Musings on Markets 是纽约大学 Stern 商学院金融学教授 Aswath Damodaran（人称「估值教父」）自 2008 年更新至今的个人博客，以 DCF 内在价值与「叙事与数字」框架对热点公司（SpaceX、特斯拉、英伟达等）做公开估值拆解，兼发宏观市场综述，是估值领域最受推崇的免费教材。
这篇讲的是AI从“吹牛画饼”阶段进入了“交作业”的关键时刻。作者达摩达兰认为，现在市场很谨慎，因为AI公司已经砸了1.7万亿美元建基础设施，但每年赚的钱可能只有2500亿美元，差距太大，有泡沫风险。他重点提了三个标的：英伟达（靠卖AI芯片赚得最多，市值涨得猛）、Anthropic（它家AI产品年收入比预期少了100-150亿美元，说明市场不好预测）、OpenAI（年收入大概400亿美元，但还在烧钱）。作者提醒，别光听故事，要看公司能不能真赚钱。
一句话概括：AI 已从“希望与炒作”进入“商业验证”的成人礼时刻，但 1.7 万亿美元投资与仅约 2500 亿美元年收入之间的巨大鸿沟，使市场面临估值泡沫风险。【谨慎】
文章指出，自2022年11月30日ChatGPT发布以来，AI在公众意识中已从正面现象转向负面色彩，部分原因是担忧“精灵已出瓶”且并非良善，以及一些主要代言人令人反感。 作者回忆，AI的突破性时刻不到四年前，尽管其历史可追溯至计算机时代诞生之初（如IBM的Deep Blue每秒评估2亿个棋位）。过去四年，AI效应呈爆炸性发展：最成功的公司是芯片制造商Nvidia（以市值增长计）；Mag Seven（含Tesla、Nvidia，替换了Netflix）在2022-2025年间贡献美国股市45%的市值增长，截至2026年8月16日总市值达23.7万亿美元；AI基础设施投资约占2024-2025年实际GDP增长2.5%中的1%。作者原话说：“As the arc of the AI story has unfolded over the last four years, it seems to me that is has also transitioned in the public consciousness from a mostly positive phenomenon early on to acquiring a negative tinge”——意即：“随着AI故事在过去四年展开，在我看来，它在公众意识中已从早期基本正面的现象转变为带有负面色彩。”2026年美国大学毕业典礼上，以AI为主题的演讲者遭到学生嘘声。
作者认为，关于AI的辩论已经偏离轨道，乐观派聚焦“巨大”潜在市场，悲观派紧盯“过大”前期投资，双方都在选择性使用数据。 乐观派关注使用量（水平与增长），悲观派关注资本支出和当前盈利能力（或缺乏）。作者强调，本文不是要证明哪一方正确，而是将AI作为商业来评判——承认其突破性，同时要求它像历史上所有其他商业一样，通过将潜力转化为产品和收入、以能产生利润的成本交付产品、并建立护城河来抵御新进入者，来证明自身价值。作者原话说：“big markets don't always become big businesses”——意即：“大市场并不总能变成大生意。”悲观派也必须承认，大量资本支出提高了赌注，但不一定注定价值毁灭。
作者提出，每一次重大颠覆性变革都经历四个阶段：希望与炒作期、投资建设期、商业构建期、重新校准期。 作者以自身为AI新手（仅使用免费版ChatGPT，对Claude仅略知一二）自居，声明此文是为自己理清思路而写。
1. 希望与炒作期：真正信徒和远见者需要向公众推销变革故事，但此时没有实体产品、服务或收入，必然伴随虚假起步和骗局，也有许多人因怀疑或不理解而拒绝倾听。变革要扎根，远见者必须足够有说服力，以获取支持者和资本。
2. 投资建设期：一旦变革信念站稳脚跟，初创公司或现有企业中的一部分玩家将投资并构建产品和服务。若变革被视为革命性且市场巨大，则会出现作者十多年前提出的“大市场错觉”——源于选择偏差，建设者往往过度自信，导致公司和定价这些公司的投资者集体过度扩张，随后修正。作者强调：“bubbles are a feature, not a bug, when revolutionary change is a possibility”——意即：“当革命性变革成为可能时，泡沫是特征，而非缺陷。”在此阶段，故事驱动增长和投资，精算或会计思维的投资人会认为这些叙事缺乏说服力，而另一些投资人则愿意押注期权价值，希望所投实体能成为大赢家（尽管尚未赢取任何东西）在一个大市场中（目前还不存在）。
文章指出，AI 已走过“希望与炒作”和“资本投入”阶段，目前正进入关键的“业务构建”期，这是检验企业能否将产品转化为可持续商业模式的“成人礼时刻”。 作者强调，并非所有变革都是革命性的，也并非所有革命性变革都能转化为大市场或创造有价值的企业。在这一阶段，投资者不再仅凭承诺定价，而是要求看到切实的进展证据。作者原话说：“Since this is very much a test of businesses growing up, it represents a bar mitzvah moment for these businesses, in the sense that investors are no longer willing to just price on promise, and start demanding tangible evidence of progress.” 意即：“由于这很大程度上是对企业成长性的考验，它代表着这些企业的‘成人礼时刻’，即投资者不再愿意仅凭承诺定价，而是开始要求看到切实的进展证据。”
文章的核心论据是，AI 基础设施投资已高达 1.7 万亿美元，但当前 AI 产品和服务产生的年收入上限仅约 2500 亿美元，两者之间存在巨大鸿沟。 作者将 AI 投资比作建造了一座“史上最贵的工厂”，且建设速度极快。他列举了六大主要玩家的资本支出数据：
| 公司 | 角色 |
|---|---|
| Alphabet | Mag Seven 成员 |
| Amazon | Mag Seven 成员 |
| Meta | Mag Seven 成员 |
| Microsoft | Mag Seven 成员 |
| Oracle | 外部主要玩家 |
| Coreweave | 外部主要玩家 |
作者指出：“Cumulatively, the total investment from just these companies amount to $1.7 trillion, over the last few years, and their guidance suggests that they are not done, with trillions of dollars in AI cap ex commitments in the next three to four years.” 意即：“仅这些公司过去几年的累计投资总额就达到 1.7 万亿美元，而且它们的指引表明这还没完，未来三到四年还有数万亿美元的 AI 资本支出承诺。”
文章提出一个分析框架，认为判断 AI 商业价值需从市场规模、行业经济学和竞争护城河三个维度入手。 作者批评“总可寻址市场（TAM）”常被创始人、风投和银行家用作操纵工具，例如在 SpaceX 估值中，银行家给出的 xAI 的 22 万亿美元 TAM 被他认为是“幻觉而非估算”。
文章的核心判断是，AI 故事比一年前更清晰，但仍处于早期阶段，投资者面临巨大不确定性。 作者明确将当前时点定义为 AI 的“成人礼时刻”，意味着市场将从“讲故事”转向“看业绩”。对于投资者而言，这意味着：
文章认为，AI 的终极市场规模取决于其定位——是作为“工具”还是“员工替代品”，而美国员工薪酬总额 12.96 万亿美元是 TAM 的硬上限。 作者指出，2025 年全球上市公司总运营支出约 65 万亿美元，但 AI 无法替代原材料等实物成本，真正可触及的是员工薪酬部分。根据美联储数据，2025 年美国员工薪酬总额为 12.96 万亿美元，若考虑全球范围，这一数字约为两倍。但作者强调，完全替代所有员工既不现实也不经济，实际 TAM 取决于四个关键问题：
1. 工具 vs. 员工替代：若 AI 作为工具，企业会在现有员工成本基础上额外支出工具费用，市场规模较小；若作为员工替代，则直接冲击薪酬池，市场更大。作者原话说：“The takeaway...is that AI's disruptor role will be far greater, as will its total addressable market, if it replaces employees, rather than is used as a tool.”——意即：“结论是，如果 AI 替代员工而非用作工具，其颠覆性角色将大得多，总可寻址市场也将大得多。”作者还指出，当前 AI 玩家（OpenAI、Anthropic）倾向于更快颠覆，因为这能提高其胜率，尽管社会代价更高。
2. AI 产品定价：目前 Anthropic 的 Claude 和 OpenAI 的 Codex 等高端产品价格昂贵，仅对高薪劳动力有经济意义。2023 年美国最高收入五分之一群体占员工薪酬总额的 51%，因此实际可替代市场最多只有一半（约 6.48 万亿美元）。
3. 应用广度：AI 在规则驱动、少人际互动的行业（如科技、金融）渗透更快，这些行业全球运营支出占比不到 20%；而工业、材料、房地产、公用事业等抗冲击行业占全球三分之一。哈佛商业评论研究显示，软件和编码是 AI 最容易切入的领域。
4. 地理分布：AI 更可能在高薪非制造业地区（如美国）产生颠覆，欧洲和中国是其次大市场。全球运营支出数据显示，美国、欧洲和中国是 AI 三大市场。
综合来看，若将 26 万亿美元（全球员工薪酬）作为上限，TAM 估值取决于对上述四个维度的判断：最乐观情形（AI 作为员工替代、覆盖全行业全球、低成本替代低薪工人）接近上限；最悲观情形（AI 仅作为工具、限于特定行业和地区）则远低于此。
文章指出，AI 行业正从订阅制转向使用量计费模式，因为 AI 产品的边际成本远高于流媒体或传统软件，订阅用户可能变成成本中心。 作者分析，早期 AI 公司（如 OpenAI、Anthropic）以订阅模式起步，但很快发现每增加一个用户的算力和数据成本高昂。Anthropic 已率先转向使用量计费模式，企业用户按使用强度和频率付费；OpenAI 仍较依赖订阅，但也在向此方向转变。作者认为，这一转变反映了 AI 产品的单位经济学特性——高边际成本使得固定收费模式不可持续。
文章指出，AI商业模式将在订阅制与使用量计费之间分化，高端市场以使用量计费为主，大众市场保留订阅制。 作者认为，虽然技术进步可能改变经济模型，但AI订阅模式将伴随严格的使用限制，大部分收入基于使用量。同时，不同AI公司会根据目标市场分化：高端市场（premium market）以使用量计费为主，大众市场（mass market）继续提供订阅制。作者原话说 "it is likely that in steady state, we will have different choices for different segments of the AI markets, more subscription-based and open models in mass markets and more usage-based and closed models in premium markets." 意即："很可能在稳态下，AI市场不同细分领域将有不同选择——大众市场更多是订阅制和开放模型，高端市场更多是使用量计费和封闭模型。"
作者认为，封闭模型赋予公司更强定价权和客户粘性，但需要更多资源维护，适合高端市场；开放模型则相反。 文章指出，AI领域存在关于开放模型（客户可修改、适配和构建）与封闭模型（禁止修改）的激烈辩论，涉及权力集中、隐私保护和安全性等多重因素。从商业经济学角度看，封闭模型给销售公司带来更强定价权（更高利润率），且因定制化而更具粘性（难以切换），但需要更多资源构建和维护（更高成本），可能只适用于高端产品。作者判断，高端市场公司更可能坚持封闭模型，而构建基础应用的公司会尝试开放模型。
文章强调，AI的单位经济学与传统科技不同——虽然单个token成本大幅下降，但产品对token的需求激增，导致高端市场成本难以下降。 作者指出，传统科技（如软件、平台公司）具有极低的边际成本，但AI产品需要更高的资本密集度（数据中心建设和前期资本支出），且生产高算力版本成本高昂。具体来看，AI token（AI生产的货币）的生产成本因基础设施建设而大幅下降，但创建AI产品所需的token数量几乎同步激增。作者原话说 "the cost of producing a token has dropped dramatically... but the bad news is that the tokens used to create AI products has surged almost as dramatically." 意即："生产token的成本大幅下降……但坏消息是，用于创建AI产品的token数量几乎同样急剧增长。" 因此，大众市场AI成本将下降，而高端市场因每次升级对数据、电力和芯片的需求增加，成本难以降低。
作者认为，AI市场的竞争优势因细分领域而异——大众市场靠规模和专有数据，高端市场靠技术能力和客户数据粘性。 文章指出，大众市场AI（标准化基础产品）的竞争优势来自单位成本更低（规模优势或专有数据）；高端市场AI（定制化、高价格产品）的赢家将是拥有技术知识、能控制成本的公司，且围绕客户数据构建的产品更具粘性。作者特别提到人才优势：当Google DeepMind首席科学家Jeff Dean在2026年离职创办AI初创公司时，市场反应使Alphabet市值下跌5.4%（超过1000亿美元）。AI公司（尤其是Anthropic和OpenAI）正在从大学挖角计算机科学和技术人才。作者认为，随着行业成熟，人才因素的重要性将下降。此外，品牌信任也是竞争因素——客户公司让AI产品接触机密和数据，因此AI公司都在争夺"可信赖"形象，但作者对此持怀疑态度，认为"行动胜于言辞"。
文章指出，AI的社会和文化影响正被广泛辩论，主要涉及四个约束因素。 作者列举了四个原因（原文未详细展开，但作为章节标题提及）：这些讨论与AI的商业前景并行，包括对就业、隐私、安全和社会不平等的潜在影响。作者未在此处深入分析，但暗示这些外部因素可能反过来影响AI的商业发展路径。
文章的核心投资含义是：AI市场并非单一赛道，投资者需区分大众市场（成本竞争、规模优势）和高端市场（技术竞争、客户粘性），并关注商业模式（订阅/使用量计费、开放/封闭模型）的分化。 机构视角偏差：作者作为学术分析师，强调商业逻辑而非短期市场情绪，但需注意其分析基于当前技术阶段，未来技术突破可能改变单位经济学和竞争格局。
AI的数据中心投资模式更接近早期铁路而非科技公司，其占地、用电和用水问题已引发从地方到国家层面的政治反弹，并将在下届美国总统大选中成为关键议题。 作者原话说 "it is quite clear that at least in the United States, it will be a lead topic, perhaps even a wedge issue, in the next presidential election" ——意即："很明显，至少在美国，这将成为下届总统大选的首要议题，甚至可能是一个分裂性议题。" 作者指出，尽管支持者以经济效益推销数据中心，但对周边居民而言，生活被颠覆的代价远大于收益。这种反感还源于数据中心对电力和水资源的过度消耗，即使成本转嫁给AI公司，对地球的总体代价仍在累积。后果是：数据中心建设将更昂贵，电力和水资源将更严格配给，导致公司前期资本支出和AI产品生成成本双双上升。
继社交媒体公司滥用隐私数据之后，公众对Anthropic和OpenAI等公司获取更海量数据持警惕态度，数据滥用丑闻将不可避免，并导致更严格的数据使用限制和更高的获取/保护成本。 作者认为，数据隐私是区分开放与封闭AI模型的分界线之一，但只是更广泛问题的一小部分——即AI公司积累和挖掘的数据本身。作者判断，如同社交媒体公司的经历，数据丑闻将催生更严格的监管，直接推高AI公司的合规成本。
AI的最佳市场情景（产品和服务市场最大）也是大量高薪岗位流失的情景，其经济冲击将远超此前中国制造业对欧美蓝领岗位的替代，且政治经济余震将持续。 作者指出，虽然技术倡导者会强调新岗位的创造，但转型需要时间且伴随痛苦。回顾中国对欧美蓝领岗位的冲击——痛苦虽不均但真实存在，且政治经济余震至今仍在全球上演。如果AI的冲击在更广泛领域展开，其造成的岗位替代在经济影响上将更大、痛苦可能更深。 作者预测，对AI替代的担忧将催生反向运动，包括要求保留人类岗位的系统规定，以及在某些国家要求雇主在裁员后继续支付被替代员工薪酬的法规。
AI将催生一批亿万富翁和千万富翁，这势必加剧社会对超级富豪与普通民众之间鸿沟的担忧，并推动财富税、高收入新税级乃至AI收入专项税的政治压力。 作者以SpaceX上市时（市值近2万亿美元）创造了大量身家超1亿美元的千万富翁为例，指出Anthropic和OpenAI上市时同样现象将重演。作者坦言自己并不认同基于贪婪和嫉妒制定经济政策，但承认不平等引发的反弹已在政治舞台上演。结论是：无论财富税是否有效或公平，对AI创造的财富征税的力度将加强。
投资者不能忽视上述社会政治约束，它们将很快转化为经济后果并影响商业价值指标。 作者强调，在AI领域投资，尤其是对潜在市场规模和盈利路径感到兴奋的投资者，必须现实地将这些正在出现且将愈发严格的约束纳入估值。文章最后提供了一个估值框架：逆向工程盈亏平衡点——以Anthropic传闻2万亿美元IPO定价为例，假设溢价定价（税后经营利润率30%）和高于平均风险（资本成本10%），若AI市场10年成熟，公司需创造约1.2万亿美元营收；若等待15年，则需近2万亿美元。对整个AI行业（合计约5万亿美元市值）而言，假设行业平均经营利润率20%，10年成熟期需5万亿美元营收，15年则需超8万亿美元——作者认为这已触及"大市场妄想症"的边界。 机构视角偏差：作者作为估值学者，倾向于用严格的数据框架检验市场叙事，其"大市场妄想症"的判断本身也是一种立场，读者需注意其保守倾向。
作者承认逆向工程有局限，但在数据稀缺时提供了“合理性边界”和“对叙事的约束”。 他提供了一个通用盈亏平衡计算器，可用于检验任何AI投资（无论是买入AI公司的价格，还是公司自身的AI资本支出）是否创造价值。作者原话说：“if you are questioning whether Microsoft or Meta's AI cap ex is value creating or destroying, you can use this generic breakeven spreadsheet, to make your own judgment.” 意即：“如果你在质疑微软或Meta的AI资本支出是在创造还是毁灭价值，你可以用这个通用盈亏平衡电子表格，做出自己的判断。”
作者认为，要估值任何AI公司，必须依次解决五个关键问题：
1. 产品选择与市场定位：判断公司瞄准的是高端市场还是大众市场，以及收入来自各细分市场的比例。
2. 单位经济学与规模效应：大众市场产品定价低、订阅收入占比高，但会因AI token成本持续下降而更快改善单位经济；高端市场利润率高、护城河更强，但随产品能力提升，token使用量增加会加剧单位经济压力。
3. 竞争优势与护城河：大众市场依赖成本优势和规模，高端市场追求技术领先和产品粘性。
4. 增长所需的投资：已提前建设产能的公司价值更高；投资效率更高的公司也更有价值。作者特别指出：“It is interesting that starting with Deepseek, China seems to be trying the latter path to AI dominance, using less expensive (and less powerful) AI chips and not investing as much in mega data centers, and it may very well be the right choice, for much of the AI product and service market.” 意即：“有趣的是，从Deepseek开始，中国似乎正尝试后一条通往AI主导地位的路径——使用更便宜（且性能较弱）的AI芯片，不在超大规模数据中心上投入那么多，对于大部分AI产品和服务市场而言，这很可能是正确的选择。”
5. 监管约束（当前与未来）：公司所在地的规则会影响其价值。作者判断：“If past behavior is an indicator, the EU will be an inhospitable setting, for AI products and companies, and that may make a difference in how you value Mistral, with a base in France and more European-focused clients.” 意即：“如果过去的行为是指标，欧盟对AI产品和公司来说将是一个不友好的环境，这可能会影响你如何估值总部在法国、客户更偏欧洲的Mistral。”
作者曾用此流程估值xAI（作为SpaceX的一部分），但因该公司涉及太空发射和互联网服务而“搅浑了水”。他期待在Anthropic和OpenAI发布招股书后，将本框架应用于这两家公司。
作者明确表示，这个框架不会告诉他AI的TAM是多少，也不会告诉他Anthropic是否值2万亿美元。 但它能让他对TAM的估计有边界，能判断“22万亿美元的AI TAM是虚构的”，也能让他认识到“年ARR增长80%远不足以成为以2万亿美元估值买入Anthropic的理由”。作者原话说：“it will give me bounds for my estimates of TAM, allow me to determine that a $22 trillion TAM for AI is fiction and recognize that having your ARR grow 80% a year last year is not even close to being a rationale for why you should buy Anthropic at a $2 trillion pricing.” 意即：“它会给我的TAM估计提供边界，让我能判定22万亿美元的AI TAM是虚构的，并认识到去年ARR增长80%远不足以成为以2万亿美元估值买入Anthropic的理由。”
机构视角偏差：作者承认自己“对Anthropic和OpenAI传闻中1.5-2万亿美元的估值感到偏高”，但“愿意被惊喜”。他同时指出，任何声称对AI未来有绝对确定性的人，要么是无知，要么是傲慢——这呼应了他上一篇文章对Leo Aschenbrenner的批评：其整个投资策略建立在“AI将决定性地、迅速地赢得颠覆之战”的信念上，但问题不在于愿景不合理，而在于它“绝对不确定，至少不足以借入巨额资金来押注”。
| 标的 | 方向 | 作者态度一句话 | 关键数据 |
|---|---|---|---|
| Anthropic | 持有观察 | 传闻 IPO 估值 1.5-2 万亿美元，但作者认为偏高，需用逆向工程检验合理性 | 2026 年 7 月底 ARR 约 650 亿美元（比预期低 100-150 亿）；传闻 2 万亿美元定价需 10 年创造约 1.2 万亿美元营收 |
| OpenAI | 持有观察 | 同样面临估值泡沫风险，商业模式正从订阅转向使用量计费 | 2026 年 7 月底 ARR 约 400 亿美元 |
| Nvidia | 持有观察 | 截至目前 AI 周期中收入和利润的最大赢家（基础设施供应商） | 以市值增长计为过去四年最成功的 AI 公司 |
| Alphabet | 持有观察 | Mag Seven 成员，AI 资本支出巨大；Jeff Dean 离职导致市值下跌 5.4%（超 1000 亿美元） | 资本支出列入六大主要玩家之一 |
| Amazon | 持有观察 | Mag Seven 成员，AI 资本支出巨大 | 资本支出列入六大主要玩家之一 |
| Meta | 持有观察 | Mag Seven 成员，AI 资本支出巨大 | 资本支出列入六大主要玩家之一 |
| Microsoft | 持有观察 | Mag Seven 成员，AI 资本支出巨大 | 资本支出列入六大主要玩家之一 |
| Oracle | 持有观察 | 外部主要 AI 基础设施玩家 | 资本支出列入六大主要玩家之一 |
| Coreweave | 持有观察 | 外部主要 AI 基础设施玩家 | 资本支出列入六大主要玩家之一 |
| SpaceX (xAI) | 持有观察 | 作者曾用五步流程估值 xAI，但因涉及太空和互联网业务而“搅浑了水” | 银行家给出的 xAI 的 22 万亿美元 TAM 被作者认为是“幻觉” |
| Deepseek | 持有观察 | 中国 AI 公司，走低成本路线（便宜芯片、少数据中心），作者认为对大部分 AI 市场可能是正确选择 | 使用更便宜且性能较弱的 AI 芯片 |
| Mistral | 持有观察 | 总部在法国，客户偏欧洲，作者认为欧盟监管环境不友好会影响估值 | 欧盟被判断为对 AI 产品不友好的环境 |
| Google DeepMind | 持有观察 | 首席科学家 Jeff Dean 离职创办 AI 初创公司，引发 Alphabet 市值下跌 | 离职事件导致 Alphabet 市值下跌 5.4%（超 1000 亿美元） |