夜雨聆风
2025年的资本市场，有一个荒诞又真实的段子：一家上市公司只要在公告里加上"AI"两个字，股价就能涨停。至于AI业务到底赚不赚钱、占比多少、技术含量几何，似乎没人真的在乎。
这像极了1999年的互联网泡沫——只要挂上".com"的招牌，估值就能飞上天。但泡沫总会破的。当潮水退去，我们才会发现谁在裸泳。
真正的问题是：在这个AI概念满天飞的时代，我们如何穿透层层包装，看清一家AI公司的真实成色？
传统的PE、PB估值法在AI行业似乎失效了——有的公司连年亏损，市值却高得吓人；有的公司利润丰厚，却被市场认为"没有想象力"。这背后，是AI行业独特的价值逻辑：技术壁垒、数据资产、网络效应、生态卡位……这些无形资产，远比财务报表上的数字更重要。
本文将从五个维度构建AI公司基本面分析的完整框架，结合英伟达、百度、科大讯飞、OpenAI等真实案例，以及那些倒在半路的失败者教训，带你学会如何辨别"真AI"与"伪概念"，找到真正具备长期价值的AI公司。
一、主营业务构成与AI业务占比：真AI还是"挂羊头卖狗肉"？
1.1 AI收入占比：第一道照妖镜
判断一家公司是不是"真AI"，最简单也最硬核的标准，就是看AI业务收入占比。这就像相亲时看对方的真实收入——嘴上说自己是高净值人士没用，银行流水才是硬道理。
行业里有个不成文的"10%门槛"：AI业务收入占比低于10%的，基本就是蹭热点的"伪AI"；占比超过30%的，才算得上核心AI企业。
我们来看几个真实案例：
百度：2025年总营收1291亿元，AI业务营收400亿元，四季度AI业务收入占一般性业务收入的比例已经达到43%。这个数字相当有含金量——意味着百度已经从一家"搜索公司"真正转型为"AI公司"。AI云收入同比增长34%，AI应用全年收入突破100亿元，AI原生营销收入也在快速增长。
科大讯飞：2025年营收271亿元，其中智慧教育占33%，开放平台及消费者业务占34%，智慧城市、运营商、智慧汽车等业务构成其余部分。如果把大模型相关的战略业务算在一起，占比已经升到60%。但这里有个细节需要注意：讯飞的AI业务更多是"AI+行业应用"，而非纯AI模型收入——它是一家AI应用公司，不是AI模型公司。
英伟达：这家公司更夸张，2025财年营收1305亿美元，其中数据中心业务（也就是AI算力）占了绝大部分，毛利率高达75%，净利润率55.8%。说英伟达是"AI时代的石油公司"一点都不为过——每一家大模型公司都得向它买"石油"。
1.2 收入质量：比规模更重要的是"含金量"
光看收入占比还不够，还要看收入的"含金量"。同样是AI收入，有的是靠技术实力赚的，有的是靠政府补贴凑的；有的是高毛利的软件服务，有的是低毛利的硬件拼装。
这里有几个关键指标需要重点关注：
毛利率：纯软件AI业务的毛利率通常在60%-80%之间，AI硬件的毛利率在30%-50%，AI解决方案（项目制）的毛利率可能只有20%-30%。如果一家号称"AI龙头"的公司毛利率还不到30%，那你就要打个问号了——它到底是科技公司还是外包公司？
英伟达的毛利率为什么能做到75%？因为它卖的不是显卡，是CUDA生态，是AI时代的"操作系统"。客户买的不是硬件本身，是跑在上面的整个开发生态——这才是真正的高壁垒。
研发资本化率：这是一个容易被忽略的"财技"指标。科大讯飞2025年研发投入53.6亿元，研发资本化率高达42.6%，意味着约22.8亿元被计入资产负债表，只有约30.8亿元计入当期费用。这在软件行业属于偏高水平，一定程度上美化了当期利润。
不是说研发资本化一定不好，但如果一家公司的研发资本化率显著高于同行，你就要多留个心眼：这到底是会计准则的合理运用，还是在"修饰"业绩？
客户结构：政府客户占比高不高？是不是依赖少数几个大客户？回款周期有多长？这些问题直接关系到收入的"真实性"。科大讯飞2025年回款超营收、现金流创新高，说明它的大模型商业化确实进入了加速期——客户愿意真金白银买单，比什么都有说服力。
1.3 反面教材：那些"AI包装"的翻车现场
说几个反面案例，大家感受一下什么叫"伪AI"：
Builder.ai：这家英国AI独角兽号称"用AI帮你写App"，估值一度高得吓人。结果2025年破产清算时大家才发现，所谓的"AI开发"其实是大量人工外包——AI只是个幌子，本质还是人力外包公司。这成了AI行业"杀猪盘"的典型。
Yupp：这家AI创业公司曾经融资2亿，瞄准AI模型评测赛道，故事讲得天花乱坠。结果上线不到一年就宣布关停。为什么？因为它的商业模式根本跑不通——免费模型服务吸引用户评测，再把测评数据卖给模型厂商，听起来很美，但实际上模型厂商要么自己有数据，要么不愿意为第三方评测买单。
毫末智行：这家自动驾驶公司曾经风光无限，结果2026年突然宣布破产解散。原因很简单：摊子铺得太大——低速无人车、Robotaxi、辅助驾驶，三条战线同时开打，资源严重分散，哪条线都没形成绝对优势。资金充沛时还能撑着，一旦融资环境收紧，立刻处处漏风。
这些案例告诉我们一个朴素的道理：AI不是魔法，不能点石成金。一家公司如果主营业务不清晰、AI收入占比低、商业模式跑不通，哪怕包装得再花哨，最终都会现出原形。
二、产业链位置与业务布局合理性：卡位决定命运
2.1 AI产业链的三层金字塔
如果把AI产业比作一座金字塔，那它大致可以分为三层：
上游基础层：算力、芯片、数据、算法框架。这是AI产业的"地基"，技术壁垒最高，话语权最强。代表公司有英伟达（芯片）、海光信息（国产芯片）、中际旭创（光模块）、浪潮信息（AI服务器）等。
中游模型层：大模型、Agent平台、AI开发平台。这是AI产业的"大脑"，技术含量高，竞争激烈。代表公司有OpenAI、Anthropic、百度（文心一言）、阿里（通义千问）、科大讯飞（星火大模型）等。
下游应用层：行业解决方案、AI原生应用、AI硬件。这是AI产业的"手脚"，直接触达用户，商业化落地最快。代表公司就多了——WPS AI、美图、明略科技、零犀科技等等，各行各业都有。
这三层的投资逻辑、风险收益特征完全不同。上游赚的是"卖铲子"的钱，确定性最高；中游赚的是"技术垄断"的钱，赢家通吃；下游赚的是"场景落地"的钱，分散但灵活。
2.2 卡位的艺术：为什么英伟达能赚走最多的钱？
整个AI产业链，谁赚得最多？答案可能出乎很多人意料——不是OpenAI，不是谷歌，是英伟达。
2025财年，英伟达营收1305亿美元，净利润729亿美元，净利润率高达55.8%。这是什么概念？相当于每天赚2亿美元。而OpenAI虽然估值高，但还在烧钱阶段。
为什么英伟达能赚走产业链里最大的一块蛋糕？因为它卡位卡得太准了。
首先，它在产业链最上游——AI芯片。所有大模型公司都得买它的GPU，它是"卖水人"。不管哪家大模型最后胜出，英伟达都稳赚不赔。这就像淘金热的时候，最后发财的不是淘金者，是卖牛仔裤的。
其次，它不仅卖硬件，还卖生态。CUDA已经成为AI开发的事实标准，全球几百万开发者都在上面写代码。这种生态壁垒，比单纯的技术壁垒更难攻破。AMD的芯片性能未必差多少，但CUDA生态的差距，不是短时间能追上的。
最后，它的业务布局非常聚焦。黄仁勋是出了名的"all-in"——当年果断放弃移动端，all-in AI；现在又all-in 数据中心。这种战略聚焦，让它把所有资源都砸在一个点上，形成压倒性优势。
2.3 业务布局的合理性：贪多嚼不烂
判断一家AI公司的业务布局合不合理，核心看两点：有没有形成协同效应，资源是不是分散。
我们来看正面例子：
百度的布局就很有章法——上游有昆仑芯（自研AI芯片），中游有文心大模型，下游有智能云、自动驾驶、AI营销。形成了"芯片-模型-应用"的完整闭环，各业务之间相互赋能。昆仑芯训练文心大模型，文心大模型又支撑智能云和自动驾驶的应用，应用产生的数据又反哺模型。这种全栈布局，虽然投入大，但一旦跑通，壁垒极高。
科大讯飞走的是另一条路——"平台+赛道"。平台层是星火大模型，赛道层是教育、医疗、政务、汽车等垂直行业。这种布局的好处是，平台层的技术可以复用，赛道层的场景可以落地，形成"技术底座+行业应用"的协同效应。2025年讯飞智慧教育业务收入89.67亿元，同比增长24%，就是这种布局开花结果的体现。
再来看反面例子：
毫末智行为什么倒闭？一个重要原因就是业务太散——同时做低速无人车、Robotaxi、辅助驾驶三条线，这三条线的技术路线、客户群体、商业模式完全不同。相当于用一套班底打三场完全不同的战争，资源严重分散，哪条线都没做深做透。资金充裕的时候还能维持，一旦融资收紧，立刻崩盘。
Stability AI的教训也很深刻。2024年这家公司陷入严重财务危机，亏损1.53亿美元，而收入只有1100万美元。为什么？因为它开源了Stable Diffusion，赚不到模型授权费，又没有找到清晰的商业化路径。技术很牛，但商业模式没跑通，最后只能靠投资人救火。
2.4 国产替代：特殊背景下的机遇与挑战
在中国市场，还有一个特殊的维度需要考虑：国产替代。
由于外部环境的变化，国产算力、国产大模型、国产AI应用都迎来了历史性机遇。海光信息、寒武纪、华为昇腾这些国产芯片厂商，深度受益于信创和国产替代的浪潮。
但这里面也要区分"真替代"和"假替代"。有的公司是真的技术过硬，能在性能和生态上接近国际水平；有的公司只是借着国产替代的东风，拿政府订单、赚政策的钱，技术实力其实一般。
怎么区分？看两个指标：一是非政府客户占比高不高，二是市场化的订单多不多。如果一家公司的客户主要是政府和国企，离开了政策支持就活不下去，那它的"国产替代"含金量就要打个问号。
科大讯飞在这方面做得不错——它不仅有政府和国企的订单，还有大量C端消费者和市场化的B端客户。2025年它的出海营收突破10亿元，同比增长275%，说明它的产品在国际市场也有竞争力。这才是真正的技术实力。
三、核心技术实力、专利数量与研发投入：护城河的真正来源
3.1 研发投入：不是花得多就叫技术强
很多人看AI公司的技术实力，第一个看研发投入。这个思路方向是对的，但不能只看绝对值，还要看几个细节。
研发投入占营收比例：这个指标比绝对值更重要。科大讯飞每年把营收的20%左右投入研发，2025年研发投入53.64亿元，占比19.79%。这个比例在科技公司里算很高的了。百度的研发投入比例也不低，多年来一直保持在15%以上。
但这里有个陷阱：研发投入高不代表技术一定强，还要看投入的效率和方向。有的公司研发投入很高，但都花在收购和"买技术"上了，内生的技术积累并不多；有的公司研发投入看起来不多，但都集中在核心技术上，效率很高。
研发人员占比：这是另一个重要指标。科大讯飞研发人员数量达到10040人，占员工总数的59.70%——接近六成员工是研发人员，这个比例相当惊人。说明这是一家真正靠技术吃饭的公司，不是靠销售和运营堆出来的。
研发资本化率：这个我们前面提过，这里再强调一下。研发资本化率太高，说明公司可能在"修饰"利润，把本该计入费用的研发支出资本化了。科大讯飞42.6%的研发资本化率，在软件行业属于偏高水平，投资者需要注意这一点。
3.2 专利数量：数量重要，质量更重要
专利数量是衡量技术实力的硬指标，但同样不能只看数量，更要看质量。
我们来看几个数据：
百度：根据《2025人工智能创新与专利白皮书》，百度生成式AI、智能体专利中国第一，大模型专利申请量全球第二、中国第一，深度学习专利申请量全球第一，高级别自动驾驶专利族数全球第一。这个成绩单相当漂亮——不仅数量多，而且都是核心领域的专利，含金量很高。
科大讯飞：累计专利1600余件，其中发明专利1100件，占比69%。主导和参与制修订国际及国内标准260余项，其中国际标准9项、国家标准75项，包括全球首个人机交互智能语音国际标准。能参与制定国际标准，说明它在语音领域确实有话语权。
但专利这东西，水也很深。有的公司专利数量很多，但都是实用新型和外观设计，发明专利少得可怜；有的公司专利很多，但都是边缘技术，核心专利没几个；还有的公司靠"专利灌水"凑数量，实际价值不大。
怎么判断专利质量？看几个点：一是发明专利占比高不高，二是核心技术领域的专利多不多，三是有没有参与制定行业标准，四是专利有没有被同行引用（引用率越高说明越重要）。
3.3 技术壁垒：真正的护城河是什么？
专利和研发投入都是"表象"，真正的技术壁垒，要看这几个维度：
算法效率：同样的效果，谁用的算力少、谁的模型小，谁就厉害。讯飞星火X1有个特点——在国产算力上训练，参数比同类模型少一个数量级，但数学、推理、幻觉治理准确率还能领先业界。这就是算法效率的体现——用更少的资源达到更好的效果，这种技术壁垒是实打实的。
阿里云通义千问的推理服务P99延迟控制在200ms内，吞吐量达每秒数万次请求；OpenAI的GPT-4 API P99延迟约300ms。这些性能指标背后，都是算法优化和工程能力的体现。
全栈自主可控：在当前的国际环境下，这一点越来越重要。科大讯飞从硬件基础到软件支撑，从模型训练到推理应用，已经实现全链路自主可控。百度有昆仑芯+文心大模型+飞桨框架的全栈布局。这种全栈自主能力，不仅是安全问题，更是成本和效率问题——自己能掌控全链路，优化空间就大得多。
生态壁垒：这是最高级的技术壁垒。英伟达的CUDA生态，谷歌的Android生态，苹果的iOS生态——一旦生态建立起来，后来者几乎不可能追上。国内目前还没有真正形成生态壁垒的AI公司，但百度的飞桨深度学习框架、华为的昇腾+MindSpore，都在往这个方向努力。
3.4 技术路线的选择：押对赛道比努力更重要
技术实力强不强，还要看技术路线选得对不对。在AI这个快速变化的行业，方向选错了，越努力离目标越远。
英伟达为什么能成功？因为黄仁勋当年赌对了方向——all-in GPU计算。当时很多人觉得GPU就是打游戏用的，黄仁勋却看到了通用计算的潜力。后来AI爆发，GPU正好成了最佳算力载体，英伟达直接起飞。这不是运气，是战略眼光。
百度为什么在AI领域布局这么深？因为李彦宏很早就all-in AI了。2010年代初，当其他互联网公司还在忙着做移动互联网的时候，百度就开始布局深度学习和自动驾驶。当时很多人不理解，觉得百度不务正业。现在回头看，这步棋走得太对了——百度的AI积累，比国内任何一家互联网公司都深。
反面例子也有。有的公司一开始押注计算机视觉，结果大模型时代来了，CV的价值被大模型整合了；有的公司押注专用AI芯片，结果通用GPU的生态越来越强，专用芯片的空间被挤压。
技术路线的选择，本质上是对未来的判断。这就像下棋——你得看到后面好几步，不能只看眼前。AI行业技术迭代太快，一步踏错，可能就再也追不上了。
四、数据资源、客户资源与品牌影响力：看不见的资产负债表
4.1 数据资源：AI时代的"石油"，但不是越多越好
都说数据是AI时代的石油。这话对，但只对了一半。
数据确实重要——没有高质量的数据，再厉害的模型也训练不出来。但不是数据越多越好，关键看数据的质量、独特性和与业务的相关性。
我们来看几个案例：
美图公司：为什么美图的AI能做起来？因为它有亚洲最大的人像标注数据库。美图秀秀做了十几年，积累了海量的人像数据和用户审美偏好数据。这些数据用来训练图像生成大模型，简直是天作之合。别人不是不能做，但没有这么多高质量的人像数据，做出来的效果就是差一截。2025年美图付费用户突破1261万，同比增长38.4%，87%的付费用户依赖AI功能——这就是数据壁垒带来的商业价值。
明略科技：旗下秒针系统深耕营销科学领域19年，积累了涵盖380余个高颗粒度数据标签的海量效果基准数据库，覆盖超过2100家品牌客户的真实营销行为数据。这些数据是AI模型训练的"黄金燃料"——别人想做营销AI，没有这些历史数据做基准，根本做不准。
零犀科技：这家公司做因果大模型，主打"为结果担保"——不是卖工具，是卖结果。它为什么敢这么承诺？因为它在金融、保险、汽车、教育等领域积累了大量的真实场景数据，知道什么样的模型能带来什么样的结果。这种场景数据，是通用大模型公司没有的。
所以说，数据的价值不在于"大"，而在于"专"。通用的互联网数据，大模型公司都能拿到，价值有限；垂直行业的专有数据，才是真正的壁垒。
4.2 客户资源：从"卖产品"到"建生态"
客户资源的价值，很多人低估了。
表面上看，客户就是收入来源。但往深了看，客户资源意味着场景、数据反馈和粘性。
为什么SaaS公司估值高？因为客户一旦用了你的产品，迁移成本很高，粘性很强，收入是可预测的。AI公司也是一样——如果客户的业务深度依赖你的AI能力，那你就不是一个简单的供应商，而是基础设施。
我们来看WPS AI。为什么它的AI功能渗透率提升这么快？因为它有海量的国民级用户，C端心智根深蒂固，B端政企替代空间广阔。用户本来就在用WPS，现在加了AI功能，不用换软件、不用重新学习，直接就能用。这种"存量用户+AI增量功能"的模式，比从零开始做一个AI产品，成功率高太多了。
再看科大讯飞的智慧教育业务。为什么它能做到近90亿的年收入？因为它已经进入了全国很多学校，老师和学生都在用它的产品。这种深度的客户绑定，不是后来者靠技术就能轻易颠覆的——你技术再好，学校不用你的系统，也白搭。
客户资源还有一个隐藏价值：数据飞轮。客户用得越多，产生的数据越多，模型就越准，产品就越好，客户就越离不开。这是一个正向循环。谁先跑通这个飞轮，谁就能建立起难以逾越的壁垒。
4.3 品牌影响力：心智占领比市场份额更重要
在AI这个新兴行业，品牌影响力的价值被严重低估了。
AI产品有个特点：效果很难量化评估。你说你的大模型好，我说我的大模型好，到底谁好？普通用户根本分不清。这时候，品牌就成了最重要的决策依据。
为什么ChatGPT能火遍全球？除了技术确实领先，还有一个重要原因——OpenAI的品牌做得好。从GPT-1到GPT-4，每一代产品发布都能引发轰动，形成了"OpenAI=最先进AI"的心智认知。用户想用AI，第一个想到的就是ChatGPT。
国内也是一样。百度文心一言、科大讯飞星火、阿里通义千问——这些头部大模型品牌，已经在用户心中建立了认知。后来者想再挤进来，难度就大了。
品牌影响力还有一个重要作用：吸引人才。最优秀的AI人才，都想去最有名的公司。品牌越强，越容易招到顶尖人才；人才越强，产品就越好；产品越好，品牌就越强。这又是一个正向循环。
英伟达为什么能在AI芯片领域一家独大？除了技术和生态，品牌也是重要因素。做AI的，谁不知道英伟达？谁不向往用英伟达的GPU？这种心智认知，让英伟达在招聘、合作、定价等各个方面都占据了主动。
4.4 网络效应：AI时代的终极护城河
最后说一个终极壁垒：网络效应。
什么是网络效应？就是用的人越多，产品就越有价值。微信是这样，淘宝是这样，AI产品也是这样。
OpenAI的GPT系列为什么越来越强？因为全球几百万开发者都在用它的API，产生了海量的使用数据和反馈。这些数据和反馈又用来改进模型，让模型变得更强。模型越强，用的人就越多——这就是网络效应。
英伟达的CUDA生态也是一样。用的开发者越多，基于CUDA的软件和工具就越多；软件和工具越多，新的开发者就越愿意用CUDA。这种生态的网络效应，一旦形成，几乎是不可战胜的。
所以判断一家AI公司的长期价值，一定要看它有没有网络效应，网络效应强不强。有网络效应的公司，会越做越强，最终赢家通吃；没有网络效应的公司，只能在红海里苦苦挣扎。
当然，网络效应不是一天建成的。它需要时间，需要积累，需要正确的战略。但一旦建成，就是最坚固的护城河。
五、管理层能力、治理结构与激励机制：掌舵者决定航向
5.1 创始人与管理层：AI公司的"灵魂"
AI行业有个特点：技术迭代太快，不确定性太高。在这样的行业里，管理层的能力和眼光，比什么都重要。
我们来看几个传奇人物：
黄仁勋：英伟达的创始人兼CEO。这个人有多厉害？他能在三十年前就看到GPU的未来，能在AI浪潮到来之前就all-in，能把一家游戏显卡公司做成AI时代的霸主。他的战略眼光、执行力、对技术趋势的判断，都是顶级的。
黄仁勋的管理风格也很有特点。他不是那种高高在上的CEO，而是深入一线，对技术细节了如指掌。英伟达的每一代新产品，他都深度参与。这种"技术型CEO"，在AI行业特别吃香——因为他懂技术，所以能做出正确的战略决策，不会被下属"忽悠"。
李彦宏：百度的创始人。很多人对李彦宏的印象还停留在"搜索公司老板"，但实际上，他可能是中国互联网大佬里对AI理解最深的人之一。他很早就all-in AI，亲自抓大模型研发。2025年11月，百度甚至把基础模型研发部和应用模型研发部都直接向李彦宏汇报——CTO王海峰被排除在大模型核心研发管理之外。这说明李彦宏对AI业务的重视程度，也说明他对技术有足够的判断力，能亲自挂帅。
山姆·奥特曼：OpenAI的CEO。这个人的故事就更传奇了。他不是技术出身，但他把OpenAI从一个非营利研究机构做成了估值几千亿美元的商业帝国。他的能力在于：一是能聚拢顶尖人才，二是能平衡理想主义和商业现实，三是能在关键时刻做出正确的决策。2023年那场"董事会罢免CEO"的大戏，最后以奥特曼胜利回归告终，这本身就说明了他的领导力和影响力。
5.2 治理结构：没有最好的，只有最合适的
AI公司的治理结构，和传统公司很不一样。因为AI行业变化太快，需要快速决策；又因为AI技术涉及安全和伦理，需要制衡和监督。
我们来看几个有意思的治理结构案例：
OpenAI的"双层架构"：这可能是科技史上最独特的治理结构了。顶层是OpenAI Foundation（非营利基金会），底层是OpenAI Group PBC（公益公司）。基金会控制着营利性公司，公司赚了钱，上限之外的部分都要回流到基金会，用于造福全人类。
这个设计的初衷很好——既要商业化融资，又要保证AGI（通用人工智能）的发展不偏离"造福人类"的初心。但实际运行中问题也不少，2023年的"奥特曼罢免事件"就是治理结构矛盾的集中爆发。2025年10月，OpenAI完成资本重组，最终确立了"非营利基金会控制营利性公益公司"的双层架构，算是把这个制度正式定型了。
这种结构好不好？很难说。它的好处是能平衡商业利益和公共利益，坏处是决策效率可能受影响，权责也不够清晰。但对于AI这种可能改变人类命运的技术来说，有这样的制衡机制，未必是坏事。
英伟达的"分散不涣散"：英伟达的股权结构很有意思——没有超级投票权，所有股东一票一权，股权非常分散，最大的股东持股才8.32%，没有任何一个机构或个人能单独说了算。
但黄仁勋作为创始人，不用靠高持股，只要赢得董事会和管理层的信任，就能牢牢掌控公司。这种"靠能力而非股权控制公司"的模式，反而让管理层更有动力把公司做好——因为做得不好，随时可能被董事会换掉。
百度的"AB股结构"：李彦宏持股19.1%，但拥有59.9%的投票权。这是典型的AB股结构——创始人用少数股权掌握多数投票权。
这种结构的好处是创始人能牢牢控制公司，不用太在意短期股价波动，可以做长期战略决策。坏处就是"一言堂"——如果创始人决策错了，没人能拦得住。百度这些年走过的一些弯路，和这种治理结构也不无关系。
所以说，没有最好的治理结构，只有最合适的。不同的公司、不同的发展阶段，需要不同的治理模式。关键是要在"决策效率"和"权力制衡"之间找到平衡。
5.3 激励机制：钱要给到位，但不能只给钱
AI行业的竞争，说到底是人才的竞争。顶尖的AI人才，全世界就那么多，各家公司都在抢。怎么留住人才、激励人才，是每家AI公司的必修课。
我们来看几个有意思的案例：
奥特曼的"零持股"：OpenAI的CEO山姆·奥特曼，居然不持有公司股权。这在科技圈简直是不可思议的事——哪家公司的CEO不是手握大量股权？
奥特曼为什么零持股？说起来很理想主义：2015年OpenAI成立时是非营利组织，管理者持有股权会影响免税资格；奥特曼自己也说，他要向外界证明他能把个人利益和公司使命分开。
但随着公司估值从零涨到几千亿美元，这个"主动选择"的代价变得越来越高。也有人担心，CEO没有股权，会不会动力不足？会不会为了短期利益牺牲长期发展？这都是OpenAI治理结构中悬而未决的问题。
英伟达的"股东回报"：英伟达在激励方面做得相当到位。2026财年，英伟达通过股票回购和分红的方式，向股东返还了411亿美元。这是什么概念？相当于每天返还1亿多美元。
对员工呢？英伟达的股权激励也很大方。很多早期加入的工程师，靠着英伟达的股票实现了财务自由。这种"公司发展好，大家都发财"的文化，让员工的积极性特别高。
百度的"回购与分红"：百度2026年也批准了50亿美元的新股票回购计划，还首次推出了股息政策。这说明百度开始重视股东回报了——以前百度更看重增长和投入，现在开始平衡增长和回报。这对投资者来说是好事，对管理层也是一种约束。
但AI公司的激励，不能只靠钱。顶尖的AI人才，很多不是为了钱才工作的——他们是为了技术理想、为了改变世界。所以还要有使命感、有技术氛围、有成长空间。OpenAI为什么能吸引那么多顶尖人才？不是因为工资最高，而是因为那里有最前沿的技术、最牛的同事、最有可能实现AGI的环境。
5.4 组织能力：从"游击队"到"正规军"
最后说一个容易被忽略的维度：组织能力。
很多AI创业公司，一开始都是几个人的小团队，技术很强，战斗力爆表。但公司一做大，人一多，管理就跟不上了——内耗、扯皮、效率低下，什么问题都来了。
从"游击队"变成"正规军"，是每一家AI公司都要过的坎。
百度在这方面就经历过阵痛。移动互联网时代，百度的组织能力一度跟不上，错失了很多机会。但这几年all-in AI，百度的组织架构调整得很频繁——从技术端的研发统一，到落地端的产品融合，再到商业端的变现整合，百度正在用一场自上而下的组织革命，为AI大规模商业化扫清障碍。
科大讯飞的组织能力也值得一提。它能同时做教育、医疗、政务、汽车这么多赛道，还能每个赛道都做得不错，说明它的组织管理能力是过关的。"平台+赛道"的模式，说起来容易，做起来难——既要保证平台层的技术统一，又要发挥赛道层的灵活性，这个平衡不好把握。
OpenAI的组织能力就更有意思了。它采用扁平化、去中心化的管理模式，团队分为多个小组，每个小组都有自己的研究方向和目标。决策不是由少数人制定，而是通过团队成员之间的共识来达成。这种模式在研究型机构里很有效，但随着公司越来越大、商业化越来越重，这种模式还能不能持续，也是个问号。
总而言之，AI公司的竞争，到最后拼的是组织能力。技术可以追，人才可以挖，但组织能力不是一朝一夕能建起来的。一家公司如果组织能力不行，哪怕技术再领先，也走不远。
写到这里，我们已经把AI公司基本面分析的五个维度全部讲完了。
最后，我们来做个总结。下次再看一家AI公司的时候，不妨用这五个维度去"透视"一下：
第一维：看业务。AI收入占比多少？是真AI还是蹭热点？收入质量怎么样？毛利率高不高？客户结构健不健康？现金流好不好？
第二维：看卡位。在产业链的哪一层？是上游卖铲子的，还是中游做模型的，还是下游做应用的？业务布局有没有协同效应？资源是不是分散？有没有国产替代的逻辑？
第三维：看技术。研发投入占比多少？研发人员占比多少？专利质量怎么样？有没有核心技术壁垒？技术路线选对了吗？有没有全栈自主可控的能力？
第四维：看资源。有没有独特的数据资产？客户资源牢不牢？品牌影响力够不够？有没有网络效应？能不能形成正向飞轮？
第五维：看人。创始人能力怎么样？有没有战略眼光？治理结构合不合理？激励机制到不到位？组织能力跟不跟得上？
这五个维度，就像五面镜子，能帮你穿透AI概念的层层包装，看清一家公司的真实成色。
当然，没有哪家公司能在五个维度上都拿满分。英伟达技术强、卡位好，但应用层布局弱；百度技术深、布局全，但商业化效率还有提升空间；科大讯飞场景落地能力强，但模型技术和国际顶尖水平还有差距。
投资不是找完美的公司，而是找"性价比"最高的公司——在合适的价格，买有核心竞争力、有长期成长空间的公司。
AI是未来十年最大的产业趋势，这一点毫无疑问。但趋势不代表所有公司都能成功。恰恰相反，每一次技术革命，最后活下来的都是少数。互联网浪潮来了，最后活下来的是BAT，不是当年那几千家.com公司。
AI浪潮也一样。现在市面上号称"AI公司"的企业没有一万也有八千，但五年之后再看，90%都会消失。真正能活下来、长成巨头的，一定是那些在技术、产品、商业、组织上都过硬的公司。
形成自研究→配置→管理→运营的完整闭环：
- 1.资产研究
宏观、大类资产、行业赛道、估值、周期、风险收益特征； - 2.资产配置
战略配置、战术调整、模型、组合构建、再平衡； - 3.资产管理
投研体系、组合管理、风控、业绩归因、产品选择； - 4.资产运营
存量资产盘活、增值、退出、现金流管理、资产证券化、REITs 等。
为中产及高净值人士提供适配财富策略及资产配置方案。
欢迎添加下图微信交流：
