智谱市值突破万亿港元，年营收却不足8亿元；MiniMax市值近2000亿港元，亏损超收入三倍。大模型公司的高估值背后，B端效率提升被流程、成本与竞争三次稀释，C端则陷入用户越多亏损越快的规模陷阱。本文从商业逻辑出发，拆解AI泡沫的真实底色。

2026年6月22日，智谱的市值第一次突破1万亿港元，盘中一度摸到1.3万亿港元。

再看它的财务数据：2025年营收7.24亿元，净亏损47.18亿元。一年的亏损，大约是营收的6.5倍。

同一天，MiniMax的市值达到1933.56亿港元。它的2025年年报以美元计价：全年收入7903.8万美元，经调整净亏损2.5086亿美元，调整后亏损超过收入的三倍。

这组数字足够震撼。几亿元的收入，对应的是千亿甚至万亿港元的市值；公司赚到的钱还很少，资本市场已经提前给出了一个极高的价格。

当然，大模型研发本来就需要重投入。公司今天亏损，不等于技术没有价值；市值高，也不能单独证明泡沫存在。模型能力、人才、数据和平台位置，都可能被市场提前定价。

可当价格已经走到这一步，一个问题就躲不过去了：这些公司将来靠什么赚到足以支撑当前市值的利润？

这些投入最终要从两个市场收回来。要么企业愿意持续付钱，用AI换来实打实的利润；要么消费者愿意为垂直应用付费，而且这笔收入能够覆盖每一次调用产生的成本。如果B端和C端都能跑通，今天的高估值可以慢慢被利润消化。如果两边都只能证明AI“有用”，却迟迟交不出足够大的利润，价格迟早要重新核算。

所以判断AI有没有泡沫，不能只看模型又强了多少，也不能只看用户和调用量涨了多少。先把B端和C端的账算清楚，再看今天的价格究竟买下了多少尚未兑现的未来。

B端：一个部门快了，不代表公司赚钱了

企业市场一直被认为是AI最容易落地的地方。

消费者不一定愿意订阅，但企业只要能降低成本、提高效率，就应该愿意付钱。AI客服、销售助手、合同审核、代码生成、企业知识库，每个方向都能做出非常直观的演示，也很容易算出“节省了多少工时”。

可从演示走到企业利润，中间要经过三次稀释。我把它叫作流程稀释、成本稀释和竞争稀释。

先看流程：一家大型企业的业务很少由一个部门独立完成。客户提交需求以后，可能要经过销售确认、方案设计、风险审核、合同审批、生产交付和财务结算。AI如果只改造其中一个环节，效果再明显，也会被整条流程摊薄。

前面提到的计算并不复杂。某个环节占总流程的5%，效率提高20%，全流程的理论提升上限就是1%。而现实通常比这个计算更麻烦。上游提交的数据格式可能不统一，下游的审核规则没有跟着调整，AI生成的结果还要让人重新检查。一个部门提前做完了，文件送到下一个部门照样排队。

最后就会出现一种很奇怪的场面：每个员工都觉得自己变快了，公司的利润表却没有明显变化。

麦肯锡2025年的企业AI调查也能看出这种落差。39%的受访者认为AI已经对息税前利润产生一定影响，但其中大多数企业归因给AI的利润影响低于5%。真正被列为“AI高绩效企业”的，只占受访者约6%。这些公司有一个共同点，它们不满足于给原流程塞进一个工具，而是重新设计工作流。

偏偏最难的就是重新设计工作流：给一个部门买AI工具不难，重做一家大公司的全流程很难。部门利益要重新协调，岗位可能变化，预算归谁要重新讨论，数据权限、审计责任和旧系统接口也得一起动。技术团队几个月可以做出系统，组织改造却可能需要几年。

这也是为什么很多企业AI项目停在试点阶段。试点只需要证明“能不能做”，正式上线要回答“出了错谁负责”“能不能连续运行”“到底省了多少钱”。到了这一步，模型能力反而只是问题的一部分。

无人驾驶的发展可以作为参照。相关技术十多年前就开始公开道路测试，如今Waymo每周已经提供超过50万次全自动驾驶出行。技术有没有用，早就不需要争论。但从几个城市跑通，到大范围替代传统出行，中间还隔着安全责任、监管、地图、车辆运营和成本。企业AI也一样，演示成功只是第一公里，真正贵的是后面九十九公里。

流程之外，还有成本。

很多企业算AI账单时，只盯着Token价格。顶尖模型的Token确实不便宜，但单次对话看起来又没有那么夸张。问题是，企业智能体不会只问一句、答一句。它要读取长文档，反复调用工具，生成中间结果，失败后重试，有时还要让几个模型互相检查。一个任务背后，可能发生十几次甚至几十次调用。

当使用范围扩大到数千名员工、数百万次任务，Token会变成一笔持续支出。更麻烦的是，Token只是账单里最容易看到的一行。

企业还要清洗历史数据，建立知识库，把AI接进ERP、CRM、客服、财务和权限系统。安全、合规、日志、审计、模型评估都需要人。模型升级以后，原来稳定的输出可能发生变化，还得重新测试。结果出错要有人兜底，错误没有及时发现，还可能产生真实的业务损失。

Gartner在2026年初总结称，到2025年底，至少一半的生成式AI项目在概念验证以后被放弃。原因并不神秘，数据质量不好，风险控制麻烦，成本越做越高，或者最后根本算不清创造了多少价值。

这里还有一个很别扭的两难。AI处理合同审查、医疗建议、财务决策等高价值任务时，一次错误可能造成很大损失，企业很难取消人工复核。AI处理录入、普通客服、资料整理等低价值工作时，能够替代的人力本来就不贵，节省的钱又未必覆盖得了系统建设、模型调用和维护费用。

拿客服来说，在一些地区，一名基础客服的月薪只有两三千元。AI确实能降低并发压力，减少一部分夜班人数，可企业依然需要处理投诉、例外情况以及模型答错后的升级工单。软件、服务器、Token、知识库维护和人工兜底全部算进去，省下来的钱可能远没有演示材料里写得那么多。

就算流程和成本这两关都过了，利润也未必留得住。

一家企业用AI降低10%的运营成本，竞争对手也会很快跟进。当整个行业一起降本，接下来往往是价格战。你降价抢客户，我也降价保份额。企业最初省下来的钱，最后通过更低的价格让给了消费者。

对社会来说，这是好事。商品更便宜，服务更快，整体生产效率提高。可对单家公司来说，AI可能只是让竞争变得更激烈。过去十个人完成的工作，现在五个人可以完成，新公司也能用更小的团队进入市场。老公司刚形成的成本优势，很快又被抹平。

小公司改流程反而比大公司容易。它没有几十套旧系统，也没有漫长的审批链，可以从第一天就围绕AI设计业务。可小公司的预算、客户数量和付费能力通常更低。它更容易把AI用起来，却未必能给模型公司和应用公司贡献足够大的收入。

这三次稀释连起来，才是B端商业化最容易被高估的地方。局部技术效率被流程摊薄，流程收益被落地成本吃掉，企业留下的利润又被行业竞争拿走。

市场喜欢拿20%的提效讲故事，利润表最后收到的，可能不到1%。

C端：AI掉进了一个过去互联网很少遇到的“规模陷阱”

C端的问题和B端不一样。

它不是流程太长，而是商业模式从一开始就拧巴：用户习惯免费，企业却要为用户的每一次使用持续付钱。

传统互联网当然也有服务器、带宽、审核和运营成本，并不是真的零成本。但它有一个非常重要的特点：产品开发完成以后，多增加一个用户，边际成本通常很低。一篇文章多一个人阅读，一个社交软件多一个人发消息，一个电商平台多一个人浏览商品，平台需要承担一些成本，但新增成本不会和用户价值等比例增长。

这给传统互联网带来了很强的规模效应。用户越多，单个用户分摊的固定成本越低。只要流量足够大，平台就可以用广告、佣金、会员、游戏充值或金融服务赚钱。哪怕绝大多数用户一分钱不付，也总有广告主、商家或少数付费用户替他们买单。

中国移动互联网又把这种模式推到了极致。

搜索、社交、短视频、新闻、地图、邮箱，大量产品长期免费。平台用补贴抢用户，用广告和交易变现。用户已经被教育了十几年：下载一个应用可以免费，用大部分核心功能也可以免费。除非是游戏、长视频、音乐或确实能带来收入的专业工具，否则让普通用户每个月固定掏钱并不容易。

AI应用偏偏反过来了。

用户每问一次问题、生成一张图片、做一段视频、写一份文档，背后都要消耗算力。模型需要推理，服务器需要运行，图片和视频的成本通常比文字更高。如果智能体还要搜索资料、调用工具、反复修改，成本会跟着调用次数继续增加。

传统互联网增加一个活跃用户，边际成本可能接近于零；AI应用增加一个重度用户，账单往往会真实地往上走。

这就是AI C端最核心的规模陷阱：当单个用户产生的收入低于他消耗的推理成本时，用户越多，公司亏得越快。传统互联网常说“先做规模，再想变现”，AI应用如果照搬这套打法，规模本身可能先把公司拖死。

这也解释了为什么很多AI应用看起来很火，商业上却不轻松。

免费开放，用户增长会快，但模型和服务器成本全部由企业承担。设置付费墙，成本能控制住，下载量和活跃度又会立刻下降。插入广告似乎是第三条路，可AI产品的使用方式和信息流产品不一样。用户来这里是为了得到一个答案、完成一项任务，不一定愿意停留很久，也没有那么多页面可以塞广告。广告插得太重，还会破坏用户对答案的信任。

更麻烦的是，国内用户已经习惯在多个免费入口之间切换。一个产品开始收费，用户很容易转到另一个模型、另一个平台，或者直接使用大厂提供的免费功能。大模型能力越来越接近，迁移成本又不高，应用很难仅靠“我也能聊天、我也能生成图片”留住用户。

Suno是一个值得注意的反例。它在2026年2月披露的付费用户达到200万，年化收入约3亿美元。这说明消费者会为足够强、足够垂直的AI产品付钱。AI编程、视频、设计等方向，也有一批收入增长很快的产品。

但这些案例真正证明的，只是商业化能够发生。它们还没有证明大多数AI应用都能复制这条路，更没有证明收入一定能留下稳定利润。

RevenueCat对超过11.5万款订阅应用的统计很能说明问题。AI应用的试用开启率高于普通应用，分别是8.5%和5.6%。用户第一次看到AI生成音乐、图片、视频或文案，很容易产生惊喜，也愿意花一次钱。可到了第12个月，AI应用的月度订阅留存率只有6.1%，普通应用是9.5%；年度订阅留存率分别是21.1%和30.7%。AI更容易让人点下试用，长期把人留下来却更难。

AI擅长制造第一次惊喜，却不一定能制造第十二个月的刚需。

留存之后还有同质化。当一款垂直应用的核心能力来自外部模型，模型公司一次升级，就可能直接吃掉它原本最亮眼的功能。竞争对手也能迅速接入相同或相近的模型。模型降价会降低成本，也会顺手把竞争门槛打下来。

于是很多团队陷入同一个循环：产品上线很快，用户增长很快，竞品出现得更快。为了保持增长，只能继续买流量、补贴用户、调用更强的模型。用户多了，收入也可能增加，可成本和竞争一起追上来，利润仍然留不下。

AI C端真正缺少的，不是用户，也不是产品，而是一种能覆盖每次调用成本、又符合用户付费习惯的稳定模式。

什么样的产品可能跑出来？我认为至少要满足一个条件：用户得到的价值必须明显高于这次推理的成本。比如帮专业用户节省几小时工作，直接带来一笔收入，完成一次设计交付，促成一笔交易，或者替代一项原本很贵的服务。用户为结果付钱，企业才有空间覆盖模型成本。

如果产品只能提供“有点好玩”“偶尔试试”的体验，免费时会有很多人来，一收费就会迅速流失。这样的用户规模很大，却很难形成真正的利润规模。

推理成本未来还会下降，小模型、缓存和端侧运行也会改善单位经济性。因此，这个规模陷阱并非永远无解。但在成本降到足够低、用户付费习惯真正形成以前，直接套用上一代互联网“用户越多越值钱”的估值方式，会非常危险。

传统互联网的规模效应是用户越多，平均成本越低。很多AI应用眼下的现实是，用户越活跃，算力账单越高。

这不是一个小差别，它可能决定整个C端应用层最终能留下多少利润。

B端有价值，却容易被流程、成本和竞争一层层稀释；C端有用户，却还没普遍解决谁来付钱、利润怎么留下的问题。回头再看智谱和MiniMax的市值，矛盾就清楚了：市场定价走在了前面，能够支撑定价的利润还在后面。

这种场面并不陌生。二十多年前，互联网也经历过一次技术进步与资本过热同时发生的时期。

2000年的互联网，也曾经什么都是真的

2000年的互联网并不是骗局。

电子邮件是真的，门户网站是真的，电子商务是真的，网络设备和光纤需求也是真的。思科当时有真实收入，是互联网基础设施中最重要的公司之一。1995年，思科市值大约150亿美元；到2000年3月，一度达到5500亿美元，短暂成为全球市值最高的公司。

后来，思科股价下跌超过80%。纳斯达克综合指数从2000年3月10日的5048.62点，跌到2002年10月9日的1114.11点，跌幅约77.9%。

互联网没有随着股价一起消失。亚马逊、谷歌以及后来的大量互联网公司，反而在泡沫破裂后继续成长。被清掉的是过高的价格、重复建设的产能，以及那些永远无法形成利润的公司。

美联储后来复盘那段历史时提到，最终需求变弱、部分资本供给过剩、企业利润下降，随后企业大幅削减高科技设备投资。互联网泡沫推动了光纤过度建设，也让科技创业公司的风险投资在泡沫破裂后沉寂多年。

这段历史最值得看的，是当时的每一段故事听起来都很合理。

互联网用户快速增长，所以网站流量会增长；流量增长，所以广告和电商收入会增长；收入增长，所以网络设备和光纤需求会一直加速。每句话单独拿出来都没错。连在一起以后，里面却偷偷多了一个假设：所有增长都能按照相同的速度持续下去。

今天的AI也有一条相似的推理。模型越来越强，调用量会继续上升；调用量上升，企业会购买更多算力；算力需求扩大，芯片和数据中心投资会继续加速；等AI进入所有行业，今天的高估值自然会被未来利润消化。

“自然会”这三个字，往往最危险。

技术能力、用户采用、企业收入、自由现金流和股票估值，本来就是五件不同的事。它们会互相影响，却不会按照相同比例增长。当所有公司为了争夺未来市场同时投入时，很容易出现一种情况：对每家公司来说，多投一点都很合理；所有公司加在一起，却投得太多。

国际清算银行2026年的一项研究认为，AI建设已经成为美国历史上规模最大的技术投资浪潮之一。企业为了争夺少数领先位置，可能投入超过合理水平的资本。债务和循环投资又会放大繁荣结束时的脆弱性。按其保守模型估算，过度投资规模可能达到有效水平的1.5倍左右。

当然，今天的AI没有完全复制2000年。微软、谷歌和亚马逊等大型科技公司拥有很强的现金流，头部模型公司也形成了真实收入。AI可以直接参与写代码、做设计、分析资料和处理业务，价值兑现速度可能比早期互联网更快。大型科技公司的资产负债表，也比当年大量靠融资活着的网站公司稳健。

因此，未来更可能出现分层出清。没有利润、依靠融资续命的应用和模型公司先被淘汰，重债的数据中心和算力公司承受更大压力，有真实利润的上游龙头估值下降但继续经营，真正能解决问题的应用则在更便宜的算力和人才环境里活下来。

泡沫破裂和产业死亡从来不是一回事。2000年的互联网已经证明，一场真正改变世界的技术革命，完全可以同时伴随一次惨烈的资产重定价。

为什么我把2027年看成“核账期”

我说2027年风险更高，不是在预测某一天突然发生股灾，也不是看到股票涨多了就喊泡沫。

我关注的是产业阶段的变化。

2023年至2026年，市场主要为能力和建设速度定价。谁的模型更强，谁能买到更多GPU，谁能更快建成数据中心，谁就能获得更高估值。到了2027年，问题会慢慢换掉。市场开始追问：前几年的投入产生了多少收入？这些收入留下了多少利润？利润够不够支撑下一轮资本开支？

有些早期信号已经出现。

从2022年11月底到2026年6月，费城半导体指数的涨幅明显超过纳斯达克综合指数。到2026年7月17日，它又从6月22日的高点回撤约20.2%。这还不能证明AI产业已经反转，但至少说明AI基础设施已经成为非常拥挤、对预期变化极其敏感的交易。

资本开支甚至不需要真正下降。

根据UBS的估算，主要云厂商资本开支在2026年可能增长76%，达到约6730亿美元；2027年增速预计降到25%，2028年进一步降到6%。25%依然是很高的增长，可对于那些按“永远加速”定价的公司来说，增速下降本身就足以触发重估。

一家公司今年增长76%，市场会把它当成高速成长公司。如果明年只增长25%，业务依然在扩张，股票却可能大跌。股价交易的是预期变化，不只是收入增长还是下降。

到了2027年，我会重点看应用利润、企业回报和融资状况。

C端垂直应用如果继续有用户、也有收入，但留存和利润没有改善，市场会下调对长期模型调用量的估计。大企业完成一轮试点以后，关注点会从“能不能做”转到“值不值得扩大”。局部提效如果进不了公司整体利润，预算就会从全面铺开退回少数高价值场景。

融资是另一条线。AI基础设施最初主要依靠大型科技公司的现金流，现在越来越多地使用公司债、私人信贷、长期租赁和表外结构。只要回报预期下降，融资成本上升就可能迫使整条产业链削减投资。

这些事情会互相影响。应用利润不够，企业采购开始谨慎；采购增速下降，云厂商控制资本开支；资本开支减速，芯片和数据中心供应链的收入预期被下调；资产价格下跌，又会让创业融资和私人信贷变得更困难。

我自己的AI泡沫评估模型，把风险分成资产、投资、产业和金融四层，就是为了避免把这些事情混在一起。

按照目前的信息，我判断2027年AI相关公开市场资产出现30%以上回撤的概率，中枢大约为52%。如果把“深度出清”定义为从高点下跌至少40%，随后一年没有收复一半跌幅，并且伴随资本开支或创业融资明显收缩，它发生的概率中枢约为37%。AI创业融资进入寒冬、大量公司被并购或淘汰的概率中枢约为47%。

与此同时，企业和消费者对AI的真实需求整体收缩，我给出的概率只有15%左右。演变成类似2008年的全球系统性金融危机，概率中枢约为8%。

这些数字不可能是精确预言。它们的意义，是帮我们分清几件经常混在一起的事：股票大跌的概率不低，创业公司融资收缩的概率也不低，但AI需求彻底消失的概率明显更低。

如果接下来模型能力继续快速提升，企业应用从试点走向规模化，C端产品找到能覆盖每次调用成本的收入方式，泡沫也可能被利润一点点消化。资本开支即使减速，利润仍可能从芯片和数据中心转移到软件、服务和垂直应用。这是最健康的情况，也是我这套判断可能被证伪的地方。

反过来，如果云厂商下调资本开支，AI收入连续两个季度低于预期，芯片库存上升、交付周期缩短，同时数据中心融资利差和违约率增加，那么深度出清的概率就需要明显上调。

所以2027年并不是什么神奇的时间点。它更像一次集中交卷：前几年投入的算力、模型和组织改造，终于要拿到利润表前面核账了。

结语：技术还会往前走，价格要回来补课

AI当然会继续发展。

它会替代一部分重复劳动，让小团队拥有过去只有大公司才有的能力，也会改变软件、内容、客服、医疗、教育和制造业的工作方式。今天看起来昂贵又笨重的系统，几年后可能变得便宜、稳定、随处可用。

可一项技术最终改变世界，并不代表今天买下的每一份预期都能兑现。

2000年互联网泡沫破裂以后，用户继续增长，光纤继续传输数据，电子商务继续扩大。消失的是错误的价格和没有利润的公司。AI也可能经历类似的分离：技术价值继续上升，资产价格先向下寻找一个能被利润支撑的位置。

2027年真正要接受考验的，是市场究竟把多少尚未兑现的价值，提前算进了今天的价格。

技术是真的，需求是真的，泡沫也是真的。泡沫开始出清，并不代表AI革命结束。它结束的只是另一种方式的新生。