凌晨两点我把十份AI公司的年报和业绩纪要摊了一桌子。过去三个月我把旧的“叙事估值”框架换成了“基于未来盈利验证”的框架再回头看这些公司视角完全不同了。市场这两年对AI的态度从“谁故事讲得响谁就值钱”慢慢变成“谁先把技术变成现金流入表谁才值钱”。这中间的行情就是标题里那四个字——“进二退一”。涨两步退一步再涨两步再退一步。这篇文章不是要告诉你AI赛道该不该配而是把我自己搭的这套“未来盈利验证框架”完整拆开它到底在验证什么怎么建模怎么用财务数据去伪存真以及面对“进二退一”行情该怎么管理仓位。内容主要面向两类人一类是做中长线研究和配置的投资者另一类是虽然不炒股、但想搞清楚AI公司估值逻辑的从业者。两者看完应该都能拿走一套能直接落地的分析框架。1. 盈利验证框架的由来与整体思路1.1 为什么“叙事估值”正在失灵先回顾一段市场变化。2022年到2023年上半年AI公司的估值方式大体上是“叙事定价”主导一家公司发布了参数规模很大的模型开了场发布会或者在某项公开评测里拿了靠前的排名市场就愿意给它一轮高估值。那个时候大家默认的技术逻辑是“谁底座做得厚谁未来就赢”至于底座怎么转化为收入反而不是最优先的问题。但行业进入2024年之后一个很明显的信号出现了真正开始赚钱的AI公司盈利路径越来越清晰——算力层靠卖卡和服务赚钱模型层靠API调用和订阅赚钱应用层靠SaaS和解决方案赚钱。与此同时大量围着“大模型概念”讲故事的公司收入数字却一直空转。市场定价逻辑在这种背景下被动切换从“为想象力买单”转向“为可验证的盈利曲线买单”。旧框架的问题就在这。它把估值锚定在“叙事强度”上却没有回答一个本质问题这家公司未来五年靠什么赚钱、能赚多少、什么时候能赚到。一旦行业进入兑现期叙事定价就会频繁出错要么把没有盈利路径的讲故事公司估高要么把有真实现金流但不会包装的闷声公司估低。1.2 “未来盈利验证”到底验证什么我搭的这套框架核心假设很简单AI公司的真实价值不体现在今天的利润表上而体现在一堆早期经营指标能不能在未来的2到3年内以合理的概率放大为可持续的利润。听起来有点抽象我打个比方。你去看一家新开的咖啡连锁店如果只盯着“今年开了多少家店”很容易被短期扩张速度骗到。真正要看的是单店每天的引流人数、复购率、每杯咖啡的毛利以及房租和人力成本能不能随规模下降。这些指标才是判断这家店未来能不能赚钱的关键。AI公司也是一样月活、付费转化率、单位算力成本、客户留存率这些指标就是它们的前置信号。所以“未来盈利验证”要回答三个问题第一增长能持续多久收入翻倍是来自可持续的需求还是靠一次性项目、补贴和买量堆出来的第二利润什么时候转正现在的亏损是主动投入型亏损扩研发、扩算力还是根本找不到付费场景的被动亏损第三当前估值隐含了什么预期如果股价已经按“三年后利润百亿”来定价那这个百亿利润到底有没有实现的路径和证据把这三个问题落到模型里就构成整套框架的主干。1.3 框架的三层结构整个框架在上手实操时我拆成三个模块模块核心内容要解决的问题产业分层把AI公司分成算力层、模型层、应用层不同层级看什么指标估值锚是什么财务引擎收入路径预测、单位经济、现金消耗增长质量、盈利时间点、造血能力情景测试假设涨价/降价、需求增速高低、竞争加剧估值对乐观和悲观假设的敏感度产业分层解决的是“看哪里”财务引擎解决的是“怎么算”情景测试解决的是“算完怎么防打脸”。三个模块是一体化使用的不是三套独立方法。后面第3章会展开财务引擎里的具体工具第4章则是用这套框架做“去伪存真”的实际筛选流程。2. “进二退一”行情的内在逻辑与实操判断2.1 板块为什么总是涨几天就回调“进二退一”几乎成了AI行情的固定节奏。账户净值在K线上看起来像爬楼梯重心抬升但过程里永远带着回撤。为什么走不出单边上涨关键是产业确定性和盈利兑现节奏之间存在“时间差”。一方面AI技术突破的消息、重磅产品的发布、头部公司财报的超预期这些事件不断抬高市场对AI产业空间的预期带来上涨动力但另一方面绝大多数AI公司现在仍处于高投入期算力采购、研发扩张、市场推广都在持续烧钱利润表上的数字远没有估值反映的那么性感。一旦股价提前跑太远盈利跟进不上回调就是必然。说白了市场在估值里透支了未来两三年的盈利里程然后每个季度都要拿财报数据对一次表。对上了就继续涨对不上就先跌为敬。这才是“进二退一”的真正成因产业大方向足够好所以每次回调都有人接但短期业绩又撑不住暴涨所以每次反弹都有人跑。2.2 区分“真利好”和“假热点”的三个问题回调过程中的每一次反弹都伴随大量真假消息。我的处理方法是在动手下单前先问三个问题。第一问这个利好能不能落到订单或收入上比如某公司宣布和一家大客户达成合作我就要追问是战略合作协议还是带采购金额的合同合作有没有具体的落地时间表没有订单金额佐证的合作我一律按“品牌PR事件”处理。第二问新增收入的质量高不高换句话说它带来的收入是可重复的经常性收入还是一次性项目收入AI公司一次性的系统集成、咨询项目看着把收入数字做上去了但对未来盈利没有任何复利价值。第三问客户是“买了”还是“在用”这招专门用来过滤“签单型利好”。很多AI公司对外讲客户数量但客户买完之后用得深不深、续不续费才是决定未来收入的真正变量。关于这一点第4章会详细展开。三问筛完之后还能留下来的是真利好筛不掉的就是噪音。市场每次回调都在反复做这件事只不过有人靠感觉做我是靠这三问做。2.3 回调中的规律谁跌得少谁就是下一轮主力看多了“进二退一”我还发现一个非常实用的规律每一轮回调后的反弹领涨的往往不是上一轮涨最多的而是回调中跌得最少、基本面数据最扎实的那批。原因也不复杂。回调本质上是市场在淘汰“估值里面水分大的公司”。水分大跌得深水分小跌得浅。跌得浅的公司说明有资金在底部位置认可它的盈利验证数据。等到下一轮产业催化来临时这批公司因为没有套牢盘压力更容易率先创新高。所以我现在的复盘习惯是每次波段下跌后不急着抄底而是先把样本公司按“回调幅度”和“当期财务数据”两列做排序。如果一家公司回调幅度不大同时收入增速、毛利率、现金流数据都在改善那它就是下一轮要重点跟踪的对象。这一招在AI这种高波动的板块里比任何技术指标都好用。3. 核心工具拆解收入路径、单位经济与现金消耗3.1 预期收入路径图先把三年后的数字算到眼前很多人看AI公司脑子里只有一个模糊的判断“这公司成长性不错”。这个判断没法用于估值。我自己用的第一项工具是把收入预测拆成一个可计算的路径模型。以模型层公司为例我会把收入拆成收入 API调用量 × 单Token平均价格而API调用量又从“开发者数量 × 单开发者日均调用量 × 调用天数”来推导。这样拆完之后每个驱动因子都能单独做假设。比如我认为一个头部分发平台未来12个月开发者数量能从50万涨到80万日均调用量从200万Token涨到500万Token那收入路径就能直接算出来。如果算出来的结果和估值隐含的收入一致说明股价定价基本合理如果差了两个数量级那这个估值就是在讲故事。这套拆解法最大的作用不是预测准确而是把模糊的乐观变成一组可以辩论的数字。任何一个说“三年十倍”的人我都会请他先把客户量、ARPU、留存率填进这个模型让数字自己跳出来说话。绝大多数情况下模型跑完会发现“三年十倍”需要的客户增速在现实中根本找不到支撑。3.2 单位经济模型毛利率趋势比绝对值更关键单位经济模型说白了就是算清楚“每卖出一块钱的产品能赚多少毛利”。AI三个层级看的角度不一样算力层看“单卡租售比”和资本开支回报周期模型层看“每Token毛利”应用层看“LTV/CAC”客户生命周期价值/获客成本。这些指标里最直白的就是毛利率。但我在实际研究里发现一个坑不能只看毛利率的绝对值要看毛利率的“趋势线”。举个例子。假设一家模型公司的API单价是0.2元/千Token单位成本0.15元/千Token初始毛利率25%。现在行业价格战单价每个季度下降10%同时算力效率提升让单位成本每个季度下降5%。我手动算一下走势第1个季度单价0.18元成本0.1425元毛利率20.8%第2个季度单价0.162元成本0.1354元毛利率16.4%第3个季度单价0.1458元成本0.1286元毛利率11.8%看到问题了吗模型层如果降价速度快于成本下降速度毛利率会像漏水的杯子一样持续走低。这时候公司就必须靠“调用量增长”去补毛利率的窟窿让总毛利额保持上升。分析模型层公司的重点就在于此调用量增速到底跑不跑得赢降价速度。跑得赢说明需求曲线足够陡峭盈利能力在增强跑不赢那就说明公司正在陷入纯粹烧钱的价格战。这个计算过程看着简单但绝大多数研究AI公司的人不做因为需要同时假设价格曲线和成本曲线。而恰恰是这两条曲线的关系才决定了模型层公司到底是“成长股”还是“价值陷阱”。3.3 现金消耗率活下去才能谈未来第三个工具最朴素也最容易被人忽略现金消耗率。AI公司的特点是研究和算力投入巨大很多公司即便收入高速增长经营现金流依然是大幅流出的。这时候公司能不能活到盈利兑现的那一天就成了估值里最硬的一条约束。我常用的公式很简单可维持时间 期末现金及等价物 ÷ 每季度平均现金消耗净额如果一个公司现有现金只够维持三四个季度同时又没有明确的融资通道那不管它的故事多好估值上都要大幅打折。因为一旦现金断流技术优势再强也撑不到商业化落地。倒过来讲如果一家公司现金储备充足同时现金消耗率在收窄每个季度烧的钱越来越少这通常就是基本面即将迎来拐点的信号。我把这个指标放在和第2节毛利率趋势同等的权重上因为它反映的是盈利验证能否等到兑现那一天。4. “去伪存真”实操筛选从财务数据到客户使用4.1 第一步剥开收入结构看增长成色去伪存真的第一步从来不是看收入增长了多少而是看增长是从哪来的。我遇到过一家典型的公司对外口径收入翻倍增长势头很猛。但把收入结构拆开一看小一半来自硬件转售、系统集成这类低毛利业务。把非核心业务剔除后核心AI业务收入增长其实只有三成。这就是标准的“伪增长”——收入数字上的体面掩盖了主营业务的平淡。高质量的AI收入应该满足三个特征经常性收入占比高订阅、API调用而非一次性项目收入现金含量高经营性现金流入和收入同步增长客户结构分散不靠一两个大客户凑数。这三个特征可以在利润表和现金流量表之间的勾稽关系里交叉验证。如果收入和应收账款同时大幅增加但经营性现金流没有跟上那就要警惕收入质量了。我把“核心业务收入增速”和“经营性现金流增速”放在同一张表里排名双指标都靠前的公司才进入下一步深研。单看收入增速很容易掉进财务粉饰的坑。4.2 第二步把客户调研从“买没买”推进到“用不用”财务数据之外最有效的去伪存真方式是做客户侧调研。但调研要问对问题。销售人员在路演里告诉你“客户买了我们的产品”这只是第一层信息。真正有价值的是下面三件事客户买了之后用不用得勤使用深度用完之后下个周期还续不续约留存率续约之后会不会扩购更多模块扩展性。去年我研究过一家AI写作工具公司签约了上千家企业客户销售数字很好看。但我去访谈了几家客户发现实际月活使用率不到30%API调用量连续两个月零增长。这种“签而不活”的状态意味着客户的续约动力很弱。果然两三个季度之后这家公司整体留存率明显下滑市场也随即大幅下修估值。所以现在我研究AI公司会把“产品使用率”“客户留存率”“单客户收入增速”这三项放在“客户数量”这个指标前面。签约客户数只是面子使用数据和留存数据才是里子。4.3 第三步三个财务指标完成初步“排雷”如果没有专业调研渠道只靠公开财报也能做一轮有效的粗筛。我常用的指标有三个。第一研发费用资本化比例。研发费用资本化和费用化是两种会计处理方式资本化会把研发支出分摊到未来若干年当期利润会更好看。如果一个AI公司研发费用资本化比例特别高那意味着它的盈利里有相当一部分是会计选择做出来的实际亏损可能被低估了。这种公司我会直接降低估值权重。第二应收账款周转率。AI公司如果应收账款增长速度持续快于收入增速说明大量收入还没真金白银地流进账户利润表上的“收入”只是纸面数字。第三毛利率走势。按第3.2节的方法把毛利率趋势线和价格变化率、成本变化率做对照。毛利率逆势提升的公司往往有真正的技术壁垒或成本优势毛利率趋势向下却还在讲故事的公司大概率是竞争恶化。这三个指标任何一个亮红灯都值得警惕两个以上同时亮直接排除出深研名单。4.4 一份可直接套用的AI公司打分卡把上面这些维度整合起来我做了一张打分卡用来统一筛选AI标的。打分维度权重打分标准1-10分核心收入增速20%剔除一次性收入后的同比增速10分对应增速50%以上收入现金含量15%经营性现金流/净利润比值越高分越高毛利率趋势20%过去四个季度毛利率方向向上加分向下减分客户留存与使用深度20%续约率、使用率综合评估现金储备可维持季度数15%按现金消耗率计算超过12个季度满分研发费用处理质量10%资本化比例越低分越高总分加权后80分以上进入重点研究池60到80分保持跟踪60分以下的基本不再花时间。这套打分卡不一定适用所有风格但作为统一尺子能帮我在面对一堆“AI概念”时快速锁定真正值得深挖的对象。5. 风险地图与仓位管理的三条纪律5.1 三类核心风险框架能帮我们选到优质公司但选对公司不代表一定能赚钱因为风险不只在单只标的上。第一类风险是技术路线变更。AI行业迭代速度极快今天主流的大模型架构几年后未必还是主流。一旦技术路线切换重仓押注老路线的公司会面临估值和基本面的双重打击。这个风险没法预测只能靠组合分散去对冲。第二类风险是盈利验证时间差。有些公司基本面没问题但盈利兑现需要的时间比市场预期长。市场没有耐心的时候即使基本面持续改善股价也会因为“还要等太久”而被连续下杀。我吃过这个亏所以现在会在买入前就把“盈利兑现的预期时点”和“市场耐心的通常长度”做一个匹配度测试。第三类风险是流动性冲击。AI板块波动率高一旦市场系统性回调就算基本面再好的公司也逃不掉下跌而且跌幅可能非常夸张。这种风险无法靠选股规避只能靠仓位和纪律应对。5.2 仓位红线围绕上面三类风险我给自己定了三条仓位纪律。第一条单一个股不超过总仓位的15%。AI股票的特性是容易走出“先跌50%、再涨100%”的深V行情如果仓位太重中间的波动足以让你在反转前夜被震下车。第二条同层级的AI公司合计仓位不超30%。算力层、模型层、应用层虽然属于AI大方向但逻辑差异很大。如果三只不同公司其实押的是同一条技术路线、同一群客户那本质上是同一个赌注。第三条买入时先设好止损触发条件。触发条件不是价格而是基本面假设。比如我买入一家模型层公司的核心假设是“API调用量季度环比增长30%”那有两个季度不达标我就离场不管股价是涨是跌。用基本面假设做止损而不是用股价做止损可以避免被情绪裹挟。5.3 加仓与撤退的触发信号有了纪律还要有触发信号。在“进二退一”的行情结构里我的加仓时点通常不是技术突破那根大阳线而是下面三种情况。第一种利好落地但市场无感。某个重磅消息出来后市场却没有更多上涨说明预期已经充分消化情绪面和基本面的水位匹配这时候反而是安全的位置。第二种短期急跌错杀。因为市场情绪或者流动性原因一家基本面扎实的AI公司短期大跌但收入、毛利等核心指标没有任何恶化迹象。这种错杀我会重点复核并在确认后分批加仓。第三种财报分化确认。每次财报季盈利验证兑现的公司和没兑现的公司会出现明显走势分化。兑现组股价走稳或者领涨延迟组被资金抛弃这是我增加兑现组配置最舒服的窗口。撤退信号则简单得多核心假设被证伪或者估值过度透支。一个公司如果毛利率、留存、调用量三个关键指标里有两个持续向下同时估值还在高位那不管故事讲得多好我都先撤再说。6. 复盘心得与工具迭代6.1 框架被实践修正的三个地方这套框架从建立到现在我根据市场反馈修正了三个地方。第一算力成本的下降速度我最初严重低估了。模型推理的单位成本在过去一年里下降得比预期快得多这压缩了模型层公司的毛利空间但同时大幅度降低了应用层公司的落地成本。这个修正让我的模型层预测整体更保守应用层的盈利预期则更乐观。第二收入质量的重要性比收入增速更高这一点我是被现实教育之后才真正把它提到最高优先级。财务上收入增速60%、但应收账款和买量成本同样暴增的公司后续大概率要还债。我还见过收入高增长公司靠着不断融资输血维持运转最终烧断了现金流的案例。第三市场对“盈利兑现时间”的耐心比我想象的更短。一个原本按“12个季度盈利兑现”定价的模型市场可能只愿意等8个季度。所以我现在做估值时会把盈利预测的时间轴压缩得更激进一些宁可错过泡沫尾巴也不要接到最后一棒。6.2 一个小技巧用财报日的市场反应做温度计最后分享一个我经常用的小技巧。每次财报季我会把跟踪的AI公司分为两组“盈利验证兑现组”和“盈利验证延迟组”。然后只看财报公布后第二天的市场反应。如果兑现组财报不错、但次日股价大跌说明市场情绪处于高度防御状态这时候整体仓位要收紧如果兑现组财报出来领涨、延迟组被重锤说明市场正在用理性给盈利定价这时候反而是可以积极一点的环境。这个方法的样本越多越有效。用AI板块“市场的集体反应”来做情绪温度计比看任何技术指标都贴近本质。毕竟财报数据是客观的但市场用什么态度去解读数据才是更值得跟踪的信息。6.3 这套方法还能怎么延伸目前的框架核心还是围绕“公司层面”做研究。我下一步想把它延伸成“行业横向对比模型”把算力、模型、应用三层的单位经济数据全部标准化成可比较的指数这样就能在宏观层面看到整个AI产业的盈利迁移轨迹什么时候利润从算力层流向模型层又什么时候从模型层流向应用层。另外框架里的财务引擎目前是静态季度更新的我在尝试把它做成滚动更新每个重要财报或行业事件出来后自动修正未来12个月的收入预期和毛利曲线。这本质上是一个小型的盈利预测系统但对个人研究者来说用Excel或者简单的数据工具就能搭建。过去这一年我对AI行业的整体判断没有改变算力层的确定性最强模型层的竞争最激烈应用层的空间打开速度在加快。但有一句话贯穿在所有技术周期里始终成立——市场最终只会为真实创造的利润买单。这也是“去伪存真”这四字能持续生效的根本原因。