夜雨聆风最近看到王川写了一个存储系列的文章。原文在这里：王川：当隔壁老王投资存储股票赚了三十倍后，如何还能不焦虑 （一），一共5篇。
这个系列的文章的核心思路是：存储的最终需求数据中心以及其服务的AI模型，增长难以持续，在牛鞭效应传导下，会对上游的存储部件形成下行压力。
由于大模型公司目前亏损严重（且未来不一定能盈利），产品同质化高，因此估值存在严重泡沫，最终很可能“步Wework后尘”（即破产） 产业链再往上的云厂商，其AI Capex（主要投入数据中心）已经吃掉大量现金流，依赖发债的模式不可持续。
整个系列的逻辑推导和数据支撑，都做得不错。不过我觉得这里面有几个关键的结论和假设，都有比较大的问题，值得拿出来聊一聊。
第一，大模型公司亏损大，难盈利？
关于这一点，最近已经有一个最直接的反证了。
5月20日，WSJ报道了Anthropic的财务情况（CNBC 和彭博也做了独立核实）
Q2 2026 收入预测 109 亿美元（vs Q1 的 48 亿，QoQ +127%） 非GAAP运营利润 5.59 亿美元（运营层面首次盈利） 算力成本占比从 Q1 的 71% 降到 Q2 的 56%
一年前 Anthropic给投资者的指引是"2028 年前不会全年盈利"，从Q2的数据看，盈利时间表提前了两年。
当然，这些数据还不是审计数据，但如果我们且采纳WSJ、彭博的报导数据，这些数据至少也能说明两个问题：
大模型公司的盈利能力，不应该被基于过往情况全盘否定 大模型公司的增速非常快（背后是AI的Adoption Rate在增长），不能简单用过往收入线性外推其未来收入
王川原文：“Anthropic自创始以来的过去五年的累积收入 （再强调一遍，不是利润）大约 108 亿美元”。反过来看，Anthropic今年一个季度就实现了5年的收入，不正反映了其高增速么？
第二，把这个事情往上游推
如果 Anthropic / OpenAI 真能盈利，那 AWS / Azure 等云厂商把现金流的 86% 投到 AI capex，合理性就大大增加。因为这意味着云厂商自己的 AI 推理业务也能跑出盈利模型，因此 capex 投入是有真实回报锚定的。
关于云厂商的现金流，王川原文还提到由于钱不够，这些公司都在借钱（8000亿美金+的租赁承诺），资金链很脆弱。但这个等于只算成本不算收入，事实上云厂商的AI收入也在兑现。
根据微软 2026Q3 财报，其AI 业务年化收入达 370 亿美元，同比 +123%；云业务积压订单（cloud backlog, commercial remaining performance obligation） 6,270 亿美元，同比 +99%；Azure 增速 40%（连续两年最高）。
亚马逊侧，Jassy 在 2026 年股东信中首次披露：AWS AI services 年化收入已超过 150 亿美元；Amazon 官方 Q1 财报还披露，Bedrock Q1 处理的 token 量超过此前所有年份总和，客户支出环比增长 170%。
大量数据说明，云厂商的Capex不是纯粹在赌未来的需求，而是在追赶已经发生的需求。这和Wework去赌未来租客会持续付钱，有根本区别。
第三，大模型公司估值不合理？
王川原文将Anthropic和巴菲特旗下的 Berkshire Hathaway（BRK）做对比。他认为：BRK十天收入等于Anthropic历史收入总和，但Anthropic估值比BRK高，这不合理。
这里的对比，如果只从财务数字看，当然是不合理的。但我们知道，在讨论估值时，我们应该用“可比公司”，BRK和Anthropic，在商业模式上完全不可比。前者是低增长保险/铁路/能源混合体，后者是 100%+ 增速的AI公司。
BRK 1万亿市值，3700亿美金收入，PS 2.6x；Anthropic 就按9000亿美金估值，Q2年化下来440亿美金收入，PS 20。两者对比看起来差别很大，但如果我们再去对比一下美股做软件的公司，就会看到不同的结论。
ServiceNow，PS 8.2，高的时候能到20x；Snowflake，PS 12.5，5年均值22x；Palantir 更夸张，目前PS 70x。
对比下来，我觉得Anthropic的估值也没到“需要巨大勇气构建的信念”来支撑的地步。
当然，我这里核心想说的，不是Anthropic为代表的大模型公司估值是不是合理，只是想强调估值对比的对象要有可比性。用成熟公司的估值逻辑去看成长公司，才是不合理的。如果按照成熟公司的标准看，2015 年的特斯拉、2010 年的 Netflix 估值都极度不合理。
另外，从财务会计角度，capex 不能等同于费用。capex / 经营现金流 = 86%，听起来很吓人，但数据中心capex的摊销周期5～15年，每年只确认1/5～1/10作为折旧费用。
第四，AI同质化？
AI模型同质化的问题，一直是市场上经常看到的说法。但我认为，真不一定。
首先我们可以从结果（定价）反推，如果一个商品高度同质化，那么其不同品牌的定价应该是很接近的。想想平时买可乐，百事可乐和可口可乐，价格差别大么？
我们用同样的逻辑来看看AI模型。Anthropic的模型以贵闻名，API定价经常是其他模型的10倍（甚至接近百倍）。我有一段时间龙虾是用Claude的Opus跑的，几个简单任务很轻松烧掉几十美金。
如果产品真的同质化，那为何Claude模型显现出如此强的Pricing Power呢？
事实上，虽然我们经常看到，Anthropic模型只领先其他厂商几个月的这种说法，但AI的几个月，和其他产业的几个月，是不同的概念。几个月的代差，在复杂和高价值任务上，有时候是可用和不可用的区别。
正因为感知到了非同质化的价值，用户才会愿意给Claude付出这样明显的溢价。
第五，AI模型切换成本不高？
王川原文只给了个结论：“产品切换成本不高（网络效应基本不存在，用户粘性微弱）”。没有论证过程。
我认为这个问题还是要分情况讨论。
对于个人，如果和大部分模型都是轻微交互，那么切换成本自然很低。但如果是某个产品的深度用户，比如长期使用Chatgpt、Claude、Cursor，如果切换到别的产品，意味着放弃了日积月累形成的高度个性化的Memory和Skill。我这里说的个性化，不是简单的体感不同，个性化与否对生产力会有很大的影响。
对于企业。企业将内部数据、工作流和API集成后，再切换供应商，依然会有不小的组织成本。而且很多企业采购AI模型，最终买的是基于自己数据微调的定制版本，切换供应商意味着又需要重新训练。
第六，牛鞭效应会导致存储需求崩塌？
牛鞭效应的原理：终端需求轻微波动，通过供应链传导会被放大，导致上游厂商订单、库存和产能的巨大波动。
从牛鞭效应角度看数据中心到存储的传导，有一定合理性。但这里也要注意，牛鞭效应通常是用来描述传统制造业的。传统制造业的供应链存在3个特征导致了牛鞭效应：需求波动大、层级多、信息不透明。
而当前AI算力市场的买方是极度集中的寡头（四大云厂商）而非分散客户，信息高度透明，供应链层级少。更重要的是，买方的采购目的更类似“AGI的军备竞赛”，而不是简单的应对下游订单波动。所以把传统制造业的牛鞭效应套用到AI产业，并不合理。
最后，由于王川的系列也没完结。后续我可能也会继续更新。本文的初衷不是为了拉踩，王川的文章我觉得写得很好，本文更多是进行批判性的分析，以进一步求真。
注：本文为个人思考，不构成任何投资建议。
