夜雨聆风每天为你推送精彩资讯
在每一轮技术革命中，市场都会习惯性地把“技术突破”直接等同于“估值重估”，但如果回到巴菲特长期以来的投资体系，他从未将技术本身作为否定对象。
他的决策结构始终围绕一个更基础的问题展开：未来现金流是否可以被稳定预测，以及这种预测是否具备足够长的时间一致性。
在这一框架下，AI并不构成例外，它只是进一步放大了一个老问题——当现金流结构变得不可稳定建模时，任何增长速度都无法自动转化为投资确定性。
换句话说，巴菲特并不是拒绝AI，而是拒绝一种越来越普遍的市场倾向：用技术叙事替代现金流结构，用增长想象替代可折现模型。
这一点在当前AI资产定价中变得尤为明显。
如果将当前市场中AI资产的定价方式进行拆解，可以发现两套完全不同的逻辑体系正在同时运行。
一套是资本市场主导的增长模型，其核心变量是收入增速与市场空间扩展，估值主要通过倍数法（P/S、PEG）进行外推。
另一套则是传统金融分析中的现金流模型，其核心变量是自由现金流、资本开支结构以及折现率稳定性。
问题在于，AI资产同时被纳入这两套体系中，但两者对“价值”的定义并不一致。
在增长模型中，未来规模决定当前价格；
而在现金流模型中，未来现金流质量决定当前价值。
当市场在高增长阶段默认使用增长模型，而在风险评估时又切换回现金流逻辑时，估值体系就会产生结构性偏移。
传统软件公司的估值基础建立在一个核心假设之上，即边际成本趋近于零，从而收入扩张可以直接转化为利润扩张。
但AI公司的成本结构正在打破这一假设，其利润表实际上由三个层级构成：
第一层是训练成本，这是典型的一次性高资本支出，用于模型构建，本质上更接近资本开支而非运营成本。
第二层是推理成本，这是持续性算力消耗，直接与用户使用频率和调用次数相关，属于高度可变成本。
第三层是模型迭代折旧，即模型能力快速演进带来的隐性资产减值，它不会直接体现在现金流表中，但会持续影响前期训练投入的经济寿命。
当这三层成本同时存在时，AI公司不再具备传统软件企业的高经营杠杆特征，而更接近一种“持续资本消耗型数字基础设施”。
如果将AI商业模式抽象为单位经济结构，其核心问题可以简化为一个非常直接的关系：
单次推理收入是否能够覆盖单次推理成本，并形成正向边际贡献。
每次调用收入（ARPU per inference）
每次调用算力成本（cost per token / compute cost）
用户调用频率与留存结构
在当前大多数生成式AI应用中，问题并不出现在收入端，而出现在成本端。
随着模型复杂度提升，单次推理的算力成本并未出现与规模同步下降的趋势，反而在部分高精度场景中呈现上升压力。
这意味着，即便用户规模持续扩大，单位经济模型也可能仍然停留在“低毛利甚至负毛利扩张”的状态。
从投资角度看，这类结构的关键约束不在于需求，而在于规模是否能够触发成本曲线的结构性下移。
如果这一条件无法成立，收入增长本身并不会自动转化为自由现金流。
AI行业中最容易被忽略的变量，并不是收入增长，而是算力体系本身所构成的资本开支约束。
以GPU供应链为核心的算力结构，本质上形成了一个高资本密度的底层依赖体系，其典型代表是 NVIDIA Corporation。
在这一结构中，算力并不是边际成本趋近于零的数字资源，而是与资本开支周期高度绑定的稀缺资源。
与此同时，云计算平台如 Microsoft Corporation 与 Amazon.com, Inc.，正在将AI能力封装为服务，但其本质仍然是将资本开支转化为可计费算力供给。
这一结构带来的结果是，AI行业的扩张并不会自然降低单位成本，反而可能因为需求增长而强化资本开支周期，从而对长期利润率形成系统性压制。
如果从反向DCF的角度出发，即从当前市值倒推市场隐含假设，可以得到一个更清晰的结构。
以当前主流AI资产为例，其估值隐含通常包含三个关键假设：
第一，未来十年收入增长将长期维持在远高于传统科技行业的水平，且不会出现显著周期性波动。
第二，随着规模扩大，单位成本将显著下降，从而推动利润率持续扩张。
第三，技术进步将降低不确定性，使折现率隐含下降。
但如果将上述假设逐一拆解，可以发现其中至少有两点存在结构性不一致：
成本端并未出现与规模同步的下降趋势，而技术不确定性反而在模型迭代过程中不断累积。
这意味着当前市场价格，实际上是对一个高度理想化未来状态的折现，而非对当前商业现实的延伸。
如果将AI行业未来路径进行情景化拆解，可以得到三种截然不同的演化方向。
第一种是基础设施化路径，在这一情景中，AI逐渐成为类似能源或通信网络的底层资源，其盈利能力趋于稳定但增长逐步放缓。
第二种是平台化路径，在这一结构中，AI成为云计算与软件服务的增强层，但利润空间被算力成本与竞争压力持续压缩。
第三种是应用分化路径，在这一情景中，大部分应用层公司无法形成稳定现金流，行业呈现高度赢家通吃结构。
这三种路径并不互斥，而是可能在不同层级同时发生。
但从估值角度来看，它们对应的是完全不同的折现结构与风险溢价水平。
互联网泡沫的核心问题在于需求不成立，但成本结构极轻，一旦需求成立，利润释放极快。
AI周期则恰恰相反，其需求已经在多个场景中得到验证，但利润释放路径受到成本结构约束。
换句话说，互联网周期是“需求错判”，而AI周期更接近“利润错配”。
这一差异决定了AI行业的估值波动可能不会以简单的崩塌形式出现，而更可能表现为长期分层与再定价过程。
如果将巴菲特的投资体系还原为一个更底层的逻辑，可以发现其核心并不在于行业选择，而在于可计算性。
当一个企业的现金流结构可以被稳定建模时，它就具备进入投资组合的基础条件；
当这种结构消失时，无论增长叙事多么强烈，都无法替代模型本身的不确定性。
从这个角度来看，AI公司当前面临的真正问题，并不是是否拥有长期价值，而是其价值是否可以在足够长的时间维度内被稳定表达为现金流模型。
AI行业当前所呈现的并不是传统意义上的泡沫与否判断，而是一个正在发生的估值体系分裂。
基础设施层更接近周期性资本资产，平台层呈现利润压缩型成长结构，而应用层则呈现极端分化的期权结构。
在这种结构中，统一估值模型本身已经失效。
巴菲特的意义并不在于否定AI，而在于提醒市场：当资产无法被稳定建模时，任何倍数扩张都不应被误读为价值增长。
从这个意义上看，AI的争议并不是技术问题，而是一个正在重新定义金融建模边界的问题。
最后欢迎大家加入我们的河狸估值建模·干货圈，你有任何关于估值建模的问题都可以在群内交流，另外群内也会定期分享实操干货、工具资料包、福利课程、大咖直播、FMI考试等相关信息！
现在加入还可领取
【财务建模一本通】
+
【AI财务建模学习路线图】
+
【100+份财务建模工具资料包】
长按识别二维码
立即进群
↓点击下方名片 关注河狸AI分析建模↓
