BTC $63,230.31 -2.79%
ETH $1,764.09 -3.03%
BNB $584.22 -1.43%
XRP $0.9807 +0.86%
SOL $73.64 -0.26%
TRX $0.3091 +0.43%
DOGE $0.0589 -0.88%
ADA $0.1523 -1.91%
BCH $206.77 -2.59%
LINK $9.05 -2.87%
HYPE $66.61 -4.22%
AAVE $109.05 -3.95%
SUI $0.7175 -2.56%
XLM $0.1399 -0.02%
ZEC $925.87 -2.82%
AAPL $354.25 +0.12%
AMZN $262.08 +1.23%
GOOGL $282.55 +0.21%
MSFT $502.50 -2.01%
META $615.22 -1.12%
NVDA $154.60 -0.82%
TSLA $382.23 -0.09%
SNDK $764.00 -5.49%
INTC $53.80 -1.28%
SPCX $142.36 +1.25%
MU $698.63 -2.01%
AMD $500.01 -0.72%
BTC $63,230.31 -2.79%
ETH $1,764.09 -3.03%
BNB $584.22 -1.43%
XRP $0.9807 +0.86%
SOL $73.64 -0.26%
TRX $0.3091 +0.43%
DOGE $0.0589 -0.88%
ADA $0.1523 -1.91%
BCH $206.77 -2.59%
LINK $9.05 -2.87%
HYPE $66.61 -4.22%
AAVE $109.05 -3.95%
SUI $0.7175 -2.56%
XLM $0.1399 -0.02%
ZEC $925.87 -2.82%
AAPL $354.25 +0.12%
AMZN $262.08 +1.23%
GOOGL $282.55 +0.21%
MSFT $502.50 -2.01%
META $615.22 -1.12%
NVDA $154.60 -0.82%
TSLA $382.23 -0.09%
SNDK $764.00 -5.49%
INTC $53.80 -1.28%
SPCX $142.36 +1.25%
MU $698.63 -2.01%
AMD $500.01 -0.72%

我們該不該給 Anthropic 14000 億美元?

核心觀點
Summary: AI 的確挖到了金子。但當晶片、電力、數據中心、研發投入和融資成本全部結算之後,挖金子的人究竟還能留下多少?
騰訊科技
2026-11-18 22:08:12
AI 的確挖到了金子。但當晶片、電力、數據中心、研發投入和融資成本全部結算之後,挖金子的人究竟還能留下多少?

作者:胡泳,北大新聞與傳播學院教授

編輯:蘇揚,騰訊科技

人工智慧產業正迎來一個具有標誌性意義的時刻。

2026年11月,成立僅五年多的Anthropic啟動首次公開募股 (IPO),試圖以超過萬億美元的估值進入資本市場。

根據招股書提供的信息,Anthropic IPO 完成後的基本流通總股本約為130.7億股,按70至78美元的發行價區間算,對應基礎市值約9160億至1.02萬億美元。如果把員工期權等約49.2億股潛在股份合併計入,對應完全攤薄估值約為1.26萬億至1.4萬億美元。

一家以大語言模型為核心產品的公司,在如此短的時間內獲得如此龐大的市場估值,本身就是技術產業史上罕見的現象。

然而,Anthropic的上市不僅意味著資本市場對人工智慧前景的認可,也意味著一個長期被技術突破與融資熱潮掩蓋的問題,終於必須接受公開檢驗:人工智慧已經創造了巨大的市場需求,但它究竟能否創造與其估值相匹配的利潤?

我們希望通過這篇文章,探討幾個話題:

  1. 700億美元年化收入、調整後41億美元的經營利潤與1040億美元的淨虧損,同時出現在招股書,判斷商業模式的依據是什麼?

  2. 模型每一次推理都要消耗算力,最活躍的用戶未必貢獻最多的收入。

  3. 模型公司以能源、電信和基礎設施的方式組織資本,估值邏輯也就從"模型有多強",轉向資本成本、投資回報週期與資本回報率。

  4. 掌握用戶關係、工作流和生態的公司,可能比模型公司更容易把智能變成收入。

  5. 現在都認同用"把工作做完"為智能定價,但任務失敗、出錯造成的經濟損失由誰承擔還沒有共識。

  6. 人工智慧創造的價值,並不必然等於模型開發商的收入和利潤。

  7. 把晶片、電力、研發和融資成本等結算之後,"挖金子"的人還能留下多少,是Anthropic上市真正要檢驗的事。

01 700 億 vs 13 億:收入奇蹟與利潤疑問

在此前的人工智慧淘金熱中,最確定的贏家似乎一直是那些出售"鏟子"的企業。英偉達提供GPU,台積電承擔先進晶片製造,雲計算公司建設數據中心,電力和能源企業則為日益龐大的計算設施提供基礎條件。

無論哪一家大模型公司最終勝出,這些基礎設施供應商都可以從整個產業的擴張中獲益。

相比之下,OpenAI和Anthropic等直接開發大模型的企業雖然獲得了驚人的用戶增長與收入增長,卻始終面臨一個更為複雜的經濟學問題:開發智能的成本、出售智能的價格,以及維持技術領先所需的資本投入,究竟能否形成一個可持續的商業循環?

Anthropic的招股書為認識這一問題提供了重要依據。

根據2026年11月更新的上市文件,公司2025年收入約45.85億美元,2026年前九個月收入已達到332.42億美元,僅第三季度就實現約170億美元收入。這意味著其僅僅一個季度的收入,就已經超越了整個上半年的總和。如果將第三季度的單季收入簡單年化,Anthropic的收入運行率(run-rate)已接近680億至700億美元。

這種增長速度遠遠超過傳統軟體產業的發展節奏,說明生成式人工智慧已經不再是一項主要依靠資本補貼維持用戶規模的實驗性技術,而是 正在形成具有實際支付能力的商業市場。

尤其值得注意的是,Anthropic的收入主要來自企業客戶及按智能使用量計費的服務,而非單純依賴個人消費者的固定月費。這表明大模型商業化的重心正在從出售聊天工具的使用權,轉向出售能夠參與生產活動的智能能力。

大模型不僅挖到了金子,而且 挖掘量以噸計。然而,收入的爆炸式增長並沒有自動消除盈利問題。

Anthropic在2026年前九個月的算力與基礎設施支出達到約188億美元,占其332.42億美元總營收的約57%。

經營層面仍然出現虧損,前九個月的GAAP(美國通用會計準則)經營虧損約為12.6億至13億美元。 前九個月淨虧損高達1040億美元,但其中相當大一部分來自可轉換融資工具及相關負債的公允價值重估,並非日常經營的現金失血。與此同時,公司披露的調整後經營利潤已經轉正 至約41億美元(調整後經營利潤率約12%),收入相對於算力成本的效率也顯著改善。

因此,如果僅憑巨額淨虧損斷言Anthropic的商業模式無法成立,顯然過於簡單;但如果僅憑調整後經營利潤轉正就認定大模型已經解決盈利難題,同樣缺乏充分依據。

關鍵在於,企業在承擔持續的研發投入、算力採購、基礎設施建設及融資成本之後,能否長期產生足夠的自由現金流 (FCF)。

越來越多的公司開始強調人工智慧帶來的可量化生產率提升,包括加快工作流程、自動化處理常規任務、擴大服務能力,以及改善成本控制。顯然,人工智慧需求強勁,然而華爾街正在對滿足這種需求所需付出的成本失去耐心。

最鮮明的例子就是Meta。該公司的第三季度財報顯示,儘管人工智慧推動了Meta廣告收入增長達26%,但公司的季度自由現金流卻轉為負值,這是十多年来首次出現現金淨流出的情況。與此同時,Meta還上調了資本支出預期,以支持其激進的人工智慧基礎設施擴張計劃。

整個華爾街對AI基建投資回報率(ROI)的焦慮瞬間放大。

過去兩年,市場只要聽到"AI能力提升、用戶黏性增加"就會給予盲目的溢價;而到了當前階段,當資本支出向著全行業數千億美元甚至向著萬億規模逼近時,華爾街開始像精算師一樣盤算:這些算力投入究竟什麼時候能轉化成實打淨增的自由現金流 ?

如果投資回報週期被拉得太長,或者AI帶來的收入增量無法對沖每年數百億美元的折舊與電費帳單,市場就會施加估值懲罰。

根據市場研究機構Gartner的預測,如果企業繼續維持目前的支出速度,到2030年年底,超過3.5萬億美元的人工智慧基礎設施投資可能面臨資產減值風險。預計人工智慧服務提供商2026年將在人工智慧基礎設施上投入近1萬億美元,並在2027年至2030年間再投入6萬億美元。

Gartner指出,在此期間,企業客戶和消費者帶來的人工智慧收入,可能不足以支持這些投資實現盈利性回報。

02 規模不經濟

巨大的供需與財務錯配揭示了大模型與傳統軟體產業之間的根本區別。

過去幾十年,軟體即服務(SaaS)之所以成為資本市場青睞的商業模式,關鍵在於軟體開發完成之後,向更多用戶提供服務的邊際成本相對較低。隨著客戶規模擴大,企業通常能夠通過規模效應不斷提高利潤率。但大模型並不完全遵循這一邏輯。

模型每一次模型推理、代碼生成、長文本分析以及智能代理執行任務,都需要消耗實際的計算資源。尤其當人工智慧從回答問題發展為自主完成複雜工作時,一項任務可能需要反覆調用模型、檢索外部信息、執行程序並驗證結果,成本隨之增加。對於提供固定月費訂閱的企業而言,最活躍的用戶未必是利潤貢獻最高的用戶,反而可能是算力消耗最大的用戶。

這也就是為什麼各大模型廠商不得不通過上下文長度限制、調用次數上限或分層計費來"篩選用戶"的原因。

在重度用戶有可能從"資產"變"包袱"的情況下,判斷一家大模型企業的商業模式是否成熟,不能只看付費用戶數量、訂閱收入增長或用戶活躍度,還必須觀察不同用戶群體的單位經濟效益:每位用戶貢獻多少收入,消耗多少推理資源,使用強度增加後利潤率如何變化,以及企業能否通過更合理的定價和技術優化改善這種關係。

大模型並非注定無法形成規模經濟。模型壓縮、推理優化、晶片升級、快取技術以及不同模型之間的任務分配,都能夠持續降低單位計算成本。Anthropic披露的經營效率改善,也說明技術進步可以改變成本結構。

然而,人工智慧還面臨一種特殊的需求擴張機制:當智能服務變得更便宜、更強大時,用戶可能不只是以更低成本完成原有任務,而是開始要求機器承擔更多過去無法完成的工作。

經濟學中的傑文斯悖論在這裡提供了一個有啟發性的參照:資源利用效率提高,並不必然減少資源消耗總量,反而可能刺激需求增長。對於大模型企業而言,單位推理成本下降,未必意味著整體算力支出下降。更便宜的智能可能帶來更廣泛的應用,也可能帶來更龐大的計算需求。

Anthropic招股書中關於未來算力採購承諾的披露,就凸顯了這一矛盾。公司已簽訂及披露的長期算力與基礎設施安排,總規模接近9000億美元,其中相當大一部分預計在2030年前發生。

這些數字並不意味著Anthropic已經支付了相應金額,也不能簡單視為當前債務,但它們反映出一個重要變化:前沿人工智慧企業正在從傳統意義上的輕資產軟體公司,轉變為高度依賴晶片製造、電網容量、數據中心和長期資本融資的重資產技術企業。大模型公司雖然仍在押注算法創新和研究人才,但它們越來越受到物理基礎設施供給的制約。

如果一家企業必須持續投入數千億美元才能保持技術領先,那麼即使其收入增長令人驚嘆,也不能保證其資本回報率足以支撐現有估值。

人工智慧正在呈現一種特殊的產業形態:它以軟體產業的速度創造收入,卻可能需要以能源、電信和工業基礎設施產業的方式組織資本。投資者以往只要關注哪家公司擁有最先進的模型、最多的用戶和最快的收入增長即可;但在未來,資本成本、算力採購價格、基礎設施利用率以及投資回收週期,可能同樣決定企業的長期競爭力。

03 模型商品化的幾種可能性

與Anthropic相比,OpenAI的商業布局更加廣泛,既試圖成為個人用戶的通用智能助手,也試圖成為企業和開發者使用人工智能的基礎平台。但OpenAI也面臨著類似的矛盾。

儘管 OpenAI的年化收入(ARR)和單季營收已達到百億美元級別,但多份公開財務披露與行業預測均指出,受制於下一代前沿模型的天價訓練成本、巨額推理支出以及千億級的算力租賃協議,其近年的累計經營虧損與未來幾年的預期現金流缺口依然高達數百億乃至上千億美元。

所以,能否吸引用戶不是關鍵,最大挑戰在於如何將廣泛的使用需求轉化為足以覆蓋持續資本投入的收入。

Meta則展示了另一條道路。

與OpenAI和Anthropic不同,Meta並不主要依靠出售大模型獲得收入,而是將人工智能嵌入已有的廣告、推薦和社交平台體系。模型能力的提升可以改善內容分發、廣告匹配和行銷自動化效率,從而直接增強其成熟業務的盈利能力。

對於Meta而言,人工智能首先是一種提高既有商業系統效率的技術,而不一定是一項需要獨立收費的新產品。這種模式具有明顯優勢:它能夠利用現成的客戶關係、用戶規模和廣告交易體系實現變現,而不必完全依賴消費者為智能服務建立新的支付習慣。

不過,Meta同樣面臨數據中心投資不斷擴張的問題,巨額資本支出正在對自由現金流形成壓力。這說明,擁有成熟商業模式並不能消除人工智能的資本密集特徵,只是為承擔這些成本提供了更穩定的收入基礎。

Meta的案例還揭示了大模型商業化中一個更深層的矛盾:模型創造的經濟價值,並不一定由模型提供商直接獲得。

當人工智能越來越廣泛地嵌入各類產品和服務時,掌握用戶關係、應用場景和商業渠道的企業,可能比單純提供模型能力的企業更容易實現價值變現。這也使基礎模型是否會逐漸商品化,成為理解大模型企業盈利前景的關鍵問題。

如果不同企業開發的模型在性能、可靠性和使用體驗上逐漸接近,客戶就會越來越關注價格與服務成本。模型提供商即使持續取得技術進步,也可能因競爭而難以長期維持高額利潤。

技術能力的擴散有利於消費者,卻不一定有利於最初的技術開發者。歷史上,許多重要技術最終都成為廣泛使用的基礎設施,但技術本身的普及並不保證其發明者獲得最大的經濟收益。

不過,模型商品化並不意味著所有人工智能服務都會商品化。

企業真正購買的往往不是一個能夠回答問題的模型,而是一套能夠理解內部業務、調用專有數據、執行複雜流程並滿足安全與合規要求的智能系統。當人工智能深度進入企業的財務、研發、法律和客戶服務流程時,更換供應商就不再只是更換一個聊天界面,而可能涉及數據遷移、系統整合、風險控制和組織培訓。

因此,未來更牢固的商業護城河可能不在模型參數本身,而在模型與企業工作流程的結合,以及由此形成的開發者網絡、數據環境和服務生態。

以此觀之,Anthropic和OpenAI也並不一定永遠停留在基礎模型供應商的位置。它們也在開發面向消費者和企業的完整服務,試圖通過產品體驗、工作流程和客戶關係建立差異化優勢。

無論是Anthropic通過Claude Managed Agents降低企業部署智能體的門檻、借助Claude Code深入軟體開發流程,還是OpenAI推動人工智能融入企業的日常運營,兩家公司都在探索同一個方向:從提供模型能力和對話工具,轉向提供能夠嵌入業務流程、持續執行任務的智能服務。

與此同時,智能代理的發展還可能進一步改變人工智能的定價邏輯。傳統訂閱模式出售的是一定時期內的軟體使用權,按token計費出售的是計算資源消耗,而智能代理實際上可能出售的是某項工作的完成能力。

如果一個AI系統能夠獨立完成法律文件審查、軟體測試或企業財務分析,那麼客戶真正關心的未必是它消耗了多少token,而是任務是否完成、結果是否可靠,以及由此節省了多少成本。

按照任務、工作量甚至實際成果收費,可能成為未來商業模式的重要組成部分。但這種模式也將帶來新的責任問題:當人工智能沒有完成任務,或者其錯誤造成經濟損失時,費用和風險應當由誰承擔?智能服務越接近真實勞動,其商業模式就越難完全沿用傳統軟體產業的規則。

04 誰能留下挖到的金子?

從更宏觀的角度看,人工智能產業正在經歷一次價值分配結構的重組。

早期最明顯的受益者是晶片、製造和基礎設施供應商,因為整個行業的擴張都會轉化為對計算資源的需求。但隨著模型能力擴散,利潤可能逐漸向能夠控制企業工作流程、用戶入口和應用生態的公司轉移。

如果算力長期稀缺,基礎設施供應商仍將擁有較強的議價能力;如果模型供給趨於充分,應用企業就可能獲得更大的價值分配空間;如果少數平台能夠將模型、數據、支付和工作流程整合起來,它們又可能形成新的平台經濟。

未來究竟由誰獲得最大利潤,取決於產業鏈中哪一個環節能夠形成持續的稀缺性。

歷史上,微軟的長期競爭優勢並不只來自Windows操作系統的授權收入,更來自圍繞操作系統形成的開發者生態、軟體相容性和企業客戶網絡;谷歌也並非通過向用戶收取搜尋費用建立商業帝國,而是將搜尋形成的用戶入口與商業需求轉化為廣告收入。

今天的Anthropic和OpenAI同樣面臨一個重要選擇:基礎模型究竟只是需要不斷投入巨額資本維持領先的技術產品,還是能夠成為連接開發者、企業客戶和應用生態的平台基礎?

如果它們能夠在模型之上建立穩定的開發者網絡、深度整合的企業工作流程和難以輕易替代的服務體系,就可能獲得超越模型性能本身的競爭優勢與定價能力。但這種平台化轉型能否產生足以覆蓋持續算力投入的利潤,仍有待長期經營業績的檢驗。

根據Anthropic最近提交的監管文件,這是該公司即將進行的首次公開募股(IPO)在最理想情況下可能達到的規模:1.4萬億美元估值(攤薄後),900億美元募資。

這一雄心勃勃的IPO,實際上是投資者對人工智能行業的一次公投。 它 為 更廣泛的 投資者提供了一個機會 ------ 他們可以選擇支持 公司繼續燒錢 ,也可以選擇迴避這家有望成為人工智能行業重要風向標的公司 ,並拒絕給1.4萬億美元這樣歷史性的高估值。

不論如何,Anthropic的IPO申報文件揭示了一個不容忽視的問題:為了維持收入增長,公司必須承擔不斷攀升的計算成本。這顯然使得說服投資者變得更加困難。如果一家備受追捧的人工智能明星企業,在上市後持續表現不佳,市場還能否承受?這需要時間來驗證。

有一個問題很容易被人忽視:人工智能創造的經濟價值,並不一定能夠轉化為模型開發商的收入和利潤。

企業利用人工智能提高生產率,節約的成本可能留在使用者手中;消費者通過免費或低價智能服務獲得的便利,則可能表現為消費者剩餘,而非模型供應商的收入。即使人工智能最終顯著提高整個社會的生產率,模型開發商也未必能夠按照其創造的價值獲得相應的經濟回報。

技術的社會價值與開發者的財務收益之間,並不存在必然的對應關係。

AI 的確 挖到了金子。但當晶片、電力、數據中心、研發投入和融資成本全部結算之後,挖金子的人究竟還能留下多少?這才是大模型商業模式尚未回答的核心問題。

Anthropic的上市並非這個問題的終結,而是令問題進入了一個更加嚴格的階段。此前,市場可以根據技術突破、用戶增長和融資估值想像未來;上市之後,企業必須不斷通過收入、利潤、現金流和資本回報證明自己的商業價值。

模型是否更聰明當然重要,但更重要的是,企業是否能夠以經濟上可持續的方式生產、分配和出售智能。

warnning 風險提示
app_icon
ChainCatcher 與創新者共建Web3世界