正在数钱的阿莫迪兄妹。图片由AI生成文丨胡泳 北大新闻与传播学院教授
编辑丨苏扬
人工智能产业正迎来一个具有标志性意义的时刻。
2026年11月,成立仅五年多的Anthropic启动首次公开募股(IPO),试图以超过万亿美元的估值进入资本市场。
根据招股书提供的信息,Anthropic IPO 完成后的基本流通总股本约为130.7亿股,按70至78美元的发行价区间算,对应基础市值约9160亿至1.02 万亿美元。如果把员工期权等约49.2亿股潜在股份合并计入,对应完全摊薄估值约为1.26万亿至1.4万亿美元。
一家以大语言模型为核心产品的公司,在如此短的时间内获得如此庞大的市场估值,本身就是技术产业史上罕见的现象。
然而,Anthropic的上市不仅意味着资本市场对人工智能前景的认可,也意味着一个长期被技术突破与融资热潮掩盖的问题,终于必须接受公开检验:人工智能已经创造了巨大的市场需求,但它究竟能否创造与其估值相匹配的利润?
我们希望通过这篇文章,探讨几个话题:
700亿美元年化收入、调整后41亿美元的经营利润与1040亿美元的净亏损,同时出现在招股书,判断商业模式的依据是什么?
模型每一次推理都要消耗算力,最活跃的用户未必贡献最多的收入。
模型公司以能源、电信和基础设施的方式组织资本,估值逻辑也就从“模型有多强”,转向资本成本、投资回报周期与资本回报率。
掌握用户关系、工作流和生态的公司,可能比模型公司更容易把智能变成收入。
现在都认同用“把工作做完”为职能定价,但任务失败、出错造成的经济损失由谁承担还没有共识。
人工智能创造的价值,并不必然等于模型开发商的收入和利润。
把芯片、电力、研发和融资成本等结算之后,“挖金子”的人还能留下多少,是Anthropic上市真正要检验的事。
01 700亿vs13亿:收入奇迹与利润疑问
在此前的人工智能淘金热中,最确定的赢家似乎一直是那些出售“铲子”的企业。英伟达提供GPU,台积电承担先进芯片制造,云计算公司建设数据中心,电力和能源企业则为日益庞大的计算设施提供基础条件。
无论哪一家大模型公司最终胜出,这些基础设施供应商都可以从整个产业的扩张中获益。
相比之下,OpenAI和Anthropic等直接开发大模型的企业虽然获得了惊人的用户增长与收入增长,却始终面临一个更为复杂的经济学问题:开发智能的成本、出售智能的价格,以及维持技术领先所需的资本投入,究竟能否形成一个可持续的商业循环?
Anthropic的招股书为认识这一问题提供了重要依据。
根据2026年11月更新的上市文件,公司2025年收入约45.85亿美元,2026年前九个月收入已达到332.42亿美元,仅第三季度就实现约170亿美元收入。这意味着其仅仅一个季度的收入,就已经超越了整个上半年的总和。如果将第三季度的单季收入简单年化,Anthropic的收入运行率(run-rate)已接近680亿至700亿美元。
这种增长速度远远超过传统软件产业的发展节奏,说明生成式人工智能已经不再是一项主要依靠资本补贴维持用户规模的实验性技术,而是正在形成具有实际支付能力的商业市场。
尤其值得注意的是,Anthropic的收入主要来自企业客户及按智能使用量计费的服务,而非单纯依赖个人消费者的固定月费。这表明大模型商业化的重心正在从出售聊天工具的使用权,转向出售能够参与生产活动的智能能力。
大模型不仅挖到了金子,而且挖掘量以吨计。然而,收入的爆炸式增长并没有自动消除盈利问题。
Anthropic在2026年前九个月的算力与基础设施支出达到约188亿美元,占其332.42亿美元总营收的约57%。
经营层面仍然出现亏损,前九个月的GAAP(美国通用会计准则)经营亏损约为12.6亿至13亿美元。前九个月净亏损高达1040亿美元,但其中相当大一部分来自可转换融资工具及相关负债的公允价值重估,并非日常经营的现金失血。与此同时,公司披露的调整后经营利润已经转正至约41亿美元(调整后经营利润率约12%),收入相对于算力成本的效率也显著改善。
因此,如果仅凭巨额净亏损断言Anthropic的商业模式无法成立,显然过于简单;但如果仅凭调整后经营利润转正就认定大模型已经解决盈利难题,同样缺乏充分依据。
关键在于,企业在承担持续的研发投入、算力采购、基础设施建设及融资成本之后,能否长期产生足够的自由现金流(FCF)。
越来越多的公司开始强调人工智能带来的可量化生产率提升,包括加快工作流程、自动化处理常规任务、扩大服务能力,以及改善成本控制。显然,人工智能需求强劲,然而华尔街正在对满足这种需求所需付出的成本失去耐心。
最鲜明的例子就是Meta。该公司的第三季度财报显示,尽管人工智能推动了Meta广告收入增长达26%,但公司的季度自由现金流却转为负值,这是十多年来首次出现现金净流出的情况。与此同时,Meta还上调了资本支出预期,以支持其激进的人工智能基础设施扩张计划。
整个华尔街对AI基建投资回报率(ROI)的焦虑瞬间放大。
过去两年,市场只要听到“AI能力提升、用户粘性增加”就会给予盲目的溢价;而到了当前阶段,当资本支出向着全行业数千亿美元甚至向着万亿规模逼近时,华尔街开始像精算师一样盘算:这些算力投入究竟什么时候能转化成实打实的净增自由现金流?
如果投资回报周期被拉得太长,或者AI带来的收入增量无法对冲每年数百亿美元的折旧与电费账单,市场就会施加估值惩罚。
根据市场研究机构Gartner的预测,如果企业继续维持目前的支出速度,到2030年年底,超过3.5万亿美元的人工智能基础设施投资可能面临资产减值风险。预计人工智能服务提供商2026年将在人工智能基础设施上投入近1万亿美元,并在2027年至2030年间再投入6万亿美元。
Gartner指出,在此期间,企业客户和消费者带来的人工智能收入,可能不足以支持这些投资实现盈利性回报。
02 规模不经济
巨大的供需与财务错配揭示了大模型与传统软件产业之间的根本区别。
过去几十年,软件即服务(SaaS)之所以成为资本市场青睐的商业模式,关键在于软件开发完成之后,向更多用户提供服务的边际成本相对较低。随着客户规模扩大,企业通常能够通过规模效应不断提高利润率。但大模型并不完全遵循这一逻辑。
模型每一次模型推理、代码生成、长文本分析以及智能代理执行任务,都需要消耗实际的计算资源。尤其当人工智能从回答问题发展为自主完成复杂工作时,一项任务可能需要反复调用模型、检索外部信息、执行程序并验证结果,成本随之增加。对于提供固定月费订阅的企业而言,最活跃的用户未必是利润贡献最高的用户,反而可能是算力消耗最大的用户。
这也就是为什么各大模型厂商不得不通过上下文长度限制、调用次数上限或分层计费来“筛选用户”的原因。
在重度用户有可能从“资产”变“包袱”的情况下,判断一家大模型企业的商业模式是否成熟,不能只看付费用户数量、订阅收入增长或用户活跃度,还必须观察不同用户群体的单位经济效益:每位用户贡献多少收入,消耗多少推理资源,使用强度增加后利润率如何变化,以及企业能否通过更合理的定价和技术优化改善这种关系。
大模型并非注定无法形成规模经济。模型压缩、推理优化、芯片升级、缓存技术以及不同模型之间的任务分配,都能够持续降低单位计算成本。Anthropic披露的经营效率改善,也说明技术进步可以改变成本结构。
然而,人工智能还面临一种特殊的需求扩张机制:当智能服务变得更便宜、更强大时,用户可能不只是以更低成本完成原有任务,而是开始要求机器承担更多过去无法完成的工作。
经济学中的杰文斯悖论在这里提供了一个有启发性的参照:资源利用效率提高,并不必然减少资源消耗总量,反而可能刺激需求增长。对于大模型企业而言,单位推理成本下降,未必意味着整体算力支出下降。更便宜的智能可能带来更广泛的应用,也可能带来更庞大的计算需求。
Anthropic招股书中关于未来算力采购承诺的披露,就凸显了这一矛盾。公司已签订及披露的长期算力与基础设施安排,总规模接近9000亿美元,其中相当大一部分预计在2030年前发生。
这些数字并不意味着Anthropic已经支付了相应金额,也不能简单视为当前债务,但它们反映出一个重要变化:前沿人工智能企业正在从传统意义上的轻资产软件公司,转变为高度依赖芯片制造、电网容量、数据中心和长期资本融资的重资产技术企业。大模型公司虽然仍在押注算法创新和研究人才,但它们越来越受到物理基础设施供给的制约。
如果一家企业必须持续投入数千亿美元才能保持技术领先,那么即使其收入增长令人惊叹,也不能保证其资本回报率足以支撑现有估值。
人工智能正在呈现一种特殊的产业形态:它以软件产业的速度创造收入,却可能需要以能源、电信和工业基础设施产业的方式组织资本。投资者以往只要关注哪家公司拥有最先进的模型、最多的用户和最快的收入增长即可;但在未来,资本成本、算力采购价格、基础设施利用率以及投资回收周期,可能同样决定企业的长期竞争力。
03 模型商品化的几种可能性
与Anthropic相比,OpenAI的商业布局更加广泛,既试图成为个人用户的通用智能助手,也试图成为企业和开发者使用人工智能的基础平台。但OpenAI也面临着类似的矛盾。
尽管 OpenAI的年化收入(ARR)和单季营收已达到百亿美元级别,但多份公开财务披露与行业预测均指出,受制于下一代前沿模型的天价训练成本、巨额推理支出以及千亿级的算力租赁协议,其近年来的累计经营亏损与未来几年的预期现金流缺口依然高达数百亿乃至上千亿美元。
所以,能否吸引用户不是关键,最大挑战在于如何将广泛的使用需求转化为足以覆盖持续资本投入的收入。
Meta则展示了另一条道路。
与OpenAI和Anthropic不同,Meta并不主要依靠出售大模型获得收入,而是将人工智能嵌入已有的广告、推荐和社交平台体系。模型能力的提升可以改善内容分发、广告匹配和营销自动化效率,从而直接增强其成熟业务的盈利能力。
对于Meta而言,人工智能首先是一种提高既有商业系统效率的技术,而不一定是一项需要独立收费的新产品。这种模式具有明显优势:它能够利用现成的客户关系、用户规模和广告交易体系实现变现,而不必完全依赖消费者为智能服务建立新的支付习惯。
不过,Meta同样面临数据中心投资不断扩张的问题,巨额资本支出正在对自由现金流形成压力。这说明,拥有成熟商业模式并不能消除人工智能的资本密集特征,只是为承担这些成本提供了更稳定的收入基础。
Meta的案例还揭示了大模型商业化中一个更深层的矛盾:模型创造的经济价值,并不一定由模型提供商直接获得。
当人工智能越来越广泛地嵌入各类产品和服务时,掌握用户关系、应用场景和商业渠道的企业,可能比单纯提供模型能力的企业更容易实现价值变现。这也使基础模型是否会逐渐商品化,成为理解大模型企业盈利前景的关键问题。
如果不同企业开发的模型在性能、可靠性和使用体验上逐渐接近,客户就会越来越关注价格与服务成本。模型提供商即使持续取得技术进步,也可能因竞争而难以长期维持高额利润。
技术能力的扩散有利于消费者,却不一定有利于最初的技术开发者。历史上,许多重要技术最终都成为广泛使用的基础设施,但技术本身的普及并不保证其发明者获得最大的经济收益。
不过,模型商品化并不意味着所有人工智能服务都会商品化。
企业真正购买的往往不是一个能够回答问题的模型,而是一套能够理解内部业务、调用专有数据、执行复杂流程并满足安全与合规要求的智能系统。当人工智能深度进入企业的财务、研发、法律和客户服务流程时,更换供应商就不再只是更换一个聊天界面,而可能涉及数据迁移、系统整合、风险控制和组织培训。
因此,未来更牢固的商业护城河可能不在模型参数本身,而在模型与企业工作流程的结合,以及由此形成的开发者网络、数据环境和服务生态。
以此观之,Anthropic和OpenAI也并不一定永远停留在基础模型供应商的位置。它们也在开发面向消费者和企业的完整服务,试图通过产品体验、工作流程和客户关系建立差异化优势。
无论是Anthropic通过Claude Managed Agents降低企业部署智能体的门槛、借助Claude Code深入软件开发流程,还是OpenAI推动人工智能融入企业的日常运营,两家公司都在探索同一个方向:从提供模型能力和对话工具,转向提供能够嵌入业务流程、持续执行任务的智能服务。
与此同时,智能代理的发展还可能进一步改变人工智能的定价逻辑。传统订阅模式出售的是一定时期内的软件使用权,按token计费出售的是计算资源消耗,而智能代理实际上可能出售的是某项工作的完成能力。
如果一个AI系统能够独立完成法律文件审查、软件测试或企业财务分析,那么客户真正关心的未必是它消耗了多少token,而是任务是否完成、结果是否可靠,以及由此节约了多少成本。
按照任务、工作量甚至实际成果收费,可能成为未来商业模式的重要组成部分。但这种模式也将带来新的责任问题:当人工智能没有完成任务,或者其错误造成经济损失时,费用和风险应当由谁承担?智能服务越接近真实劳动,其商业模式就越难完全沿用传统软件产业的规则。
04 谁能留下挖到的金子?
从更宏观的角度看,人工智能产业正在经历一次价值分配结构的重组。
早期最明显的受益者是芯片、制造和基础设施供应商,因为整个行业的扩张都会转化为对计算资源的需求。但随着模型能力扩散,利润可能逐渐向能够控制企业工作流程、用户入口和应用生态的公司转移。
如果算力长期稀缺,基础设施供应商仍将拥有较强的议价能力;如果模型供给趋于充分,应用企业就可能获得更大的价值分配空间;如果少数平台能够将模型、数据、支付和工作流程整合起来,它们又可能形成新的平台经济。
未来究竟由谁获得最大利润,取决于产业链中哪一个环节能够形成持续的稀缺性。
历史上,微软的长期竞争优势并不只来自Windows操作系统的授权收入,更来自围绕操作系统形成的开发者生态、软件兼容性和企业客户网络;谷歌也并非通过向用户收取搜索费用建立商业帝国,而是将搜索形成的用户入口与商业需求转化为广告收入。
今天的Anthropic和OpenAI同样面临一个重要选择:基础模型究竟只是需要不断投入巨额资本维持领先的技术产品,还是能够成为连接开发者、企业客户和应用生态的平台基础?
如果它们能够在模型之上建立稳定的开发者网络、深度整合的企业工作流程和难以轻易替代的服务体系,就可能获得超越模型性能本身的竞争优势与定价能力。但这种平台化转型能否产生足以覆盖持续算力投入的利润,仍有待长期经营业绩的检验。
根据Anthropic最近提交的监管文件,这是该公司即将进行的首次公开募股(IPO)在最理想情况下可能达到的规模:1.4万亿美元估值(摊薄后),900亿美元募资。
这一雄心勃勃的IPO,实际上是投资者对人工智能行业的一次公投。它为更广泛的投资者提供了一个机会——他们可以选择支持公司继续烧钱,也可以选择回避这家有望成为人工智能行业重要风向标的公司,并拒绝给1.4万亿美元这样历史性的高估值。
不论如何,Anthropic的IPO申报文件揭示了一个不容忽视的问题:为了维持收入增长,公司必须承担不断攀升的计算成本。这显然使得说服投资者变得更加困难。如果一家备受追捧的人工智能明星企业,在上市后持续表现不佳,市场还能否承受?这需要时间来验证。
有一个问题很容易被人忽视:人工智能创造的经济价值,并不一定能够转化为模型开发商的收入和利润。
企业利用人工智能提高生产率,节约的成本可能留在使用者手中;消费者通过免费或低价智能服务获得的便利,则可能表现为消费者剩余,而非模型供应商的收入。即使人工智能最终显著提高整个社会的生产率,模型开发商也未必能够按照其创造的价值获得相应的经济回报。
技术的社会价值与开发者的财务收益之间,并不存在必然的对应关系。
AI的确挖到了金子。但当芯片、电力、数据中心、研发投入和融资成本全部结算之后,挖金子的人究竟还能留下多少?这才是大模型商业模式尚未回答的核心问题。
Anthropic的上市并非这个问题的终结,而是令问题进入了一个更加严格的阶段。此前,市场可以根据技术突破、用户增长和融资估值想象未来;上市之后,企业必须不断通过收入、利润、现金流和资本回报证明自己的商业价值。
模型是否更聪明当然重要,但更重要的是,企业是否能够以经济上可持续的方式生产、分配和出售智能。







