从807亿美元账面亏损、数千亿美元算力承诺，到大模型创始人与二级市场基金经理对AI资本周期的不同判断

研究日期：2026年10月26日

核心观点：看多智能需求，不等于看多智能资产的任何价格。

摘要：一份招股书，两种截然相反的未来

2026年10月26日，Anthropic终于向华尔街交出了自己的账本。

这家成立仅五年的人工智能公司，2026年上半年实现收入162.86亿美元，接近2025年全年收入的3.6倍；第三季度收入据投资者沟通会披露进一步达到约168亿美元。与此同时，公司上半年报告了高达807.48亿美元的GAAP净亏损。

如果只看收入，它似乎正在成为软件史上增长最快的商业帝国之一；如果只看净亏损，它又像一部每年需要吞噬数百亿美元资本的巨型机器。

但这两种判断都过于简单。

807亿美元的净亏损中，约724亿美元来自可转换融资工具等的公允价值重估，主要是非现金会计损失。Anthropic同期GAAP营业亏损仅为6.93亿美元，调整后营业利润已达到约16.2亿美元。

真正的问题并不是Anthropic今天是否赚钱，而是：如果它能够创造数千亿美元收入，最终究竟有多少能够留给股东，而不是流向云厂商、芯片公司、债权人及下一轮模型训练？

在与CoreMI研究员的交流中，基金经理Patrick描述了近期市场的一种变化。

“过去几周，市场更多是在交易叙事，而不是EPS或者行业基本面。年初大家认为SaaS可能被AI颠覆，但最近发现SaaS仍有生存空间。现在更重要的问题，可能已经从缺芯片变成了缺资本。”

另一位基金经理郝小雨则从完全不同的方向出发。他认为大模型的商业价值并没有消失，甚至正在获得越来越多企业客户认可。

两人争论的并非AI有没有未来，而是产业价值创造与资本市场价值分配之间，究竟隔着多远。

本报告的核心研究结论有四点：

第一，Anthropic的收入质量及经营效率改善具有真实证据，不能用净亏损数字直接否定其商业模式。

第二，模型算法、推理架构和硬件利用率改善，正在大幅改变单位智能的生产成本。大模型成本不是一条只能向上延伸的直线。

第三，Anthropic面临着独特的期限错配：按需付费的短期客户需求，与多年期算力采购义务并存。它可能成为未来增长的护城河，也可能在需求低于预期时变成财务约束。

第四，以1.5万亿至2万亿美元的估值购买Anthropic，本质上不是购买今天的收入，而是在购买2028年甚至更远期的自由现金流。

一、拆解807亿美元亏损：华尔街最容易算错的账

1. 三种利润，三种完全不同的故事

根据Anthropic于10月26日公开的S-1文件，以及媒体对其披露数据的核查：

这些数字最重要的变化不是收入增长，而是营业亏损率的迅速改善。

2025年全年，Anthropic的营业亏损甚至超过收入；到了2026年上半年，其GAAP营业利润率已经改善至约-4.3%。

然而，为什么净亏损仍然高达807亿美元？

答案主要存在于融资工具估值，而不是GPU电费。

Anthropic此前通过可转换票据及其他融资工具筹集资金。当公司估值快速上涨时，相关金融负债也可能按照新的公允价值重新计量，在利润表上形成损失。

上半年约724亿美元的这类会计损失，并不代表公司实际支付了724亿美元现金。

但也不能因此认为这些损失没有经济后果。

如果有关融资工具最终转换为股权，原股东可能承担稀释成本。对长期投资者来说，现金没有立即流出，并不等于资本没有付出代价。

因此，807亿美元的净亏损既不应被机械理解为经营失败，也不能简单全数加回，宣称公司已经实现高额经济利润。

正确的方法，是同时观察经营利润、经营现金流、融资工具变化及未来股权稀释。

2. 模型训练为什么比普通软件复杂？

一位已上市大模型公司创始人在CoreMI研究员参与的技术交流中，将大模型训练比作制造火箭。

在他看来，大模型训练并不是某一种算法独自发挥作用，而是大量工程模块和计算机制协同运转的结果。任何一个环节出现问题，都可能影响整个训练过程。

这句话为理解Anthropic的成本结构提供了一个重要视角。

微软Office或者传统SaaS企业的软件开发成本，通常在产品成熟后体现出显著规模效应。但前沿大模型需要不断训练新的基础模型、改进推理能力，还要处理越来越复杂的硬件与软件协同。

它不是一次性开发完成就可以长期分销的软件。

这位创始人在交流中反复强调，大模型训练最重要的不是选择某种看起来效果最好的算法，而是让整个训练过程保持稳定。

“在训练超大模型时，稳定比任何事物都重要，只有稳定才能做好。”

模型一旦在大规模训练中出现数值不稳定，数以万计加速芯片的计算时间就可能被浪费。

这意味着模型公司的研发费用不仅取决于GPU价格，还取决于模型训练成功率、工程容错能力和是否需要重复训练。

这部分成本不一定随收入线性下降。

研究判断：Anthropic已经证明经营杠杆正在改善，但尚未证明持续前沿模型竞争所需的研发投入能够稳定地低于收入增长。

二、85%的毛利率：一家软件公司，还是一家智能制造厂？

据Reuters Breakingviews于10月15日报道，Anthropic在2026年前三季度累计GAAP毛利率约85%，明显高于2025年的40%；同期调整后营业利润率为11%。

这组数据非常有吸引力。

但财务毛利率并不等于全部经济成本已经被覆盖。

2026年上半年，Anthropic披露的计算与基础设施费用达到约89.5亿美元，相当于同期收入的约55%。这些费用横跨经营中的不同成本项目，不可直接拿来与GAAP销售成本简单对应。

尤其值得关注的是训练与推理之间的区别。

推理是产品交付成本。客户调用Claude时，需要处理Token、存储KV Cache、执行计算并生成结果。

训练则更像下一代产品研发。一家公司即使当前产品拥有较高毛利率，仍可能为了保持技术领先，在下一轮模型开发中重新投入大量资金。

上述大模型公司创始人在与CoreMI研究员交流时特别提到大规模GPU集群的成本问题。

在数万张加速卡共同工作的情况下，训练任务每节省一天，都可能意味着极为可观的费用减少。他认为，大模型训练中的许多技术变化，本质上都是在解决规模扩大后出现的计算效率与数值稳定性问题。

这段话揭示了一个被传统财务分析容易忽略的问题：大模型企业的利润率不仅由产品定价决定，还取决于数学、数值精度与工程组织能力。

1. 算法优化可能比购买更多GPU更值钱

在讨论RMSNorm等归一化技术时，这位创始人举了一个具体例子：如果发现原来计算过程中的某个步骤并非必要，就可以将其删除，从而减少运算。

看似微不足道的变化，在大规模模型中可能带来显著收益。

“很多改动都是很小的改动，这些小改动可以让效果提高或者速度大大提高，并不复杂。”他表示。

在大模型中，这类改进包括RMSNorm、算子融合以及避免重复内存读写等。

其经济意义是：同一块GPU可以完成更多有效工作，从而改善单位计算成本。

这里存在一个重要的反直觉事实：大模型公司的护城河可能不只来自模型参数数量，也来自成千上万个微小工程决策的复合收益。

这些收益未必被市场及时识别，却可能首先反映在推理毛利、训练周期和模型交付速度上。

2. MoE不是简单地把模型做大

大模型训练中的另一个重要方向是混合专家架构（MoE）。

这项技术让模型拥有大量参数，却不要求每次推理都激活所有参数。它可以让模型容量与单次计算量部分解耦。

在与CoreMI研究员的交流中，这位已上市大模型公司创始人详细分析了MoE技术从早期研究走向工程化应用的过程。

他认为，MoE之所以成为重要技术路线，一个关键因素就是它能够减少模型运行中需要实际激活的计算量。对于大规模模型来说，当一项工程改进能够节省大量GPU计算费用，企业自然有强烈动力采用。

但MoE绝不是免费的效率革命。

他同时指出，在大量专家之间进行路由时，部分专家可能被频繁调用，另一些专家却得不到充分训练，导致负载不均衡。为解决这些问题，模型开发者还需要引入额外的负载平衡机制。

这意味着模型越大，不一定越经济。GPU通信、专家负载不均衡、训练数值稳定性与跨芯片调度，都可能吞噬理论上的节省。

对Anthropic来说，判断其未来成本优势，不能仅通过公开模型参数或基准测试排名完成，还需要看每项真实任务消耗多少有效计算资源。

三、从FlashAttention到HBM：为什么芯片用量与智能产出可能脱钩？

这是CoreMI研究AI产业链时最需要重视的技术变量之一。

传统注意力机制的一大成本，来自计算中间结果及频繁访问高带宽存储器（HBM）。

FlashAttention等技术通过分块计算、融合操作、减少不必要的内存访问，提高GPU利用率。

一位已上市大模型公司创始人在与CoreMI研究员交流时，专门讨论了FlashAttention对计算效率的影响。

他解释说，在传统注意力计算过程中，中间数据需要多次写入并读取HBM，而访存带宽可能成为性能瓶颈。FlashAttention的重要创新，就是通过重新组织计算、减少读写次数，提高整体执行效率。

这段技术分析对美光、三星、SK海力士及英伟达的长期投资判断有实际意义。

传统分析往往认为，模型上下文越长、参数越多，HBM需求就会同比例甚至更快增长。

但算法优化可能改变单次计算所需的存储容量、访存次数和带宽消耗。

当然，这不意味着HBM需求必然减少。

如果推理成本下降推动AI Agent规模化使用，推理请求次数、并发用户和实际任务长度的扩张，可能超过单次任务存储需求的下降。

因此，真正需要预测的是：

有效智能需求增长 × 单位任务存储需求 × 并发需求，而不是单纯的参数数量增长。

1. 标称百万Token，不等于百万Token都有效

在技术交流中，这位创始人还谈到了当前大模型在长上下文处理中的一个问题。

他提到，在对某些模型的使用观察中，即使模型标称能够支持约一百万Token的上下文，真正能够保持较好效果的长度也可能明显短于标称长度。在他讨论的一个例子中，超过二十多万Token之后，实际效果就开始下降。

这是对特定模型的技术观察，不是对Anthropic全部产品的测试结论。

但它提醒我们，模型市场存在两种可能被混淆的指标：标称容量与有效任务能力。

如果一家模型公司能够通过稀疏注意力、上下文压缩和记忆检索，以更少的计算完成相同任务，那么它可能同时改善产品体验与利润率。

另一方面，如果用户开始让AI处理持续数小时甚至数天的任务，其计算成本和内存需求也可能显著上升。

模型架构改进与需求扩张之间的竞赛，决定了算力供应商最终能获得多大收入。

2. 模型越大，边际成本越低吗？

答案并不总是如此。

这位创始人在分析不同MoE技术路线时指出，激活参数太少，可能带来训练不稳定和模型效果不足的问题；但激活参数过大，又会导致计算量快速增长。

他还以部分模型为例，提到即使模型能力较强，实际在线推理速度和成本仍可能限制其应用规模。

这里揭示了一个经济学约束：提高智能能力与降低交付成本，并不总是同一条技术路线。

一家企业可能在排行榜上赢得胜利，却在成本曲线上败给竞争对手。

在推理服务逐渐商品化时，单位有效任务成本（Cost per Successful Task）可能比每百万Token价格更有解释力。

3. 国产卡与海外芯片的差距究竟在哪里？

这位创始人还根据自身早期国产加速芯片训练经验指出，国产芯片与国外芯片的差距，并不只是理论计算性能。

他特别提到内存、带宽、数值精度以及软件调优等问题。

国产芯片已经能够用于大模型训练和推理，但在工程效率和系统稳定性方面，仍需要持续优化。

这个判断比简单讨论算力芯片的峰值FLOPS更重要。

一种芯片的理论算力优势，并不必然转化为模型公司的实际训练收益。

如果软件生态、编译器、跨芯片通信和低精度计算支持不足，单位训练成本可能明显高于设备采购价格暗示的水平。

因此，英伟达、Google TPU、AMD与中国本土加速芯片之间，竞争的不是单颗芯片，而是完整的训练与推理系统。

四、技术优化能否压倒Token价格下降？

这是Anthropic估值最关键的收入假设。

收入增长可以拆成两个变量：

收入 = 付费使用量 × 实际平均收费价格

如果价格下降速度超过用量增长，收入就可能放缓，即使客户使用AI的频率明显增加。

Reuters Breakingviews引用Ramp数据显示，2026年第三季度某个观察区间内，Anthropic相关Token消费量增长约90%，相应支出仅增长约19%。这一第三方样本并不代表Anthropic整体收入，但说明价格、模型组合与使用量之间存在明显错位。

我们做一个标准化的情景实验，而不是把它当成Anthropic的真实财务数据：

在这个假设中，价格下降40%，单位服务成本下降65%，使用量增长120%。

最终结果是，收入增长32%，但贡献利润增长约69%。

Token降价并不天然破坏模型公司的商业模式。只要成本下降足够快、需求弹性足够强，利润可以比收入增长更快。

不过，这个模型并不包含新模型训练费用、渠道费用及资本成本。

一位已上市大模型公司创始人在与CoreMI研究员交流时，特别强调了超大规模训练中程序执行效率的重要性。

他举例说，在传统小规模研究中，程序运行慢十倍或许只是从一小时延长到一天。但到了大模型时代，同样的效率差距，可能使原本两个月的训练变成两年，这样的研究就失去了现实意义。

这一观点表明，算法与工程效率不是单纯的软件优化，而是研发资本周转率的一部分。

他还特别指出，随着训练逐渐采用BF16、FP8等低精度数值格式，计算成本虽然可能下降，但数值误差也可能增加。一旦精度处理不当，训练结果就可能失效。

因此，使用更低精度不一定必然更便宜。真正的成本应包括失败训练、调试与重复计算。

最后，在谈及模型规模时，他向参与交流的研究人员提出了一个反问：

“训练两万亿参数模型，就一定比一万亿参数模型好吗？不一定。”

这句话对Anthropic以及整个大模型行业都是一个提醒。

下一代模型的商业价值，不应简单由参数数量、训练GPU数量或者公开排行榜决定。

更适合资本市场的指标，是每投入一美元全成本，能够交付多少具有实际经济价值的任务。

五、真正需要警惕的不是亏损，而是期限错配

Anthropic于2026年6月底拥有约1,317亿美元现金及短期投资。

对一家成立五年的企业而言，这当然是惊人的资金实力。

但是，现金储备并不足以回答它未来十年的全部资本需求。

2026年9月29日，路透社依据当时的保密招股书披露，Anthropic与六家合作伙伴涉及至少5,180亿美元的未来AI基础设施支出安排，其中约80%不可取消或具有最低付款义务。

这些安排涉及Google、Amazon、Microsoft、Broadcom等企业。

10月26日，FT依据更新招股书报道的更大范围支出承诺接近8,000亿美元。但这些数字涉及不同范围的合同、租赁、安排及可能支出，不能全部等同为已经确认的金融债务，也不能简单相加。

1. Anthropic存在一种特殊的“短收入、长算力”结构

根据披露，上半年约80%的收入来源于使用量计费。

当客户减少使用量、选择更便宜模型，或者转向自建系统时，其支出可以较快下降。

但Anthropic签署的长期算力合同，可能需要在未来多年持续付款。

这是一种经济上的期限错配，不等于会计上的所有债务都短期到期。

在与CoreMI研究员交流时，基金经理Patrick表达了对云厂商资本开支持续性的担忧。

他认为，市场目前很难判断未来两三年的存储价格是否能够保持高位，也很难确认云厂商持续扩大资本开支的能力。

特别是在一些企业的资本开支快速增长、经营现金流受到压力时，未来数据中心建设可能需要更多外部融资，包括项目融资、表外安排和股权融资。

这属于基金经理对行业资本结构的判断，而不是所有云厂商资本开支都已经超过经营现金流的事实结论。

但它提出了一个重要问题：

AI产业链上游正在签下越来越长的供货合同，下游最终用户却不一定愿意签下同样长的购买承诺。

当需求向上时，这种结构提升了供应商收入的可见性。

当需求向下时，它可能放大整个产业链的库存、折旧、融资和重新议价风险。

2. 50GW与数万亿美元资本开支：压力测试，不是事实预测

在交流中，Patrick还提出了一个更激进的情景：如果未来新增算力基础设施规模达到50GW，按照每吉瓦约600亿美元投资进行测算，所需要的资本可能达到3万亿美元左右。

这里必须把假设和事实分开。

50GW是交流中设定的潜在建设规模，并非已经核实的2027年实际交付能力；每吉瓦600亿美元也属于用于测算的成本参数，不能直接适用于所有数据中心。

但算术本身说明了资金约束的重要性：

50GW × 600亿美元/GW = 3万亿美元。

这不是Anthropic一家公司需要支付的费用，而是对行业大规模算力扩张的极端资本需求情景。

如果资金成本持续上升，原本看起来有吸引力的长期AI项目，就可能因为现金流回收期过长而被推迟或重新融资。

资本市场真正担心的不是GPU没有需求，而是需求增长能否转化成足够快的现金回收。

六、两位基金经理的真正分歧：企业可以很好，股票也可以很贵

郝小雨对大模型的研究，更接近从传统SaaS出发的基本面分析。

他关注ARR、NRR、单位经济性及企业客户持续使用的能力。

在与CoreMI研究员交流时，他认为Anthropic和DeepSeek在某些留存及成本指标上已经表现出很强的商业潜力。

他特别提到，DeepSeek虽然定价相对较低，但成本也可能更低；Anthropic的产品价格较高，却拥有愿意支付溢价的企业客户。这两种不同的定价模式，都有机会形成可持续的商业模式。

他的交流中还提及部分数据可能高于130%。这一数值属于其个人比较分析口径，不能视为两家公司的统一或经过审计的NRR。

事实上，Anthropic最新S-1披露，其2026年9月30日合格客户群的净收入留存率约900%。

这是一个更强烈的增长信号，但同样需要谨慎解释：它反映特定客户群支出规模的扩张，不代表未来可长期保持900%，更不能与DeepSeek未经统一定义的数据直接比较。

郝小雨的投资研究逻辑并非没有依据。

AI与早期SaaS存在类似的客户扩张路径：企业最初尝试一项功能，之后将其嵌入生产流程，使用量持续增长。

但它们的成本结构不同。

成熟SaaS新增用户的边际软件成本通常较低，而模型推理必须持续消耗计算资源，复杂Agent任务还可能成倍增加工具调用与推理成本。

因此，Anthropic不是可以机械套用传统SaaS估值倍数的企业。

1. 真实生产率提升已经出现

郝小雨在讨论AI对经济的影响时举了一个十分具体的例子。

在他们的研究工作中，AI已经帮助分析师提高了工作效率，一名分析师现在能够覆盖过去可能需要两名分析师共同覆盖的研究范围。

这个观察的价值，在于它将模型能力转化为企业可理解的经济收益。

如果一名分析师使用AI后，能够完成更多研究、处理更多数据或者覆盖更多上市公司，那么企业购买Token的理由就不再是好奇，而是生产率回报。

对Anthropic来说，企业愿意支付的价格，不完全取决于GPU成本，而取决于AI实际替代或增强的工作价值。

但是，使用者生产率提高，也不保证模型提供商能够全部捕获这些价值。

企业可能借助多个模型进行议价，模型竞争可能使效率红利更多流向企业客户，而不是模型供应商股东。

这是另一个容易被忽略的价值分配问题。

2. 为什么长期看好AI的人，也在减仓科技股？

郝小雨在同一次交流中谈及自己的配置变化。

他表示，自7月份降低科技股仓位后，自己主要配置了银行、传媒和消费领域的部分红利股。虽然仍然持续关注科技行业，但由于部分股票估值已经较高，当前保持了相对保守的投资状态。

这段话与其对AI商业前景的乐观并不矛盾。

产业研究回答的是：AI能否创造经济价值？

股票投资还必须回答：这些价值是否已经被股票价格提前透支？

他在交流中也强调，二级市场始终是在与预期博弈。即使产业方向正确，估值下降也可能使股价承压。

Patrick从资金面和资本开支出发，郝小雨从客户质量和估值出发，但两人都在区分长期技术趋势与当前资产价格。

这正是CoreMI认为最值得研究的共同点。

七、2028年收入2,000亿美元，能支持多少估值？

根据路透社2026年8月的独家报道，Anthropic向潜在投资者展示的2028年收入预测约为1,900亿至2,000亿美元。

这是公司预测信息经消息人士披露，并非正式已经实现的业绩。

现在我们用1,950亿美元作为中间情景，进行估值反推。

如果2028年实现1,950亿美元收入，按不同自由现金流利润率测算：

以上只是2028年单年现金流倍数，尚未折现回2026年，也没有进一步调整股权稀释与净债务差异，不是完整DCF估值。

但它说明了一个重要事实。

即使Anthropic真的在2028年实现近2,000亿美元收入，如果自由现金流率只有10%，1.5万亿美元估值仍然意味着投资者为那一年现金流支付约77倍价格。

如果未来自由现金流率达到30%，估值的合理性才明显改善。

因此，市场赌的是两个变量同时成立：

第一，收入增长能够延续到足够大的规模。

第二，扣除真正必要的全部成本后，自由现金流率能向高水平收敛。

只证明第一点，远远不够。

1. 为什么2028年预测可能过于乐观？

按照第三季度168亿美元收入简单年化，Anthropic当前季度收入运行速度约为672亿美元。

要在2028年实现1,950亿美元全年收入，规模需要达到当前年化水平的约2.9倍。

高增长并非不可能，但随着基数扩大，维持增长难度会增加。

同时，定价下降会影响增长。竞争对手的模型能力进步、开源模型进入企业市场、云平台推广自有模型，都可能改变Anthropic的定价能力。

更重要的是，基础模型企业的竞争并没有结束。

一位已上市大模型公司创始人在与CoreMI研究员交流时，提出了另一个值得观察的趋势：人工智能开始逐步参与自身研发流程，包括编写算子、优化程序、设计工作流程，甚至未来可能参与模型训练方法的自动迭代。

他认为，最初是AI自动完成过去由人设计的部分工作流程，随后可能进一步进入模型研发、训练和优化环节。

这项变化可能同时作用于收入和成本。

如果AI能够完成更多复杂任务，它会创造新的付费需求。

如果AI能够协助改进算子、训练调度和模型架构，它又可能降低生产智能的成本，并缩短后来者追赶领先模型的时间。

所以，AI技术进步未必只巩固现有龙头的竞争优势，也可能不断削弱既有技术路线的稀缺性。

八、不能忽视的第三种风险：云平台既是股东、客户，也是竞争者

Anthropic的商业模式还有一个不同于传统独立软件公司的特点。

Google和Amazon既是其重要投资者，又提供算力、销售渠道，同时也是基础模型竞争者。

根据路透社对保密招股书的分析，2025年Anthropic约47%的收入通过Amazon和Google的云市场渠道实现。

该公司确认这些渠道交易的全部收入，同时将渠道费用列入相关经营费用。路透社估算，这些渠道收取的费用约占渠道销售额的16%。

这样的会计安排符合其披露的总额确认逻辑，但在与采用不同收入确认方式的竞争者比较时，需要调整口径。

更值得关注的是控制权。

根据10月26日S-1披露的拟议上市后安排，创始人控制实体将拥有约50.1%的通常股东投票权，同时公司的Long-Term Benefit Trust还享有特定董事选举权。

这意味着即使Anthropic上市，普通公众股东也未必拥有与资本投入成比例的治理影响力。

Anthropic作为公益公司（Public Benefit Corporation）的使命、安全承诺和持续研发目标，也可能与短期利润最大化存在张力。

这不一定是缺点，但应当反映到公司治理风险评估及估值中。

九、对英伟达、美光、台积电的真正启示

从CoreMI的产业链视角，Anthropic的招股书提供了一个新的观察角度。

模型公司的收入周期、芯片厂商的订单周期、数据中心的建设周期和最终股东的现金回收周期，可能并不同步。

在短期内，长期合同能够支持GPU、TPU、HBM、晶圆制造以及数据中心设备订单。

但在中长期，如果模型效率大幅提升，单位任务的计算量和存储需求可能下降；如果Token价格竞争激烈，下游收入增长可能慢于用量增长；如果Agent大规模普及，以上负面因素又可能被需求扩张抵消。

因此，不能简单因为Anthropic毛利率改善就推导出芯片供应商的盈利下降，也不能因为云厂商持续建设数据中心就断言所有支出能够获得高回报。

对NVDA、MU、TSM三个环节，分别需要关注：

英伟达：不只是GPU出货数量，还要研究系统效率、替代算力平台、客户资本支出能力，以及更高性能是否能够维持足够价格溢价。

美光：不只是HBM产能紧张，还要关注模型推理的有效内存需求、HBM与其他存储技术的相对经济性、产能投资回收及存储价格周期。

台积电：除了GPU制造需求，还需要追踪TPU、定制ASIC以及其他加速器需求转移，因为模型企业并不必须把所有算力需求交给同一芯片供应商。

真正的风险不是AI停止发展，而是AI继续高速发展，资本回报却在产业链不同环节发生重新分配。

十、CoreMI反证框架：什么数据会证明我们的判断是错的？

为了避免这份报告变成单纯的估值评论，后续研究应当使用可证伪指标，而不是只跟踪新闻标题。

最值得建立的是一个综合指标：

单位智能资本回报率 = 某一时期可归属的增量经营现金贡献 ÷ 为产生该贡献投入的全部相关资本。

在实际测算中，分母必须包含与该业务相关的训练投资、推理能力建设、必要设备租赁资本占用及其他实际资本投入，避免仅使用已支付现金导致资本占用被低估。

该指标无法完全替代企业ROIC，但有助于监测一个重要趋势：模型越来越聪明，是否真的让资本回报越来越高？

结论：智能是新的生产力，但未必是新的超额利润

Anthropic的招股书，不是AI泡沫即将破裂的证明。

相反，它提供了一个重要事实：人工智能已经开始在企业软件和专业工作流程中创造大规模真实收入，模型公司的营业亏损也可以随着收入增长迅速收窄。

这意味着大模型企业不再只能依靠风险投资讲述未来，它们正在形成有实际付款人的商业市场。

但同一份招股书也提醒投资者，模型收入、利润和自由现金流之间，仍然存在一道由算力、训练、融资与长期合同构成的资本门槛。

对Anthropic来说，技术进步可能同时降低成本和削弱模型定价权；算力采购可能同时构成增长保障和财务约束；客户增长可能同时创造巨额收入和越来越激烈的竞争。

这不是简单的“AI是否值得投资”问题，而是一个更困难的资产定价问题。

真正的反直觉真相是：AI能够创造的经济价值可能持续增长，但这不意味着今天所有AI资产的持有人，都能够按当前估值分享同等比例的未来收益。

未来几年，市场最重要的分野，可能不再是哪些企业拥有最多的GPU，而是哪些企业能够用最少的资本、最稳定的系统，创造最多可以收费、可以持续、最终可以变成自由现金流的智能服务。

资本市场曾经为“谁能拥有最多的算力”支付溢价。

下一阶段，它可能要求企业回答一个更传统、也更残酷的问题：

每投入一美元，究竟能赚回来多少钱？

资料来源

公开资料

• Anthropic，Form S-1，2026年10月26日公开提交，SEC EDGAR。
• Reuters Breakingviews，2026年10月15日，关于Anthropic估值、利润率及Token经济性的分析。
• Reuters，2026年9月29日，关于Anthropic长期算力合同、渠道安排及基础设施承诺的报道。
• Reuters，2026年8月14日，关于Anthropic 2028年收入预测的报道。
• Financial Times，2026年10月26日，关于Anthropic IPO及未来支出安排的报道。

一手交流资料

• 一位已上市大模型公司创始人参与的技术课堂交流，CoreMI研究员参与。
• 两位基金经理关于二级市场与AI经济的交流，2026年10月24日。Patrick、郝小雨均为化名。

CoreMI Research

See Beyond Consensus. Find Counterintuitive Truth.