在过去几个月里，围绕AI光模块公司的讨论几乎都指向同一个问题：当一家制造业公司被给到接近甚至超过100倍市盈率的时候，这到底意味着市场在高估未来，还是低估了一种新的产业范式。

如果只是用传统估值语言来回答这个问题，结论往往会陷入简单的二分：要么“泡沫”，要么“成长”。

但真正的问题并不在这里。市场并不是在争论价格，而是在争论一件更底层的事情——这一轮由AI驱动的算力基础设施扩张，究竟是一次周期，还是一次结构性重构。

回看过去二十年的几轮技术浪潮，可以发现一个规律：每当底层基础设施发生跃迁时，估值体系都会出现阶段性失效。

从3G到4G，通信设备公司曾经历过一轮估值抬升；云计算早期，服务器与IDC公司也一度被给予远高于历史中枢的估值水平。

今天的AI算力周期，与其说是延续，不如说是在放大这种现象。

不同之处在于，这一次需求的源头发生了变化。过去由运营商主导的通信投资，具有明确的资本开支周期与监管节奏，而现在驱动需求的是超大规模云厂商，它们的投资决策更加市场化，也更加集中。

围绕这一轮算力扩张，像英伟达这样的上游公司，通过GPU定义了算力的标准形态；而像博通这样的芯片与网络厂商，则在不断推高带宽与互联的技术边界。

在这样的体系中，光模块不再只是通信设备的一部分，而是成为算力网络中不可替代的连接单元。

当一个行业从“配套设备”变成“核心约束”，估值逻辑自然会发生变化。

如果只从产品形态去理解光模块，很容易低估它的价值。真正的关键在于，它解决的是一个物理层面的瓶颈问题——算力之间如何高效连接。

在大规模AI训练集群中，单颗GPU的性能提升只是问题的一部分，更重要的是多颗GPU之间的通信效率。随着模型规模的扩大，节点之间的数据交换成为限制整体性能的核心因素。

这也是为什么在当前架构下，光模块的价值被重新定价。它不再只是“跟随需求增长”，而是直接参与决定算力系统的有效输出。

从建模角度来看，这意味着一个关键变化：光模块的需求函数，不再来自终端流量，而是来自算力资本开支。

换句话说，它的需求并不是“用户使用多少数据”，而是“云厂商决定部署多少算力”。

一旦理解了这一点，就会意识到，传统以通信周期为基础的估值方法，很难直接套用在这个行业上。

如果把AI光模块与过去的通信设备周期做一个简单对比，可以看到几个关键差异。

综合来看，这一轮估值之所以显著高于历史，并不是简单的“市场更乐观”，而是因为“确定性与爆发性叠加”。这种组合，在传统制造业中并不常见。

在这种背景下，估值的核心问题开始发生错位。

这些错配叠加在一起，使得“100倍PE是否合理”这个问题，本身就带有误导性。因为它默认了一个前提：当前利润可以代表公司的价值基准，而在现实中，这个前提已经不成立。

在这种环境下，单一模型往往无法给出可靠结论。更有意义的做法，是理解不同模型各自的适用边界。

• 市盈率适用于利润稳定、增长可预期的阶段，它的优势在于简单直观，但在利润快速变化的阶段，很容易产生误判。

• PEG试图把增长纳入估值框架，但它隐含了一个假设，即增长是相对平滑且可持续的。当增长呈现出阶段性爆发时，这个假设就会被打破。

• DCF在理论上最为严谨，因为它直接对未来现金流进行折现。但问题在于，当远期现金流占比过高时，任何一个假设的微小变化，都会对结果产生巨大影响。在技术路径尚未完全确定的阶段，这种方法的“精确性”反而可能是一种错觉。

相比之下，SOTP（分部估值）更接近当前行业的实际情况。通过将传统业务与AI业务拆分，可以在一定程度上缓解结构错配的问题。但即便如此，核心变量仍然是对未来需求路径的判断，而不是模型本身。

以行业龙头为例，可以做一个简化的推演。类似中际旭创这样的公司，其业务可以大致分为两部分：一部分是传统通信相关收入，另一部分是AI驱动的高速光模块。

• 对于前者，可以采用相对稳定的估值倍数，因为其增长与盈利能力都较为可预测；

• 而对于后者，则需要基于算力资本开支的路径来进行推演。

如果假设未来三年内，云厂商的算力投资维持高强度增长，那么AI业务的收入与利润可能呈现出较高的复合增速。

在这种情况下，当前看似偏高的市盈率，实际上是在提前反映这一段增长。

但如果将假设稍作调整，例如把资本开支的高峰期缩短，或者考虑技术替代带来的不确定性，那么估值区间就会迅速下移。不同假设之间的差异，往往可以带来数十个百分点的估值变化。

这也说明了一个问题：同一家公司，在不同模型与假设下，结论的差异可以非常大，而这种差异本质上并不来自模型，而是来自对行业的理解。

在很多人的认知中，DCF是最“科学”的估值方法，但在当前阶段，这种看法需要重新审视。

当行业处于爆发初期时，未来现金流的不确定性非常高，而DCF模型恰恰对远期现金流极为敏感。

一个看似合理的增长假设，只要在后期略有变化，就可能导致估值结果出现大幅偏差。

更重要的是，在高景气阶段，市场往往关注的是“增长能否持续”，而不是“现金流能否精确预测”。在这种情况下，用一个高度依赖远期预测的模型去给出确定性的估值，本身就存在方法论上的问题。

这并不是说DCF没有价值，而是说它更适用于增长路径已经相对清晰的阶段，而不是技术与需求都在快速演变的时期。

如果一定要给出一个判断，那么答案取决于对未来路径的理解。

当算力资本开支能够维持较长时间的高增长，且技术迭代持续推动需求升级时，高估值是可以被消化的，因为利润的增长速度会逐步“追上”估值。

但如果需求的高峰期短于预期，或者技术路线发生变化，使得现有产品的竞争优势被削弱，那么当前的估值就会面临重估。

从这个角度看，高估值本身并不是问题，问题在于支撑估值的那一组假设是否成立。

所有估值方法，本质上都是对未来的表达方式。它们的差异，并不在于谁更“正确”，而在于各自隐含了怎样的前提。

在AI光模块这个案例中，真正重要的不是选择PE、PEG还是DCF，而是能否看清几个关键变量之间的关系：算力投资如何传导到需求，技术迭代如何影响供给，竞争格局如何决定利润。

当这些变量的关系被理顺之后，模型只是一种表达工具；而在关系尚未明确之前，再精细的模型，也无法给出有意义的结论。

这也是为什么在同一个市场中，有人看到的是泡沫，有人看到的是机会。分歧并不来自价格本身，而是来自对未来结构的不同理解。

如果只停留在逻辑层面，“100倍PE是否合理”永远没有答案。只有把关键变量代入模型，才能看到估值真正的边界在哪里。

这里用一个简化但有效的框架，把问题拆成三步：需求 → 收入 → 利润 → 估值反推。不追求精确，而是建立一套可以反复验证的思考路径。

很多人以为建模的价值在于“算出一个价格”，但在这个行业里，更重要的是看清楚：价格背后隐含了哪一组假设。

当你能够把PE拆成增长，把增长拆成需求，再把需求拆到算力资本开支的时候，你其实已经完成了从“看估值”到“理解定价”的跃迁。

这也是为什么，同样面对100倍PE，有人看到泡沫，有人看到机会。差异不在于模型，而在于是否看清了变量之间的传导关系。

真正有价值的DCF，从来不是一个点，而是一个区间。

很多人会做DCF，但真正有用的DCF，从来不是那个Excel文件，而是你对变量的理解能力。

如果这三件事看不清，那么再复杂的模型，也只是把不确定性包装成确定性。

但如果这三件事看清了，那么即使不用模型，你也大致知道价格应该落在哪个区间。

这也是为什么，在同样的市场里，有人依赖模型做决策，有人通过模型理解市场。两者的差距，不在工具，而在认知。