第一批大模型公司要上市了，問題是如何給智譜、Minimax們估值？

本文系基于公開資料撰寫，僅作為信息交流之用，不構成任何投資建議

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。

這兩家被譽為國內大模型“六小虎”的代表企業，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務的上市公司。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”的名號更為復雜，也更真實地展現了這個前沿行業的現狀：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”以維持技術迭代是常態，僅2025年上半年，智譜AI的研發開支就高達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，更標志著整個中國大模型行業正式從早期的“技術競賽”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，雖因行業各異而顯得紛繁復雜，但追根溯源，其思想脈絡可歸結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。

前者的核心是數理邏輯，旨在計算企業的內在價值，其本質是通過折現企業未來的自由現金流，來確定其當下價值。

后者的核心是市場博弈，強調群體心理的主導作用。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線技術等一系列方法，共同構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》，錦緞整理

誠然，對于大模型這類尚未形成穩定盈利范式的前沿產業，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、可驗證的嚴謹估值方法論。因此，當我們試圖為新一代科技企業建立估值標尺時，仍需回歸到可計算、可比較的客觀價值體系框架內進行探索。

在此基礎上，縱觀商業史，估值模型的每一次重大演進，本質上都是對新經濟范式下供需關系革命的回應。當舊有的數理框架無法捕捉和衡量新興商業模式所創造的經濟價值時，新的估值計價方式便會應運而生。

例如，股利折現模型(DDM)契合了早期商業投資節奏緩慢、分紅即核心回報的時代。然而，隨著技術進步與規模經濟效應凸顯，企業將大量利潤用于再投資以驅動增長，股利支付率下降但公司價值持續攀升。此時，能夠衡量企業全部自由現金流創造能力的現金流折現模型(DCF)，便成為了更合理的價值標尺。

互聯網的崛起帶來了更徹底的顛覆。傳統制造業依賴的市凈率估值法，在幾乎不依賴有形資產卻能創造巨大價值的平臺型公司面前徹底失效。市場轉而擁抱以用戶價值為核心的新指標，例如衡量訂閱制業務健康狀況的年度經常性收入。這標志著估值邏輯從“為資產定價”轉向了“為增長和生態定價”。

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

然而，一個現實的矛盾擺在眼前：當前大模型公司的主要變現途徑，無論是谷歌將其融入搜索廣告，還是OpenAI力推的訂閱付費，其商業內核仍未完全跳出互聯網時代的流量與用戶邏輯。

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

02

Tokens將成為AI商業模式估值的核心計價單位

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

1. 現有資產的盈利潛力：即公司當前資產能產生多少現金流或利潤。

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

3. 可比的風險評估：未來風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呢？目前看來，最契合的答案正是行業通用的基本單元——Tokens。

首先，Tokens能夠統一計量多元收入，反映現金流潛力。

理論上，衡量現金流應沿用互聯網的年度經常性收入模式。然而，當前國內大模型公司普遍缺乏成熟的付費模式和SaaS服務，直接使用年度經常性收入并不準確。

大模型的收入主要來自面向企業的API調用和面向用戶的產品服務，計費方式復雜。相比之下，Tokens是覆蓋所有產品線的底層計價單位，能夠更直接地反映創收能力與資產效率。

圖：以Google應用端為例拆解Tokens調用量，來源：國海證券

其次，Tokens直接串聯成本與收入，能量化增長需求。它是少數能同時連接供需兩端的專業指標。

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

中泰證券測算顯示，一個日活過億的AI應用，每日可能需消耗相當于14.15萬張H100的算力。

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

圖：基于特定條件下的Tokens消耗與算力關系測算，來源：中泰證券，錦緞整理

• 在收入側，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指標對于大模型廠商而言，也能在某種程度上反應資產、再投資和潛在收入成本之間關系。

最后，Tokens具備行業可比性，為風險評估提供基準。

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”來類比傳統凈利潤。目前，諸如OpenRouter等機構正是通過統計各模型的Tokens調用量市場份額來評估其市場地位與趨勢，這為行業內的相對估值和風險比較提供了關鍵數據。

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資料（算力）到生產成果（收入）的核心價值關系，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構建合理的數理公式，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建相對完善的計算體系，其一作為非專業人士，我們很難衡量大模型企業的單位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作為企業的經營信息，并不像財報一樣受監管要求強行披露，也沒有披露規則約束，因此大多數數據源自于提供API服務的機構，或者云服務機構，可能數據準確性不足。

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據做一個淺析，數據源取自OpenRouter，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務變化不穩定，可能會出現代際差直接導致企業價值大幅縮水的情況（比如META的LLaMA4），因此用Tokens調用增速更貼切。

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

圖：過去一年不同大模型Tokens調用量趨勢，來源：OpenRouter

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

●樂觀情況下，直接給予市場份額獎勵系數，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的風險因素，比如OpenAI排第二，假定只有前十名的企業有價值，那么OpenAI的風險系數為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市盈率估值的延續，即市場是否高估/低估大模型企業。

比如假設目前OpenAI的估值為5000億美元，根據OpenRouter數據顯示，目前OpenAI單月調用量份額在18%左右，我們可以恒定目前市場總份額為2.78萬億美元。

那么相對應的，排名第一的谷歌大模型估值應該為6255億美元，排在第5的Deepseek就應該是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：當月大模型廠商市占率，來源：OpenRouter

當然，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據、方法尚不完善，但它已然揭示出：在傳統估值框架之外，我們可以建立一套更貼合AI生產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。