大模型IPO竞速下的估值破局：以Tokens为核心的价值衡量新范式

2025年12月17日，北京智谱华章科技股份有限公司（智谱AI）正式通过港交所上市聆讯。无独有偶，同日晚间，其主要竞对——通用人工智能公司MiniMax亦顺利通过聆讯。这两家被业界冠以国内大模型“六小虎”之称的领军企业，几乎在同一时间叩响公开市场大门，一场围绕“港股大模型第一股”乃至“全球大模型第一股”的竞逐就此白热化。

这意味着，自2022年末人工智能纪元开启以来，在资本热浪中孕育三年有余的初创巨头，终于站到了公开市场的起跑线上。若智谱AI成功挂牌，将成为全球首家以通用人工智能基座模型作为主营业务上市的科技公司；而MiniMax若于明年初顺利IPO，则将刷新全球从创立到上市的最快纪录。

然而，透过招股书披露的财务数据，呈现在市场面前的图景远非“第一股”的光环所能概括，它更真切地映照出前沿赛道的真实底色：高速扩张、高额投入与巨大亏损三者交织。

智谱AI在2022至2024年间，营收年复合增长率高达130%，但2024年净亏损达到29.58亿元。MiniMax的增长态势更为惊人，2024年营收同比飙升782%，同期净亏损却达4.65亿美元（约合人民币32.7亿元）。“烧钱”维持技术迭代已成行业常态，仅2025年上半年，智谱AI研发开支即高达15.95亿元，相当于同期收入的8倍有余，其中绝大部分用于采购昂贵算力。

因此，这两起IPO远非两家公司各自的里程碑，它昭示着中国大模型产业正集体从早期的“技术军备竞赛”过渡到接受公开市场严苛审视的“资本大考”阶段。过去依靠宏大叙事与私募融资狂飙突进的时期即将翻篇，资本市场开始精算“回程票”的成本。此刻，一个无法回避且极具挑战的问题赫然摆在台面：究竟该如何为智谱、MiniMax这类大模型公司确定合理估值？

01

AI时代呼唤估值计价方式革新

市面上名目繁多的估值模型，看似因行业分野而杂乱无章，但追溯其思想源头，不外乎两大流派：其一为约翰·伯尔·威廉姆斯与本杰明·格雷厄姆奠定的客观价值体系；另一则以约翰·梅纳德·凯恩斯为理论渊源的主观价值体系。

前者立足于数理逻辑，聚焦于企业的内在价值，核心路径是将预期未来自由现金流折现，从而匡算当下价值。

后者则重市场博弈，强调群体心理的决定性作用，由此衍生出诸如洞察情绪的“选美理论”以及分析价格图形的K线技术等，共同构成解读市场的主观工具集。

图：估值的两大体系五种方法，来源：《公司估值：方法论与思想史》，锦缎整理

诚然，对于大模型这种尚未形成稳定盈利范式的颠覆性产业，富于弹性的主观价值体系似乎更具解释力。但其根本短板在于主观判断难以被验证和横向对比，无法提炼出一套可复现、可校验的严谨估值框架。因此，当我们试图为新一代科技企业构建估值标尺时，仍需回到可量化、可比较的客观价值体系中探寻路径。

以此为基础回望商业史，估值模型的每一次重大跃迁，本质上都是对新经济范式下供需关系革命的回应。当既有的数理工具无法捕捉和衡量新兴商业模式所创造的经济价值时，新的估值计价逻辑便应运而生。

以股利折现模型(DDM)为例，它与早期投资节奏缓慢、分红即核心回报的时代高度契合。但随着技术进步与规模效应凸显，企业倾向于将大量利润用于再投资以驱动增长，股利支付率下滑而公司价值却持续攀升。此时，能够衡量企业全部自由现金流创造能力的现金流折现模型(DCF)，便成为更精准的价值度量尺。

互联网的崛起带来了更具颠覆性的变革。传统制造业倚重的市净率法，在面对几乎不依赖有形资产却能创造巨大价值的平台型企业时完全失灵。市场转而拥抱以用户价值为核心的新指标，如衡量订阅制业务健康度的年度经常性收入。这标志着估值逻辑从“为资产定价”迈入“为增长和生态定价”的新纪元。

由此我们可以推演：倘若人工智能是一场足以媲美工业革命、信息革命的范式级生产力变革，那么它必将催生目前尚难全然预见的全新商业模式。与之适配的一套崭新估值数理模型，也一定会在实践中逐渐成型。

然而，一个现实悖论横亘眼前：现阶段大模型公司的主要变现路径——无论是谷歌将其融入搜索广告，还是OpenAI力推的订阅付费——其商业内核仍未脱离互联网时代的流量与用户逻辑。

若要真正把握下一代技术巨头的估值锚点，我们必须穿透表象，识别属于AI原生时代独有的、最基底的价值度量衡。这并非凭空构造一个数字，而是要在客观价值体系的框架内，厘清大模型企业最核心的生产要素与价值载体，并以此为基点确立新的计价单位。

02

Tokens：AI商业模式估值的核心计价单元

在客观价值体系下，无论是折现模型中的未来现金流、市盈率中的净利润，还是年度经常性收入，这些核心指标本质上都试图刻画企业的三个基本面维度：

既有资产的盈利潜力：即公司现有资产能够产生多少现金流或利润。

未来增长的价值与成本：增长是否可持续、潜在成本能否量化，以及增长能创造多少增量价值。

可比的风险评估：未来风险可否通过横向比较实现大致计量。

那么，对于大模型公司，是否存在一个能够同时映射这三个维度、且可被精确计量的指标？目前看来，最贴切的答案正是行业通用的最小基本单元——Tokens。

首先，Tokens能够统一计量多元收入，折射现金流潜力。

理论上，衡量现金流应延续互联网的年度经常性收入模式。然而，当下国内大模型公司普遍欠缺成熟的付费范式与SaaS服务，直接套用年度经常性收入难免失真。

大模型的收入主要来源于面向企业的API调用以及面向用户的产品服务，计费方式繁杂多样。相比之下，Tokens是贯通所有产品线的底层计价单位，能更直接地反映创收能力与资产效率。

图：以Google应用端为例拆解Tokens调用量，来源：国海证券

其次，Tokens直接串联成本与收入，可量化增长需求。它是少数能同时链接供需两侧的专业指标。

在成本侧，Tokens消耗量与核心成本（算力）直接相关。例如，中泰证券的研究通过特定假设（如用户交互Tokens覆盖率为60%），构建了Tokens消耗与算力需求（以H100显卡数量计）的量化模型。

中泰证券测算显示，一个日活过亿的AI应用，每日可能需消耗相当于14.15万张H100的算力。

该测算结果是否精确尚待验证，但它至少提供了一种思路：从Tokens消耗量出发，的确可以倒推算力成本需求，从而在可预测增长下大致锁定算力成本区间。

图：基于特定条件下的Tokens消耗与算力关系测算，来源：中泰证券，锦缎整理

在收入侧，Tokens作为AI工作的最小单元，又是与成本密切挂钩的计量单位，自然成为大模型厂商定价的首选，无论面向B端还是C端。

目前市场主流的计费公式即为：价格 = (输入Tokens + 输出Tokens) × 单价。这使得Tokens成为连接成本支出与收入生成的天然桥梁。

图：Tokens的定价范围和案例，来源：国海证券

因此，Tokens指标对于大模型厂商而言，可以在一定程度上反映资产、再投资与潜在收入成本之间的联动关系。

最后，Tokens具备行业可比性，为风险评估提供基准。

作为通用度量单位，它使得跨公司、跨模型的比较成为可能，例如计算“单Token利润”来类比传统净利润。当前，诸如OpenRouter等机构正是通过统计各模型的Tokens调用量市场份额来评估其市场地位与演变趋势，这为行业内的相对估值和风险比较提供了关键数据支撑。

图：不同大模型厂商的市场份额趋势，来源：OpenRouter

综上，将Tokens作为核心计价单位，目前最能有效刻画大模型公司从生产资料（算力）到生产成果（收入）的核心价值链条，为在客观价值体系框架下对其进行估值提供了可行的切入点。

03

基于Tokens逻辑，为OpenAI与Deepseek们进行估值推演

行文至此，关于大模型公司的估值方法仅剩最后一个、也是最棘手的议题：如何围绕Tokens构建合理的数理模型，以反映大模型公司的真实价值。

坦白说，我们目前尚无法搭建一套完备的计算体系。其一，作为非专业人士，我们很难精准衡量大模型企业的单位Token价值几何。

这里的主要难点在于：不同模型的分词器存在差异，Token所涵盖的语义维度亦不尽相同。其次，Tokens作为企业经营细节信息，并不像财报那样受监管强制披露，也缺乏统一的披露规则，因此大部分数据源自提供API服务的机构或云服务商，数据准确性难免存在局限。

所以这或许是一个需要长期打磨的议题。今天我们仅以当前可搜集的数据作一浅析，数据源取自OpenRouter，可能存在偏差，但旨在提供几种简要思路。

1.延循ARR估值逻辑，替换计价单位

这种估值模式实为SaaS模型估值方法的移植，仍以即期ARR为核心。

但“ARR×增速”这一公式中，增速应换为以Tokens为计价基础的增速，而非实际收入增速。因为大模型公司业务变化极不稳定，可能出现代际技术落差，直接导致企业价值大幅缩水（例如META的LLaMA4），因此采用Tokens调用增速更贴近实质。

以OpenAI为例，去年收入116亿美元，Tokens调用量增速约为54倍，初步测算估值应为6264亿美元。

图：过去一年不同大模型Tokens调用量趋势，来源：OpenRouter

在此基础上，我们借鉴了公众号“共识流通处”的思路，设定了一种风险阈值（即排名靠后的大模型公司，实际价值应大幅折价），并在其思路基础上直接选用Tokens调用量的市场份额作为风险阈值调整项，采用两种方法：

●乐观情况下，直接给予市场份额奖励系数，如目前OpenAI的市占率约为18%，则乐观估值=6264×（1+0.18）=7391亿美元。

●悲观情况下，扣除与市占率排名相关的风险因素。假设OpenAI排名第二，且仅前十名企业具有价值，那么OpenAI的风险系数为0.8（1-0.2），则悲观估值=6264×0.8=5011亿美元。

目前看来，这一估值区间与市场披露信息差异不大。

2.以Tokens为核心的相对估值

以Tokens为核心的相对估值法，是现阶段市场化程度较高、计算相对便捷的估值方法。这种估值实际上是传统市盈率估值的延续，用以判断市场是否高估/低估大模型企业。

例如假设目前OpenAI的估值为5000亿美元，根据OpenRouter数据显示，目前OpenAI单月调用量份额约18%，我们可以反推市场总份额约为2.78万亿美元。

依此推算，排名第一的谷歌大模型估值应为6255亿美元，排名第五的Deepseek则对应2170亿美元。

按此方法，Deepseek月初传闻的1.05万亿元估值甚至显得偏低。

图：当月大模型厂商市占率，来源：OpenRouter

当然，价格因素亦不可忽略。以过去一年OpenAI整体使用量最大的两个模型（GPT-oss-120b和GPT-o4 mini）为例，乘以相应份额估算，平均输出Token单价为1.54美元/百万Tokens；同期Deepseek（V3及V3.2）单价约为0.6美元。

若加入价格变量，假定Deepseek估值为1500亿美元，则OpenAI对应估值将逼近1万亿美元。

这种方法虽纳入了价格要素，但考虑到汇率差及不同市场的实际状况（相信若Deepseek置身美国，定价可能更高），不计算Token价差反而在某种意义上形成了一种巧妙的制衡，估值结果更接近媒体披露的实际情况（毕竟成本结构亦有差异）。

综上所述，将Tokens作为核心计价单位来评估大模型公司，为我们探索这一新兴领域的价值衡量开辟了一条有迹可循的路径。

尽管本文推演基于有限数据、方法尚不成熟，但它已然揭示出：在传统估值框架之外，我们完全可能建立一套更贴合AI生产特性的价值衡量体系。

随着智谱和MiniMax上市进程提速，我们亦可参照此法，在智谱和MiniMax招股书进一步披露后，为它们进行更精细的估值测算，敬请期待。

本文系基于公开资料撰写，仅作为信息交流之用，不构成任何投资建议