2025年从海外看国内，基于产业链视角的AI估值体系和逻辑

一、AI 浪潮复盘：从“概念”到“盈利”的三阶段

2022 年普遍视为全球人工智能产业的“元年”，全球 AI 浪潮在短短三年间呈现出指数级加速的轨迹：从最初的技术突 破与资本驱动，到大模型的集中爆发，再到应用层面大规模落地。AI 不再只是科技叙事的关键词，而是重塑企业商 业模式、投资逻辑与资本市场定价体系的力量，标志着 AI 行业从“探索试验期”迈向“产业化兑现期”，为全球科技股 票估值逻辑提供了全新的框架。 对于投资者而言，AI 产业的逻辑归根结底要回答一个问题：资本市场是在赚什么钱？在 AI 应用逐步从“概念”向“盈利” 过渡的不同阶段，企业估值和股票估价的逻辑并不一致。在早期阶段，投资者依靠叙事与稀缺性赚取“估值的钱（beta）”； 在产品逐步验证期，则依靠可观测的用户转化率与商业模式验证赚取“成长的钱”；而在盈利兑现阶段，企业的自由现 金流、毛利率改善与持续分红才成为驱动 PE 重估的核心。这一转变不仅影响股价波动，更决定了研究框架的重心—— 从估值溢价转向盈利质量，从对技术的预期转向对财务数据的跟踪。 从全球产业布局节奏来看，美国 AI 企业的算力突破和新大模型发布的节奏略快于国内市场，这为我们对标国外 AI 龙 头企业反向锚定中国市场 AI 企业估值提供了清晰的逻辑。基于上述背景，本文将围绕三大核心议题展开：第一部分， 复盘 2022 年至今海外 AI 龙头公司如何真正完成“从概念到盈利”的三阶段转化，并在资本市场实现估值与盈利逻辑的 切换。第二部分，从 AI 产业链视角解析盈利模式出发，从算力基础设施、大模型平台，到 AI 应用层，分别有哪些可 行的商业化路径与估值锚点。第三部分，结合美国科技公司已走通的路径，对照中国市场的对标企业，探讨中国 AI 龙头如何复制或差异化走通盈利兑现之路，并据此提出适用于中国公司的股票估值框架。

1、 估值驱动（2022Q4-2023Q2），AI 从学术研究走向融资估值

2022 年底至 2023 年上半年，AI 话题在资本市场由“想象”迅速被价格化：以 ChatGPT 的指数型用户增长为催化 剂，AI 指数与相关标的出现大规模重估，风险资本也在这一窗口期迅速回流，AI 初创与相关基础设施公司获得大量 增量资金。资本对“未来现金流可见性”的风险溢价在短时间内被大幅压缩——市场把尚处于原型/试验阶段的技术能 力折算为高倍的 PS/成长估值，从而推动整条产业链的估值重排。 如果从发展图谱回溯，可以发现人工智能的演进经历了一个典型的“科研范式—应用事件—资本叙事”路径。最初阶段 （2000s–2010s），学术界的突破点集中在深度学习算法和计算力的持续演进，学界在自然语言处理（NLP）、语音 识别等任务上形成关键里程碑。这一阶段的价值更多停留在科研论文引用与实验室影响力，资本市场对其商业化路径 尚无清晰定价。 ChatGPT 的横空出世则把这种想象真正价格化，它以爆发式的活跃用户增长（2 个月内超 1 亿活跃用户，史上增长 最快的互联网应用之一）提供了极具说服力的商业信号。另一方面，OpenAI 与微软绑定、开放 API/订阅计费模式， 使得市场第一次能够将科研成果映射为可见的现金流模型。这一刻，资本市场的叙事从“技术可能改变未来”切换为“技 术即将创造收入”，从而触发了大规模的估值重估。也正因如此，我们看到 AI 从学术领域到大模型产品的演进，不仅 是一条技术路径，更是一条投资叙事路径：科研突破→应用事件催化→估值提前兑现。

2022 年 11 月 ChatGPT 的公测与随后的用户裂变标志着 AI 从“学术与工程突破”向“可感知的产品能力”发生了根本性 跃迁。资本市场对此的直接反应是——把此前难以量化的“能力预期”以高倍估值提前定价。短短几个月里，我们看到 两类明显的资本行为：一是私有市场价信号与二级流动性事件，根据 Rothschild & Co 于 2024 年 10 月发布的《Growth Equity Update | Edition 30》报告，OpenAI 在 2023 年 4 月进行了一轮 300 百万美元的融资，估值约为 29 亿美元， 为员工与早期投资者提供了流动性并把私募估值信号扩散到更广泛的市场。二是战略化的企业级大额出资，微软在 2023 年初宣布对 OpenAI 进一步的多亿美元投入，并将其能力嵌入 Bing/Office 生态，这些资本动作把“能力→计费” 这一商业路径从理论变为可想象的兑现路线。 据《金融时报》分析，2023 年大型科技公司获得了新兴 AI 公司筹集的 270 亿美元中的三分之二。这些投资打破了 AI 行业在 2021 年筹集的 110 亿美元记录，而且这些投资还不包括成熟科技公司为开发自己的产品和服务而投入的资 本和资源。在估值驱动期（2022Q4–2023Q2），美国生成式 AI 赛道出现了少见的“强信号密集释放+资本快速定价” 的组合：单笔融资体量、参与投资者能级与估值抬升速度同时创出新高，叙事从“技术想象”迅速切换为“可被定价的 商业预期”。

2023 年在人工智能初创公司投资金额最大的五家科技公司是亚马逊、谷歌、微软、英伟达和 Salesforce。他们分别 参投了包括 OpenAI 在内的大量早期 AI 初创公司。在估值驱动期 AI 初创公司估值定价的锚点来自两类事件：一是平 台型公司与基础模型公司的战略资本绑定（巨头资金、与算力分发协同进入），二是用户与产品里程碑（ChatGPT 破圈带动的 B 端与 C 端双轮验证）。在 6 个季度不到的时间里，头部项目就在二级与一级之间形成“估值回路”：二级 市场巨头宣布绑定，后续一级市场 AI 公司估值跃升，随后更多机构跟进投资。其间，OpenAI 在 2023 年 1 月被曝进 行员工期权收购要约、二级估值约290亿美元；同月微软宣布进一步的数十亿美元级长期投资；到2023年4月，OpenAI 又完成一笔 3 亿美元规模的股份出售、估值区间 270–290 亿美元，确立了 AI 大模型领域的核心资产地位，为整个板 块提供了明确的可比锚与折现框架。这勾勒了估值驱动期 AI 企业估值逻辑的关键内核：信息不对称被强事件纠偏， 市场愿意为“可能的高黏性现金流”提前支付溢价。

资本以这种方式提前“贴现未来现金流”的逻辑，在当期体现为极高的估值倍数，并促成了 2023 年上半年对 AI 基础模 型与应用公司的大额融资潮或追加注资。该阶段的本质可归纳为：不对称信息被事件、渠道与用户增长的强信号部分 纠正，市场因此愿意为未来可能实现的现金流提前支付高价。本阶段的关键是把“故事”拆成可跟踪的验证项：私募/ 二级估值提供了“市场愿意买单”的证据，但要把估值转成可持续股价与投资回报，必须在后续的产品验证期系统化跟 踪，若这些可观测 KPI 在 2023Q3–2024Q2 得到证实，早期估值将被盈利与现金流支撑。

2、 产品验证（2023Q3-2024Q2），AI 从故事转化为商业 KPI

估值驱动期的本质是不对称信息被强信号（融资事件、新产品更新）部分纠正，从而使市场愿意为未来可能的现金流 提前定价。作为投资的下一步，我们需要把“故事”转化为可验证的商业化 KPI（付费转化、推理成本/K token、企业 合同规模），以判断估值溢价能否在后续的产品验证与盈利兑现阶段被证实或回撤。本节将把焦点转向这些可验证指 标，并对 2023Q3–2024Q2 的产品验证证据展开重点公司的追踪复盘。 在 2023Q3 至 2024Q2 的产品验证窗口期，全球头部大模型提供者进入了由“单次里程碑式发布”向“产品化迭代—能力 族系（model family）—工程化交付”转变的节奏。时间线上我们观察到几个清晰的规律：首先，大厂从“单一巨型模 型发布”转向“系列化、用途分层的模型家族”——例如 Google 在 2023 年 12 月正式对外推出 Gemini 系列（GeminiUltra/Pro/Flash/Nano），并在产品文档中把不同型号定位为在速度、成本与推理能力之间取舍的系列化产品，以便覆 盖从低延迟、移动端到高能力、云端的不同商业场景。这种家族化策略降低了能力无法部署的风险，使得企业客户能 按需选型，从而把潜在 AI 大模型市场规模更快地转化为可计费的产品线。

其次，厂商在技术更新上主要集中于六个可直接联系到商业化 KPI 的层面：（1）对齐与安全，以提高企业级可用性 并降低合规、法律风险；（2）检索增强与知识连接，把模型与客户私有数据、知识库连接以实现可解释的、企业可接 受的回答，从而直接提升付费意愿与 ARR；（3）蒸馏与量化及低延迟推理优化，降低 $/1k token 的推理成本并提升 吞吐率，使得大模型能以企业级 SaaS、实时 API 价格出售；（4）多模态能力与大上下文，以扩大产品的功能边界， 提升用户时长与 ARPU；（5）工具与插件生态（外部工具调用、插件平台、Chains/Agents），把模型能力嵌入到现有 工作流或 SaaS 产品以实现低摩擦的变现通路；（6）模型族系化和成本分层，使客户可以在成本、能力之间作出商业 权衡，促进企业从试用走向付费订阅。上述六项改进是该阶段的主旋律，厂商在公告与模型卡、产品说明中不断把这 些技术改进与“可商业化的单位经济”直接挂钩。

归纳上述观察，我们可以提炼出产品验证期的三条投资结论：第一，版本家族化＋成本分层是公司从试验向商业化过 渡的必要条件——家族化让客户先以低成本试用，再升级到高能力付费版本，便于把月活跃用户数转化为稳定可持续 付费用户规模。第二，检索增强与工具、插件生态是对企业市场打开支付意愿的关键技术路径，因为它把模型回答与 客户私有数据/工作流连接，提高可解释性并降低误用风险。第三，蒸馏/量化与工程化推理优化直接决定了单位经济 （$/1k token），这是估值从“故事”切换到“现金流”最直接也最可量化的中间变量。

3、 盈利兑现（2024Q3-至今），AI 从烧钱训练走向盈利

在 2024Q3 至今的盈利兑现阶段，企业估值和盈利逻辑发生变化，从商业故事走向实际盈利，投资判断必须从“想象” 回到“现金流”。总体上看，AI 大模型行业在 2024 年以后面临的基本经济事实是双重的：一方面，模型能力的提升和 多模态、超长上下文等功能扩展不断拓宽可收费场景与单次请求付费上限。另一方面，训练与推理的实际成本（算力、 能耗、数据标注与工程投入）仍然高且具有路径依赖性，成为能否把高估值转化为持续利润的首要约束。这一阶段的 关键问题：谁能以较低的边际算力成本提供等同或接近的模型能力，并把“长上下文/多模态”这种高价值功能以可计 费的方式稳定变现 首先，从训练成本与计算量的角度拆解。训练一个 AI 大模型的总成本由几部分构成：上游算力（GPU/TPU 的租赁 或自建成本）、数据采购与清洗成本（包括第三方授权与人工标注）、工程与研究人员人工成本、存储、带宽与 MLOps 训练调优（包括超参搜索、微调与 RLHF）以及安全、合规和测试成本（包括对齐训练与红队测试）。 根据 Epoch AI 最新研究显示已有 30 多个模型达到或超过 GPT-4 级别的训练阈值，这意味着行业门槛与成本密集度 都处于高位。训练成本的这种高度集中性决定了研发端主要玩家（OpenAI、Google、Microsoft 等）能够形成规模化 先发优势。并且随着大模型训练参数不断堆叠累加，全球大模型的计算量也成指数型增长。

在产品化层面，企业实际的每次请求盈利由两端决定：收入端（token 输入/输出的计费、订阅、企业合同定价、上下 文或接口服务的增值费）与成本端（每 1k token 的推理成本、长期上下文存储成本、插件和工具调用的额外计算）。 因此此阶段厂商可以通过分层定价、提升上下文长度进行毛利率的改善。 以下为 2025 年 8 月最新的全球主流 AI 大模型 Token 定价情况，按照价格从高到低排序可以发现较为鲜明的定价机 制，这部分数据是估值盈利兑现（2024Q3-至今）第三阶段的核心抓手，因为它直接反映了厂商的盈利模式、竞争策 略以及边际成本与溢价能力。观察这部分数据可以发现以下规律，第一，价格水平展现出明显的分层策略，不同厂商 在 高端模型（旗舰，如 GPT-4.1、Gemini 1.5 Pro、Claude 3.5 Opus）与低端模型（轻量版，如 GPT-4.1 mini、 Gemini Flash、Llama3 小规模推理 API）的 token 存在明显的定价差距。高端价格决定企业在高价值场景（长上下 文、多模态、复杂推理）中的 ARPU 上限；低端价格决定厂商能否覆盖大规模开发者群体、抢占 API 市场份额。 价格分层的陡峭程度体现出企业在“毛利优先 vs. 份额优先”之间的取舍。 第二，大多数厂商对输入 token 与输出 token 的收费不同，往往输出更贵。这反映了推理中实际计算负担的差异，也 体现了厂商对“价值创造环节”的定价权。若厂商在输入端过低定价，输出端拉高溢价，说明其商业模式是鼓励开发者“大 量输入→尽量精简输出”。一些中国模型（如文心、智谱、百川）在输入与输出价格差距更小，反映出更激进的“价格 战”思路，而美国厂商依旧保持明显的两级定价以保毛利。

美国厂商（OpenAI、Google、Anthropic）价格普遍高出中方同类 30%–80%，背后逻辑是算力成本居高（NVIDIA H100/GB200 租赁成本、北美能源/数据中心成本），同时有更强的议价能力（早期市场份额与 API 标准地位）。中国 厂商（百度、智谱、商汤、百川）价格普遍低廉，尤其在轻量模型与企业 API 合约端，策略是以价格换取开发者心智和使用规模，更多承担市场教育功能。但因上游 GPU 受限与自研算力未完全成熟，低价可能意味着短期利润受压， 长期依赖规模效应和国产算力优化才能摊薄成本。美国厂商更像“高毛利 SaaS”，中国厂商更像“规模优先的互联网 公司”。在估值逻辑上，美国厂商要验证利润兑现能力，中国厂商要验证规模化增长与算力替代的可持续性。

二、从产业链视角解析 AI 公司全景图，商业化路径与估值锚点

在把握 AI 投资机会时，从产业链视角切入是把谁能收割价值、谁承受成本、谁承担技术和政策风险这三类决定性因 素结构化为可量化的估值假设与监督指标的必备方法。AI 不是单一产品线，而是由算力、数据、平台与前端应用三 类因子耦合形成的系统性产业——任何一端的瓶颈或优势都会直接改变另一端的单位经济与红利分配。 举例来说，上游（芯片与加速器）决定了训练与推理的边际成本曲线，中游（云/数据中心）决定了供给侧的可得性、 定价与长期合同化能力，下游（应用/平台）则决定了能否将 token 使用或能力变现为可预测的自由现金流。因而， 若只看模型能力或用户粘性而忽视上游的供给稀缺、或中游的长期合同结构，投资判断就会把无法摊销的前期资本支 出和高边际运行成本遗漏在估值模型之外。按照上游/中游/下游三段式划分，投研在估值与商业化路径上应关注的关 键点各有侧重。

1、 “卖铲人”——算力基础设施

自 2022 年 ChatGPT 引爆生成式 AI 应用浪潮以来，AI 产业链的上游环节——以 GPU、加速器、存储工具为代表的“卖 铲人”企业——成为全球资本市场最直接、最显著的受益者。AI 模型的快速迭代带来算力需求的爆炸式增长，使得数 据中心、云服务商和大模型公司必须持续加码资本开支，从而形成了对 GPU、HBM 存储、互联器件和设计工具的强 需求。这一逻辑直接体现在企业估值体系中——上游公司的估值更多依赖于新增业绩规模的可见性、供给端紧缺程度、 客户生态黏性，并通过财报披露的数据中心收入增速获得市场的溢价。 与中游模型公司和下游应用厂商不同，上游厂商的核心逻辑在于“算力即产能”。上游（卖铲人）是资本市场的“杠杆 与护城河”决定者，提供训练/推理的硬件与关键零部件（GPU/加速器、HBM/内存、互联交换、EDA 工具）。上游 公司的估值锚点在于技术领先（能效 FLOPS/W）、产能与供给合同（长期供货条款）、与云/大型 AI 客户的定制化 合作。拥有自研或独占供给通常能获得估值溢价，因为它们控制了训练/推理成本的底线。

以美国 AI 产业链上游为例，从平台型 GPU 具体公司来看，NVIDIA 在 2024 年 8 月确认了 H100、B200 等 GPU 作为 AI 训练核心基础设施的垄断地位。其 CUDA 软件生态进一步加强了客户黏性，使得新增收入可持续转化为估值溢 价。AMD 的 MI300 系列在 2024 年贡献已达 10 亿美元级别，全年销售预期上修，成为继 NVIDIA 后最具规模化能力 的替代者。其 ROCm 生态逐步完善，确保在未来数年中分得数据中心 AI 投资的份额，产品护城河是 AMD 公司市值 持续稳定上升的关键。 通用与定制芯片厂商方面，龙头代表性公司 Intel 实现了 Gaudi3 与 Xeon 6 平台亮相，强调开放与成本优势，未来公 司的估值取决于能否实现大规模设计盈利。Marvell 在 2024 年中，定制 AI 芯片与光互联业务实现高速增长，数据中 心收入同比接近翻倍，成为“为超大客户定制+光电解决方案”的典型受益者，数据中心的规模和未来持续投入情况是公 司估值稳定的关键。Broadcom 并表 VMware 后推动“AI-native”平台化战略，将 ASIC/交换机与软件平台结合，收入 流的可持续性提升，AI 公司在业务扩张期采取并购重组的形式推行平台化战略，是短期抬升企业估值的重要手段。

2、 “卖水人”——云/数据中心

如果说上游芯片厂商提供了 AI 的“原料”，那么中游的数据中心与云服务商就是把原料转化为可交易商品的关键枢纽。 其核心价值在于结算与分发：一方面，企业和政府客户通过合同租赁算力池或 AI 服务，获得稳定的计算资源；另一 方面，云平台将上游芯片、加速器商品化，打包为可扩展的 to-B 服务。因此，中游企业的估值锚点不在于单一产品， 而在于长期合同的锁定能力、数据中心的规模与利用率、电力与冷却成本控制能力，以及互联生态的广度。随着大模 型训练与推理需求爆发，中游企业成为把算力投资转化为可持续现金流的桥梁，其估值逻辑更接近“基础设施+长期 服务”的复合体。 以美国 AI 产业链的具体代表性公司来看，Microsoft Azure 在 2023–2024 年成为生成式 AI 商业化的最大平台受益者。 与 OpenAI 的深度绑定，使其在大模型训练和推理服务上获得独家优势，直接推动 Azure AI 服务的营收增长。2024 年 中，微软财报明确显示 AI 服务对 Azure 增长的拉动作用。未来估值锚点在于长期大客户合同（企业订阅 + 政府合同） 以及对 OpenAI 技术的独家分发能力。 Oracle 在 2023–2024 年快速崛起，成为 NVIDIA GPU 集群的重要客户与合作方。Oracle Cloud 的差异化在于高性价 比+高密度 GPU 集群，其“按需订阅 + 长期合同”模式受到 AI 初创企业和部分政府机构的欢迎。财报层面，Oracle 云 业务在 2024 年保持高速增长，AI GPU 托管成为主要驱动力。未来阶段，其估值锚点在于高密度 GPU 数据中心的 稼动率，以及能否维持价格/毛利的平衡。

AI 产业链中游为卖水人，云平台和 AI 数据中心是 AI 产业链的变现路径的“结算与分发”枢纽，提供算力池、数据中心资源与互联，把上游算力商品化并提供 to-B 服务。中游公司的估值锚点在于长期客户合同、高密度 AI 的价格和毛利 率、数据中心利用率与电力成本管理、托管以及互联生态。拥有“AI-ready”机房与长期 GPU 配额的云商在估值上更 稳健。云商与数据中心的估值应更重视可预测的长期现金流与单位毛利，同时把数据主权与合规服务作为高端客户溢 价的来源。

3、 “订阅+广告”——AI 大模型应用

AI 产业链下游（订阅 + 广告）是最终能把能力变现为现金流的地方，重点在于把模型能力嵌入应用（消费端订阅、 SaaS 订阅、广告增收）。上一节中 AI 产业链中游公司的估值锚点在于基础设施建设资本投入、企业合同独占性、广 告效果提升带来的企业现金流改善。但本节 AI 产业链下游公司的估值取决于能否把 token 收入变成高毛利、可预测 的经常性收入，以及是否建立了高黏性的生态，形成平台效应和数据闭环。

针对 AI 产业链下游的公司，资本不再以单一厂商为单位做企业估值定价，而是以 AI 大模型代际更新为单位为企业做 重新定价。这导致估值倍数不再线性递减，而是在每一次技术跃迁节点出现“阶梯式重置”。因此，我们将把视角放大 到整个美国 AI 大模型图谱，重点分析美国 AI 大模型应用的产品迭代周期，以及在产品迭代的不同阶段资本市场给予 估值的倍数和定价逻辑。

（1） Chat GPT 的产品发布节奏与资本重估定价

ChatGPT 并非横空出世，而是逐步从实验室里的研究原型成长为全球月活破亿的超级应用。回溯其发展历程，每个 阶段均对应一次模型范式的跃迁、一次商业化场景的拓宽以及一次资本估值的重新定价。 从产品发布周期来看，2018 年到 2020 年 6 月，GPT-1 到 GPT-3 的实现了参数级跃迁，用公开算力成本与学术数据 验证了 AI 大模型的商业可能。对应资本市场，微软 2019 年首轮 10 亿美元战略投资正是在这一实验曲线外推后给出， 谈判条款将算力绑定而非直接估值，使资本与算力同步扩张。但是，此时 ChatGPT 的产品仍属 API 形态，无规模化 收入，却为后续“模型即基础设施”奠定估值锚。 下一个重点的估值转变节点为 2022 年 11 月，免费 ChatGPT 以 2 个月 1 亿月活验证了需求弹性，立即触发新的资 本追加。2023 年 1 月，微软投入 100 亿美元追加，此时 ChatGPT 收入公式从“技术期权”切换为“订阅+API”双轮。随 后 ChatGPT Plus 与企业版快速迭代，每一次功能升级（GPT-4、插件商店、代码解释器）都先拉高 ARPU，再反哺下一轮融资定价，形成“产品放量—收入验证—估值抬升”的闭环。 2024 年 10 月 Thrive 66 亿美元融资将 AI 估值推向 1570 亿美元，此时 ChatGPT 估值的核心变量不再是模型参数， 而是周活 7 亿与 120 亿美元预期收入。资本化由此进入第三阶段：技术红利递减，产品付费率、单位算力成本与竞争 价格战共同决定估值区间。

Google Trends 的曲线精准映射 ChatGPT 的市场情绪。2022 年 11 月产品一经发布，全球搜索指数在一周内从 0 直线蹿升，这一峰值与 OpenAI 宣布月活破亿的节奏完全同步。2023 年 3 月 GPT-4 面世，搜索热度再次冲高，市 场进入“产品落地验证”阶段，正好对应微软 100 亿美元追加投资落地前的估值盘整期。进入 2024 年，搜索曲线于 9 月 GPT-4o 发布时再度抬升，并在 2025 年初伴随 o3-mini 与 GPT-5 传闻稳定在 60 以上，显示大众的深度期待，同 期 Thrive 66 亿美元融资与软银 400 亿美元谈判的曝光，使搜索热度与资本节奏第二次共振。

（2） Gemini 的产品战略和谷歌市值增量

谷歌对 Gemini 的战略布局是全面且深入的，谷歌依托其原有的成熟的软件和云架构，将 Gemini 深度整合至谷歌核 心产品与服务。谷歌计划并将 Gemini 逐步整合到其搜索、广告、Chrome、Workspace（Gmail、文档等）、Android 等几乎所有核心产品和服务中。战略布局上，谷歌与 Gemini 的整合深度和跨设备兼容情况，均是其它 AI 大模型产 品难以超越的。 与 ChatGPT 相似的是，谷歌大模型 Gemini 每一次重大发布均带来可量化的市值增量。Gemini 1.0 面世，谷歌在官 方博客首次打出“原生多模态”旗号，同日股价跳涨 5.3%，市值一夜抬升 900 亿美元；市场用 900 亿的价格增量直接 给 Ultra/Pro/Nano 三档模型定价，为后续版本发布奠定了估值锚。 2024 年2月15日Gemini 1.5将上下文拉到100万token，Gemini 1.5 上线叠加 250 亿美元回购授权，市值再增 700 亿美元，管理层在电话会议明确将“Flash 架构带来的推理成本下降”转为股东回报。回购额度与降价幅度同步放大， 产品降本兑现为资本端的现金流信号。 2025 年 3 月 25 日 Gemini 2.5 Pro 发布当日股价盘中创高，市值突破 2.3 万亿美元。Gemini 每一轮新产品的发布， 均对谷歌公司股价和风投市场估值产生节奏性影响，并且由于谷歌强大成熟的软件生态，Gemini 本身的更新也蕴含 着强大的联动效应，谷歌在产品布局上的更新也伴随着非线性外推的估值逻辑。

（3） Claude 的产品差异化竞争与风投估值阶梯

2021 年，OpenAI 前研究副总裁 Dario Amodei 与政策副总裁 Daniela Amodei 等 6 位核心员工因“安全与商业化路线分歧”离职，在旧金山创立 Anthropic。公司定位为“AI 安全实验室”，提出“Constitutional AI（宪法 AI）”训练框架， 通过显式规则和自我监督降低有害输出。Claude 的商业模式是一套围绕“安全可控溢价”设计的四层递进结构：最底 层为闭源大模型，通过 Constitutional AI 与 RLHF 双重校验，将有害输出率压至最低，在监管敏感场景形成难以 复制的护城河。 作为初创公司，Claude 每轮新产品上线均牵动着后续公司估值定价锚点，近期几个典型的融资节点和团队大规模扩 张的事迹也逐一印证了 AI 大模型的产品迭代对公司估值的阶梯型影响。2024 年 6 月 21 日 Claude 3.5 Sonnet 上线， 当周公司销售团队规模扩张，直接推动 2025 E 轮融资窗口打开。2025 年 2 月 Claude Code 全面发布，随后 2025 年3月完成35 亿美元的E轮融资，Anthropic估值约达615亿美元，Claude Code 在上线约4个月后宣布达到115,000 位开发者使用，预估年化收入为 $1.3 亿美元。 与背靠乘数互联网巨头的 AI 大模型不同，Claude 每阶段产品更新对估值的影响牵动的是一级市场的风险投资估值， 进入到盈利兑现阶段，产品本身的性能、产品用户月活和付费意愿对公司估值影响更加明显。在后续阶段，Anthropic 与其它互联网公司的合作情况也是该类初创 AI 公司需要重点关注的，对企业估值会产生阶梯式改变。

三、对 A 股映射：如何“寻找中国的 AI 弄潮儿”

在这一 AI 浪潮全球演进中，中国 AI 大模型从底层架构到行业落地全面提速：一方面，通用大模型数量在全球占据领 先地位，成为推动 AI 产业集群发展的核心力量；另一方面，中国企业迅速推动 AI 大模型应用的垂直行业落地与技术 本地化，形成金融、医疗、政务、制造等垂直场景的双轨体系，并在多模态生成等前沿方向上实现部分技术反超。更 重要的是，受国家政策推动和资金帮助，AI 产业链上下游协同突破，从算力供给（国产 GPU、智算中心）到模型训 练与应用部署，已初步形成全栈式竞争力。由此，中国不再是 AI 浪潮的“跟随者”，而是具备全球影响力的“引领者”。 根据艾媒咨询的《2024-2025 年中国 AI 大模型市场现状及发展趋势研究报告》预测，2024 年中国 AI 大模型市场规 模约为 294.16 亿元，预计 2026 年将突破 700 亿元。2025 年 1 月，随着 DeepSeek 的发布，AI 类 APP 整体月活跃 用户环比增长了 88.9%。根据 QuestMobile 发布的 2025 年春季数据，DeepSeek 在 3 月拥有超 1.9 亿个用户，位列 MAU 亿级 APP 用户规模增长榜单首位。

1、 基于 AI 产业链中国企业估值逻辑

在上一节中复盘美国 AI 科技龙头企业的成长路径后，我们认为对于 A 股市场，寻找“中国的 AI 弄潮儿”也以产业链视 角为核心切入点。中国 AI 行业的特点在于：上游、中游、下游分层明显，但发展不均衡。上游算力与基础支撑环节 （GPU、存储、网络、数据要素）受制于国际供应链，但本土厂商在政策支持与国产替代背景下快速突破。中游通用 大模型与 AI 云平台处于资本与舆论聚焦的核心地带，当前商业化路径尚在探索，但头部互联网与云厂商已初步建立 护城河。下游行业应用环节（金融、法律、医疗、工业）正进入规模化落地阶段，虽然单一应用场景的天花板有限， 但具备可复制性与纵深渗透的特征。 从投资与估值角度看，中国 AI 产业链不同环节对应的估值锚点存在差异。上游基础设施企业通常采用 “产能扩张 × 政策补贴 × 长期供给缺口” 作为核心估值逻辑，企业估值与资本开支和算力国产化进展高度相关。中游 AI 基础大模 型和平台企业更接近互联网 SaaS 的估值框架，以 “用户数 × 平台订阅/算力租赁单价 × 增长率” 为主要逻辑，短 期仍需关注商业化确定性。下游应用型企业的估值锚点则是 “行业渗透率 × 单客价值 × 可复制性”，往往依赖与特 定行业的长期合同和落地案例。 在 AI 产业链上游部分，包含算力基础设施、算力芯片、数据要素三类公司。中国算力企业在本地化客户、政策支持 与市场替代需求上具备明显优势，可通过产业联盟快速提升市场份额，但在高端制程、先进封装与全球生态兼容性上 仍受制约。把美国龙头与中国算力厂商比较时，值得注意的是中国公司（例如华为、寒武纪等）在本地化客户生态、 政府政策支持、以及面向中国内需的快速部署上有天然优势，使其在短中期能抢占被政策要求“国产化替代”的市场份 额，并且中国企业之间在构建国内生态（云厂商＋AI 模型＋产业链）方面已有实质性联盟迹象。

在 AI 产业链中游部分，包含通用大模型和 AI 云平台两类公司。目前中国的通用大模型可以分为大语言模型、图像大 模型、语言大模型、视频大模型和多模态大模型五类。目前，国内大部分 AI 大模型依托于传统互联网龙头公司为其 提供强大的数据和算力成本支持。由上表可知 2023 及 2024 年通用大模型厂商的资本性支出额位居产业链前端，并 且有持续增长态势，与此同时 AI 大模型业务占比较高的公司市盈率 PE 的对 AI 大模型业务的反应也更加鲜明，例如 科大讯飞在 2023 年 PE 高达 446 倍，2024 年高达 521 倍，而有更多模态大模型的公司，例如阿里巴巴和腾讯在 PE 估值上表现并不明显，但也同样有惊人的资本性支出，2024 年腾讯资本性支出高达 329 亿元。 中国目前主流的 AI 大模型主要来自于 DeepSeek、字节跳动、阿里巴巴、百度、腾讯、月之暗面等公司，对比美国 AI 大模型的产品发布时间和迭代频率可以看出，中国 AI 大模型在参数规模、上下文长度、模型模态丰富度方面在 AI 浪潮开始时（2022 年-2023 年初）是落后于美国 AI 大模型厂商，从 2024 年下半年开始中国 AI 大模型实现逐步追赶。 到 2025 年，无论是 AI 大模型迭代频率、参数规模、预训练数据量等多个维度中国 AI 大模型已实现追平甚至赶超。 然而当前阶段，对照美国 AI 大模型的公司估值，当前中国 AI 大模型企业无论在总市值还是 PE 的角度均有较大空间。

在 AI 云平台方面，中美 AI 云平台有着明显的分化，美国 AI 云厂商如 Microsoft、Google、Oracle、IBM 依托成熟资 本市场和全球客户网络，能够通过大规模数据中心+全球分发+长期合同获得估值溢价。而中国 AI 云厂商，如阿里云、 腾讯云、华为云在国内需求侧具有政策优势与市场规模，但估值体系更多依赖“本地政府合同+产业互联网项目”，在海 外市场渗透不足。 在 AI 产业链下游则由 AI 各领域垂直应用构成，由下图的 AI 图谱可知目前中国 AI 垂直大模型主要分为两类，一方面 是各行业垂直大模型，现已经初具规模的是金融、教育、医疗、法律和政务领域。另一方面是 AI 智能体，AI 智能体因为更加贴合业务应用场景，并且在信息整合和流程完整度上更加成熟，未来也将成为 AI 应用重点争夺的领域。

2、 A 股 AI 细分板块市场表现

根据 AI 产业链上下游，我们在 A 股市场上找到对应的细分行业指数，对照芯片指数、AI 算力指数、AI 应用指数、AIGC 指数和 AI 硬件相关领域，我们可以看到自 2022 年以来 A 股各细分行业对产品端的反应情况。如下图所示，A 股指 数的行情表现与对应 AI 产业链的产品发布情况基本吻合。从上一节分析我们总结出中国 AI 大模型是从 2024 年下半 年开始在上下文长度、参数量及算力评价能力上逐步赶超 OpenAI、Google 等国际 AI 龙头大模型。 2024 年下半年开始，宏观流动性与政策预期率先改善，带来 AI 板块成长股估值的先行修复。到了 2025 年，一方面 资金供给渠道显著扩容，另一方面产业端从叙事走向验证，才把成交额真正点燃。2024 年下半年的上涨更多是贴现 率与风险偏好驱动的重估，2025 年的放量则是基本面与资金面双轮驱动的兑现。 在 AI 产业基本面上，2024 到 2025 年经历了 AI 应用产品快速更迭，由落后于美国 AI 企业到全面赶超的关键拐点， 给交易量提供了“把手”。2024 年大模型与 AI 应用在 B 端的项目制推进显著提速，央国企与重点行业成为订单主力， 进入 2025 年后，API 调用量、企业接入数量与移动端活跃度的持续爬升，开始转化为更可观的收入与现金流预期， 这一验证把此前以估值重估为主的上涨，过渡为业绩可见性提升的趋势性行情，吸引更广谱的资金，从而放大成交。

从细分行业来看，AI 算力指数、人工智能指数的市盈率 PE 和市净率 PB 处于 70-80 及以上区间，而 AI 应用、AIGC 指数、AI 手机指数的 PE 和 PB 倍数均处于 40-50 区间。跟随前面讲到的 AI 产业链估值逻辑，造成这一现象的原因 主要源于产业链不同位置的企业估值锚点不同。上游/算力类公司（芯片、算力、数据）其市场定价更多以未来可实 现的规模化营收与高边际利润、供应端稀缺性带来的价格、毛利弹性与技术、设计的长期护城河（不可替代性）为主。 因此市场给出的估值往往不是基于当前静态盈利能力，而是基于对未来数年超额利润的折现。 相比之下，AIGC/AI 应用、AI 手机等下游公司虽然在市场热情之中也能拿到很高的 PE 或 PB，但它们面临的估值约 束和溢价上限更为现实化。第一，下游的现金流可见性普遍低于“长期绑定大客户+长年供货合同”的基础设施类客户。 许多 AIGC 应用的收入仍依赖流量/订阅增长、单价能否稳定、以及用户付费意愿——这些变量更容易被竞争、免费 替代品或产品同质化侵蚀，因此市场在给出高估值时会更多审视已跑通的变现路径（订阅/按量付费/广告）与留存率， 而不是单纯的想象式溢价。

把视角拉回到中国的阶段性特征，会进一步放大上述差异并形成我们看到的估值格局。一方面，中国在政策层面对“算 力国产化 / 关键基础设施”给予强烈支持（国家与地方推动“人工智能+”战略、产业补助与国产替代导向），这为国产 上游厂商提供了明显的需求保障与估值溢价逻辑。同时，本土云与大型互联网平台对国产算力的采购意愿，以及政府 在关键行业的采购优先级，都会把政策可见性转换为估值上的风险折溢价调整。 另一方面，中国在先进制程、关键光刻/封装等环节仍有供给约束（如部分国产芯片仍需依赖本土代工能力与外部装 备），使得能够走通国产化或拿到“先发供给/优先交付”的厂商更具稀缺性——媒体与分析也指出国产芯片公司在被市 场赋予“成为本土替代者”的高预期时，往往同时面临产能与外部零部件受限的现实。这种政策推动 + 供给瓶颈组合， 会把市场对上游/算力厂商的未来现金流折现值抬升，从而形成 AI 产业链上游算力估值高于 AI 产业链下游应用的估 值溢价。

3、 A 股“AI 弄潮儿”筛选因子

在 A 股语境下筛选“AI 弄潮儿”应把 （1）数据或算力护城河、（2）已跑通的变现路径（订阅/广告/按量付费至少一 种）与（3）政策友好性（国产替代、数据安全） 作为首要筛选因子。三者互为放大器：有算力、数据护城河但变现 未能跑通，短期难以体现估值；跑通变现但被海外供应链或政策限制绑架，也会打折。 从产业链与估值形成机制看，下游 AI 应用端企业的价值来自能力→ 货币化路径→ 可持续性/可复制性。第一段是技 术、资源壁垒（数据、专有模型、算力），决定公司能否长期保持单位经济与客户黏性。第二段是把能力变成现金流 的机制（订阅、按量付费、广告或企业合同），这是估值折现模型里“可预测现金流”的来源。第三段是外部、制度性 约束（供应、政府采购、出海），决定风险溢价与可比估值折扣。因此把公司在这三项上的表现做出量化判定后，再 用传统估值（股价、PE、ROE 等）把可见收入折算为市场表现，能更精确地决定公司的股票是否值得“溢价配置”。 下表列出了按照 AI 产业链下游垂直应用估值逻辑筛选出的 AI 广告、教育、搜索、金融、法律、医疗、办公、视频生 成等垂直领域布局 AI 应用的代表性公司，同时列出了在对应的垂直领域内有哪些海外 AI 公司同样跑出了落地应用作 为对照。在筛选逻辑上，我们选用了股价、市盈率 PE 估值、资本性支出、ROE 作为“AI 弄潮儿”的筛选因子。

第一，股价走势是市场对应用落地与商业化确定性的前瞻反映。对 AI 应用企业而言，股价的相对强弱往往领先于业 绩改善，原因在于应用模式一旦跑通，市场对“高黏性 + 快速放量”的预期会迅速反映在估值中。因此，观察股价走势 时需结合基本面验证，筛选出股价上涨能与用户增长、付费率提升、ARPU 提升等实质性数据相匹配的公司，而非 仅依赖主题炒作。对应到下表中，股价颜色越红的公司，更能反映市场对其商业化的确定性。 第二，PE 倍数的参考意义在于增长与可持续性的匹配。 应用公司由于商业模式轻资产化，往往很快进入盈利阶段， 因而 PE 水平相对可比。但对于 AI 应用，PE 高企必须要有两个支撑：一是用户数/市场渗透率的高速扩张，二是 单用户盈利能力的稳步提升。若缺乏这两点支撑，高 PE 更多反映主题性估值溢价，难以长期维持。筛选时应更重视 “PE 相对增长率”的匹配。对应到下表中，PE 估值越高，且未来几期 PE 具有高持续性的公司更快进入到盈利阶段。

第三，ROE 是衡量应用企业资本效率和壁垒的关键指标。 与上游高资本性投入的企业不同，下游应用型公司应当 体现出“轻资产+ 高 ROE”的特征，这背后是依赖用户规模和数据模型的边际扩张效应。ROE 能否长期维持在较高区 间，取决于其产品能否形成数据护城河与用户留存。如果一个 AI 应用公司在渗透率初期即可体现出远高于行业均值 的 ROE，那么其模式具备规模效应与可复制性，值得重点跟踪。对应到下表中，在当前 AI 垂直应用发展早期阶段已 经实现高 ROE 的企业往往更具备想象力。 第四，资本性支出（Capex）的变化揭示扩张路径与竞争力。下游 AI 应用企业的 Capex 相对有限，但若出现大幅 增加，通常代表两个信号：一是公司在进行平台化转型（例如扩展算力自建、布局更多应用生态），二是加大对专有 数据、内容生成或安全合规的投入。对于应用企业而言，合理的 Capex 应是围绕护城河的加固投资，而非盲目追随 上游扩产。如果 Capex 增速远超收入增速，反而说明公司缺乏可持续盈利模式。对应下表中，资本性支出标红的企 业在未来技术更新、路径扩张方向更具规模优势。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）