(shù)為0.8（1-0.2），那么悲觀估值=6264*0.8=5011億美元。

目前看來與市場披露的差別不大。

2.以Tokens為核心的相對估值

以Tokens為核心的相對估值法，是現(xiàn)階段市場化較高，計算相對方便的估值方法，這種估值實際是傳統(tǒng)市盈率估值的延續(xù)，即市場是否高估/低估大模型企業(yè)。

比如假設(shè)目前OpenAI的估值為5000億美元，根據(jù)OpenRouter數(shù)據(jù)顯示，目前OpenAI單月調(diào)用量份額在18%左右，我們可以恒定目前市場總份額為2.78萬億美元。

那么相對應(yīng)的，排名第一的谷歌大模型估值應(yīng)該為6255億美元，排在第5的Deepseek就應(yīng)該是2170億美元。

如果以這個方法算，Deepseek月初曝光的1.05萬億元估值還有點低了。

圖：當(dāng)月大模型廠商市占率，來源：OpenRouter

當(dāng)然，還有價格的因素，以過去一年間OpenAI整體使用量最大的兩個模型（GPT-oss-120b和GPT-o4 mini），乘以相對應(yīng)的份額估算，平均輸出Token的單價為1.54$/百萬Tokens；同口徑下一年Deepseek（V3及V3.2）的單價約為0.6$。

如果加上價格，假定Deepseek值1500億美元，推算OpenAI估值將接近1萬億美元。

這種方法雖然涵蓋了價格要素，但考慮到匯率差和不同市場的實際情況（相信如果Deepseek放在美國，可能價格會更高），不計算Token價差，在某種意義上反而形成了一種巧妙地制衡，估值計算結(jié)果更接近媒體披露的實際情況（畢竟成本也不一樣）。

綜上所述，將Tokens作為核心計價單位來評估大模型公司，為我們探索這一新興領(lǐng)域的價值提供了一條有跡可循的路徑。

盡管文中推演基于有限數(shù)據(jù)、方法尚不完善，但它已然揭示出：在傳統(tǒng)估值框架之外，我們可以建立一套更貼合AI生產(chǎn)特性的價值衡量體系。

隨著智譜和Minimax上市進程加快，我們也可以參照此法，在智譜和Minimax招股書披露后，為它們進行更細致的估值計算，敬請期待。