AI 公司估值靠收入、EBITDA，還是算力產出？

AI公司應該如何估值，是今日資本市場最難回答的問題之一。過去SaaS估值最常用收入倍數，因為軟件一旦寫好，邊際成本較低，續約率、毛利率和客戶留存足以解釋價值。AI公司初期也沿用這套語言，特別是生成式AI應用公司，只要收入高速增長，市場便願意給高倍數。但問題在於，AI收入背後有一項SaaS時代沒有那麼沉重的成本：推理成本。每一次用戶提問、每一次圖片生成、每一次企業API調用，都要消耗GPU、電力、頻寬和模型服務能力。收入倍數若不扣問毛利率，很容易把「燒算力換收入」誤讀為「高質量增長」。

因此，收入倍數適合用於早期或高速擴張的AI公司，但必須加上幾個前提：收入是否可重複、毛利率是否改善、客戶是否願意長期付費、單位推理成本是否下降、模型是否有差異化。若一間AI應用公司的收入主要來自短期熱潮，客戶轉換成本低，且每增加一元收入便要消耗大量算力，那麼高收入倍數其實只是把未來虧損提前資本化。相反，若公司能把模型能力嵌入企業流程，形成高留存、高客單價和低邊際成本，收入倍數仍然有合理性。

EBITDA則是另一套語言。對成熟企業、AI雲服務商、數據中心、晶片分銷、企業軟件平台而言，EBITDA能反映經營現金流能力，避免投資者只看增長而忽略成本紀律。但AI公司使用EBITDA也有陷阱。許多公司會把龐大的GPU、伺服器和數據中心投資放進折舊，令EBITDA看起來不錯，實際自由現金流卻可能長期承壓。AI基建不是輕資產平台，設備更新快、晶片折舊快、電力成本高、租約和債務負擔重。若只看EBITDA，不看資本開支和折舊周期，便可能高估企業真正可分配現金。

所以，對AI基建公司而言，EBITDA必須與資本開支強度一起看。投資者要問的不是「EBITDA是否為正」，而是「每一美元EBITDA背後要投入多少GPU和電力」、「合約年期能否覆蓋設備折舊」、「客戶承諾是否足以支持融資成本」、「當新一代晶片推出後，舊算力是否仍有需求」。AI雲服務商最怕的不是沒有收入，而是收入追不上折舊；最怕的也不是沒有客戶，而是客戶合約短、設備周期長，最後把技術進步變成資產減值。

三把尺，量不同位置的AI公司

至於算力產出，是AI時代最有意思、也最危險的估值方法。傳統製造業看每條產線產量，能源公司看每桶油、每度電，電訊公司看每GB流量；AI公司則可以看每張GPU、每兆瓦電力、每美元算力成本能產生多少token、多少推理請求、多少企業收入和多少毛利。這套方法的優點，是把AI從抽象故事拉回生產效率。算力不是信仰，而是一種生產資料；模型、調度、壓縮、推理優化和客戶定價，決定同一批GPU能否產出更多收入。

但算力產出也不能單獨使用。因為AI輸出的價值不是token數量，而是解決問題的能力。低價生成大量token，若不能轉化為企業效率、用戶付費或工作流程替代，產出再多也只是數據噪音。真正有效的算力估值，應該看「有效算力收入」：每單位GPU小時帶來多少可持續收入，每百萬token帶來多少毛利，每兆瓦容量支持多少企業合約，以及算力利用率在高峰與低谷之間是否穩定。這比單純比較模型參數、GPU數量或數據中心規模更有意義。

因此，AI估值不應在收入倍數、EBITDA與算力產出之間三選一，而應視公司位置分層使用。模型及應用公司，初期可用收入倍數，但必須扣問毛利率與留存；成熟軟件及平台公司，可逐步回到EBITDA和自由現金流；AI雲、數據中心和算力租賃公司，則必須加入算力產出、利用率、合約積壓、折舊和電力成本。越接近基建，越要看資產效率；越接近應用，越要看客戶價值；越接近模型，越要看研發效率與生態黏性。

(芯片與算力系列之62)

$英偉達 (NVDA.US)$ $Meta Platforms (META.US)$ $谷歌-C (GOOG.US)$ $騰訊控股 (00700.HK)$ $阿里巴巴-W (09988.HK)$ $亞馬遜 (AMZN.US)$

瀏覽 45.8萬