基础模型公司在不同定价和竞争情景下的估值

介绍

基础模型可以支持众多下游任务和产品。这种广度创造了商业选择价值，同时也使得公司边界难以界定。开发者可以训练专有模型，通过自有应用程序分发模型，通过接口出售访问权限，通过云合作伙伴授权容量，提供定制模型，运营消费者订阅服务，并与基础设施提供商达成战略协议。因此，同一组织可以同时扮演研究实验室、云软件业务、消费者平台和资本密集型基础设施用户的角色。

市场证据强化了情景分析的必要性。英国竞争与市场管理局（CMA）将计算、数据和人才视为关键投入，并审查了基础模型价值链中相互关联的合作伙伴关系网络[7-9]。美国联邦贸易委员会（FTC）报告称，主要的云和AI合作伙伴关系可能包括股权、收益分成、咨询、控制权、独家性、云支出承诺以及技术和财务信息的访问权限。 ^[7]这些关系可以为增长提供资金并扩大分销渠道。它们还会带来转换成本、市场集中度，并对未来的经济效益产生影响。

技术领先地位同样具有动态性。斯坦福大学 2026 年 AI 指数描述了一个顶级层级，其中几位开发者在用户偏好指标上非常接近，而开放模型和封闭模型之间的性能差距会随时间而变化 [10,11]。提供商文档显示了多种定价机制，包括按需付费代币、缓存输入、批量折扣、预留吞吐量和特定模型容量 [12-19]。这些机制可以在不改变名义模型系列的情况下，显著改变客户的成本。

因此，估值应该回答比人工智能是否具有战略重要性更为具体的问题。它应该确定哪些现金流、资产、负债和期权属于公司，它们在不同的竞争环境下能维持多久，以及需要多少资本来维持这些资产。

1. 在选择方法之前，先确定公司范围。

首要任务是明确投资者的估值目标。估值范围应涵盖法人实体、模型权重、训练代码、数据权利、评估系统、推理栈、客户应用程序、合同、云服务安排、设施、人员、安全系统、品牌、分销渠道和融资义务。创始人、关联公司、大学、云合作伙伴或开源社区持有的资产需要单独评估。

收入应与其来源产品对应。消费者订阅、企业席位、按使用量计费的接口、预留容量、定制服务、专业服务和许可授权在经济效益上各不相同。合并后的增长数据可能掩盖了下滑的接口型号、享受补贴的消费者产品或高利润的企业客户群体。估值文件应将每项实质性产品与合同、使用情况、发票、现金和直接成本进行核对。

此外，还需要一份责任映射表。云服务提供商可以提供加速器、托管推理、转售模型、提供客户身份信息，并将访问权限捆绑到一个更广泛的平台中。模型公司可能保留产品责任，但缺乏直接的客户数据或定价控制权。该协议必须与运营遥测和现金结算机制一并解读。

知识产权所有权应在组件层面进行检验。训练数据、代码、权重、合成数据、评估集、微调、安全分类器和客户定制内容可能属于不同的所有者，并受不同的限制。IAS 38 和相关的估值准则提供了有用的会计和估值界限，而法律权利则取决于具体事实[3,5]。

2. 建立产品和客户收入账簿

基础模型收入质量始于客户-产品账簿。每一行都应包含客户、产品、合同、计费单位、承诺最低金额、使用量、信用额度、价格、续订日期、服务级别、地区、型号版本、分销渠道、发票、收款和直接交付成本等信息。相关实体和底层最终用户若存在共同的风险敞口，则应进行汇总。

使用情况需要谨慎解读。高代币使用量可能反映客户价值、低效提示、免费积分、内部测试或自动化流量。低使用量可能与最低承诺并存，但持续低使用率会削弱续订。账本应将消费与可接受的客户工作流程和商业成果联系起来。

合同收入应与预订收入、剩余义务、年度使用量和管理运行率区分开来。国际财务报告准则第15号（IFRS 15）为报告实体提供了适用的收入确认框架。 ^[4]估值分析还需要已确认收入背后的运营计划：取消、服务抵扣、爬坡假设、最低消费、使用等级、价格重置和客户接受度。

客户群体应遵循从评估到生产的路径。投资者应关注转化时间、用户留存率、用户增长、用户收缩、用户流失率、毛收入留存率、净收入留存率以及按获客年份划分的贡献。模型发布可能会暂时增加试用用户，但未必能提高付费用户留存率。群体数据可以显示技术兴趣是否能转化为可重复的商业行为。

3. 将模型功能与客户效用分开

模型基准测试提供特定条件下特定任务的性能证据，但并不能直接体现企业价值。客户购买的是系统交付的成果，该系统可能包含检索、工具、工作流逻辑、安全控制、人工审核、集成、监控和支持等功能。评估应将基础模型能力与完整系统性能区分开来。

产品评分卡应包含代表性工作流程的质量、可靠性、延迟、吞吐量、可用性、安全性、可靠性、可解释性、可控性和成本等指标。MLCommons 发布了可复现的推理基准测试方法，可用于支持基础设施比较 [20,21]。针对特定公司的评估仍然需要客户数据、生产环境和受控基线。

基准饱和度和污染会缩短已公布的领先指标的使用寿命。斯坦福大学的技术审查记录了快速进展、某些指标的紧密聚集以及对基准可靠性的担忧。 ^[10]尽职调查团队应检查评估管理、版本历史、测试集访问权限、独立复现以及在公开排行榜之外的性能。

客户效用应与相关替代方案进行比较：例如竞争模型、规模较小的模型、开放式模型、确定性软件、员工流程或不部署。经济指标可以是每美元可接受的任务量、在保持质量的前提下节省的时间、转化率的提高、损失的减少或可控的服务改进。估值依据是公司能够通过价格和客户留存来获取部分价值的证据。

4. 将模型定价视为一系列机制的组合

公开代币价格可见但不完整。商业经济可能包括输入、缓存输入、输出、音频、图像、工具、存储、微调、优先处理、批处理、预留吞吐量、区域部署、支持和最低承诺。企业合约可能使用保密折扣和抵扣额。定价模型应反映每个重要类别的实际发票。

提供商文档阐述了可用的机制。OpenAI 描述了按需付费、批量处理以及预留或扩展容量结构 [12-14]。Anthropic 公布了模型、缓存和批量处理的价格，并维护了有文档记录的模型生命周期流程 [15,16]。Google 公布了 Gemini 接口的价格。 ^[17]Amazon Bedrock 会发布特定型号的价格、批量折扣和缓存机制[18,19]。这些时间表会发生变化，应认真记录时间戳。

单价可能会产生误导。更高效的模型可能需要更少的调用次数、更短的提示、更少的审核或更高的接受率。而更便宜的模型则可能增加补救措施或延迟。客户层面的价格-交易量桥梁应综合考虑有效价格、消耗量、已接受的输出和服务成本。

投资者应分别测试四种定价策略：调整标价、协商折扣、调整产品组合以及提高技术效率。降低标价可能刺激用户使用。折扣可能在保留战略客户的同时降低客户获取量。路由可以将工作负载转移到成本更低的模式。缓存和批处理可以降低特定工作负载的成本。每种机制对收入、成本和客户留存率都有不同的影响。

5. 估算价格弹性和竞争传递效应

定价情景需要明确的客户行为数据。管理层应明确分析先前价格、型号或包装变更后需求的变化情况。分析应控制型号质量、产品发布、产能、季节性、客户构成和促销优惠等因素。如果公司缺乏相关数据，则该情景应仅为假设。

弹性因工作流程而异。实验性工作负载可在成本下降时快速扩展。受监管的生产工作负载可能受到验证、集成和治理的限制。消费者使用情况可能受订阅模式和功能限制的影响。拥有嵌入式应用程序的客户可能需要承担切换成本，而使用标准接口的开发人员则可能需要在不同提供商之间路由流量。

竞争性的成本转嫁决定了计算成本下降是会带来利润还是降低价格。拥有差异化质量、分销或管理优势的公司可能会保留部分节省的成本。在替代品众多且价格透明的市场中，大部分节省的成本可能会让利给消费者。该模型应将技术成本的改进与商业收益区分开来。

情景设计应避免单一的价格预测。一个有效的矩阵应将有效价格、留存销量和客户贡献进行交叉分析。然后，可以根据产品和时间段应用不同的概率。管理层应解释每个单元格的依据，并确定哪些运营决策可以改变结果。

6 重构推断单位经济学

推理成本应根据工作负载遥测数据和供应商发票进行衡量。桥接成本包括令牌或其他计算单元、模型组合、加速器时间、利用率、内存、存储、网络、缓存写入、缓存读取、批处理、失败请求、安全调用、检索、可观测性和人工审核。共享资源应按照已记录的规则进行分配。

容量可以按需购买、预留、预置、承诺，或通过战略合作伙伴间接获得。经济成本包括已消耗和未使用的容量。公司可以报告每个有效请求的优惠成本，但同时承担较高的最低支出，而这部分支出并不包含在客户贡献范围内。该模型应同时显示边际成本和完全分配成本。

效率提升措施应通过生产结果来体现。量化、蒸馏、路由、缓存、批处理、减少提示符以及改进内核可以降低成本。更大的上下文窗口、更丰富的输出、更多的推理或冗余的安全检查则会增加成本。提供商文档证实，缓存和批处理的价格可能与标准调用存在显著差异[12-19]。实际节省的成本取决于工作负载的适用性和行为。

该单元应与客户价值挂钩。每美元的代币数量是一项运营指标。每美元已完成的任务数、每美元已解决的案例数或每美元计算成本的留存收入，都将技术系统与商业模式联系起来。

7. 将培训视为资本周期

前沿训练是一个循序渐进的过程，包括研究、数据收集、实验、训练前准备、训练后评估、安全工作、部署和持续改进。评估应区分探索性研究、平台开发、大型训练运行和产品维护。每个环节的成功概率和使用寿命各不相同。

尺度律研究表明，计算资源、模型规模、数据量和性能之间存在系统性的关系，而计算最优训练工作则表明，模型和数据资源的分配会显著影响结果[31,32]。这些发现支持严谨的规划，但并不能将训练预算转化为可预测的资产。

资本支出计划应涵盖加速器、云服务承诺、数据采集、准备工作、专业人员配备、失败测试、评估、安全保障、红队演练、发布能力和应急预案。它应明确现金支付时间、模型商业化时间、其替代的前代产品以及其带来的增量收入或贡献。

管理层应保留预测数据和实验记录。这样，评估就可以比较预期成本和实际成本、进度、能力和采用率。持续超支或商业转化率低下应影响未来培训的概率、时间安排和资本支出。

8. 估算模型经济寿命和更换需求

模型无需停止运行，其经济价值就会下降。竞争对手可能会改进产品，价格可能会下降，客户可能会迁移，平台可能会停用界面，监管政策可能会改变，甚至公司自身的继任者也可能会蚕食需求。Anthropic 的公开贬值记录说明了为什么模型生命周期分析应该纳入产品和估值分析。 ^[16].

公司应按模型版本跟踪收入、使用情况、贡献和客户数量。当模型被替换时，应记录迁移时间、激励措施、故障、支持成本和客户流失率。这些数据有助于评估已部署模型及其客户关系的经济寿命。

估值应区分现有模型资产与组织开发后续产品的能力。权重可能商业寿命短暂，而研究系统、数据版权、评估基础设施、分发渠道以及一支经验丰富的团队则可能具有跨代价值。为保持这种能力所需的再投资应纳入现金流。

投资者可以使用过时准备金或明确的更新计划。该模型应避免将每一笔研发投入资本化，也应避免假设所有研发成果都会立即消失。证据决定哪些支出能够产生可控且可转移的能力。

9. 测试计算资源访问和基础设施承诺

基础架构模型的开发和部署需要加速器、网络、存储、电力和专用软件。微软、Alphabet、Meta 和 Oracle 的公开文件描述了大量的数据中心投资，以及基础设施对成本和资本支出的影响[26-29]。这些披露表明了该行业的资本密集度。但它们并未披露非上市公司的经济状况 (AI)。

目标计算资源登记表应列明提供商、区域、加速器、容量、期限、价格、最低消费额、续订、可移植性、安全性、数据位置、终止、分配、控制权变更和服务级别权限。战略投资和信用额度应与法律协议和可用容量相符。

集中化既能带来优势，也能带来风险。优先接入可能有助于模型交付。而绑定云服务则可能降低切换灵活性，并使公司受制于单一供应商的路线图。美国联邦贸易委员会 (FTC) 和竞争与市场管理局 (CMA) 的报告为分析这些关系提供了一个框架 [7-9]。

不利情景分析应检验产能延迟、利用率降低、承诺搁浅、信贷损失、价格变动、迁移成本以及交易后无法转让协议等问题。此外，还应检验从试验性需求过渡到可靠生产所需的资本。

10. 尽职调查数据权利和来源

培训和评估依赖于数据，而数据的权利会因来源和用途而异。登记册应涵盖授权内容、公共数据、客户数据、合成数据、员工贡献、购买的数据集、抓取材料和生成的输出。对于每种来源，公司应记录所有者、许可、允许用途、地域、期限、署名、保密性、隐私权、删除权以及模型输出的影响。

法律分析取决于具体的司法管辖区和案件事实。估值结果源于运营依赖性。如果重要数据集无法更新或用于后续型号，管理层应评估更换时间、成本和性能影响。如果客户数据能够改进产品，合同应支持这种用途。

数据质量也至关重要。数据来源、去重、污染、语言覆盖范围、安全过滤和更新都会影响模型性能和声明。尽职调查团队应将关键的评估和训练数据集追溯到可复现的流程中。

数据期权价值应与当前现金流保持分离。当数据具备版权、实用性、独特性和已证实的市场需求时，数据集合可以为未来的产品提供支持。仅凭数量本身并不能确定价值。

11 重视人才和研究操作系统

基础模型的能力可能依赖于少数研究人员、系统工程师、产品负责人和安全专家。投资者应通过代码、实验、事故、模型发布、客户升级和技术决策来识别关键团队。职位名称和发表论文数量可以提供背景信息，而运营证据则能体现依赖性。

研究操作系统涵盖实验设计、数据管道、训练编排、评估、审查、文档编写、安全保障、发布和发布后学习等环节。可重复使用的系统能够在特定模型老化后依然保持价值。而依赖于创始人的流程在交易完成后可能迅速失去价值。

留任分析应涵盖股权归属、流动性、薪酬、移民、地点、竞业禁止协议的执行情况、学术角色以及使命契合度。交易结构可通过股权转让、留任安排、公司治理以及资助的研究路线图来保障工作的连续性。建议咨询最新的法律和税务顾问。

在评估平台价值之前，应先测试知识转移情况。另一个经授权的团队应重现构建过程，运行评估，诊断故障，并使用已记录的系统执行受控发布。

12. 评估配电能力和客户所有权

分销渠道决定了哪些技术上可行的产品型号能够触达客户。分销渠道包括直接接口、消费者应用、云市场、办公套件、设备平台、开发者生态系统和系统集成商。每条分销渠道都会影响价格、数据、品牌、支持、营运资金以及联系客户的权利。

分销登记册应显示合作伙伴、产品、区域、经济条款、独家经销权、渠道布局、默认状态、捆绑销售、客户身份、数据访问权限、续订、终止和过渡情况。公司报告的客户数量应区分直接客户和通过合作伙伴接触的最终用户。

捆绑销售可以加速产品普及，但同时也会掩盖用户的支付意愿。包含在更广泛的订阅服务中的产品模式可能会产生内部转移效应，而非基于公平交易价格。市场平台可以在无需用户承诺使用的情况下实现广泛的可用性。产品估值应遵循可执行的结算方案和用户行为。

战略分销选择权的价值应另行评估。它应取决于权利、执行情况、实际转化率和贡献。仅凭合作关系公告是不够的。

13. 协调治理安全与责任和经济效益

NIST 的 AI 风险管理框架和生成式 AI 配置文件通过治理、映射、测量和管理来组织风险工作 [22,23]。安全开发指南扩展了软件和模型生命周期中所需的证据。 ^[24]欧盟AI框架可以根据角色、系统和用途设定义务。 ^[25]这些资料来源提出了尽职调查方面的问题；公司的职责需要进行最新的法律分析。

治理成本应体现在运营模式中。评估、红队演练、事件响应、滥用预防、客户保障、模型文档编写、安全和监管工作都需要人员和系统。薄弱的控制措施可能导致产品发布延迟、客户流失、补救措施以及法律责任。有效的控制措施可以支持对受监管客户或高信任度客户的访问。

目标公司应维护一份声明登记册，将市场营销、基准测试、安全性、隐私、版权、安保和性能声明与证据和责任人联系起来。客户合同应与产品能力和上游条款保持一致。

估值下行风险应包括以下特定事件：模型召回、重大事故、监管限制、数据索赔、安全漏洞、客户补救措施和服务补偿。保险、合同限额和准备金应根据风险敞口进行评估。

14. 构建四个运行场景

高端受控访问模式假设产品具有差异化性能、强劲的企业需求、有限的折扣、可靠的产能以及客户价值的持续提升。由于价格居高不下，销量增长速度较为缓慢。收益用于支持研发，公司可以利用运营资金为其部分前沿项目提供资金。

竞争格局的核心假设是：有多家实力雄厚的供应商，在特定工作流程中实现了差异化，享有正常的企业折扣，并且效率持续提升。业务量不断增长，但定价和合作伙伴的经济效益限制了市场份额的获取。公司需要外部资金来支持重要的培训周期。

价格压缩情景假设有效价格快速下降、客户在不同供应商间切换、应用场景扩大、使用率高以及技术成本节约能够显著惠及消费者。收入相对于销量增长缓慢。在公司维持高成本研发项目的同时，利润率下降。

开放替代情景假设客户在大部分工作负载中采用开放式或低成本模型。公司保留了高价值的受监管、安全敏感或专业性工作，但失去了广泛的接口业务量。管理层减少了前沿领域的支出，并将重点放在可守住的业务领域。这些情景是分析状态，而非预测。

15. 构建综合财务模型

该模型应从客户和工作负载群体入手。收入等于可接受的计费单元数乘以有效价格，并根据最低消费额、抵扣额、服务水平和渠道经济效益进行调整。直接成本与工作负载的路径相同，包括模型路由、计算、数据、工具、支持和人工审核。

运营支出应区分产品交付、研发、销售、一般运营、公司治理和重大培训项目。现金流应包括产能预付款、最低承诺额、客户应收账款、资本支出、融资成本和税金。预测应与期初资产负债表和流动性报表相符。

每个情景都应显示价格、销量、收入、毛利润、研发需求、融资前现金流和最低融资额。模型应保留假设和数据来源。敏感性分析应针对单一驱动因素及其相关因素进行调整。

董事会应关注哪些行动会改变结果。路由和缓存会影响单位成本。企业级包装会影响价格和客户留存率。分销渠道的重新谈判会影响客户获取。分阶段的培训计划会影响现金和期权价值。当每个杠杆都有负责人、测试和截止日期时，该模型就成为一个决策系统。

16. 严谨运用多种估值方法

折现现金流法可以评估现金流生成群体和明确的资本需求。预测期应足够长，以涵盖培训周期和模型更新，而最终假设应反映持续的再投资和竞争。如果没有持续的模型和基础设施投资，那么高最终利润率在本质上是自相矛盾的。

可比公司分析可以提供市场背景信息。同业公司应在产品、客户、收入模式、增长、贡献、资本密集度、基础设施义务和风险等方面保持一致。云平台、应用软件、数据中心运营商和模型开发商的经济状况各不相同。笼统地采用软件估值倍数可能会低估其价值。

重置成本可以反映可复制数据、系统和能力的价值。历史支出并不一定等同于价值。分析应考虑失败的工作、过时的技术、不可用的权限、当前的效率以及重建团队和平台所需的时间。

实物期权分析可以评估分阶段的机会，例如新模式、受监管的市场或分销渠道。期权需要明确的未来决策、所需的投资、证据门槛以及终止权。缺乏控制权或决策路径的战略重要性期权不具备融资可行性。

IFRS 13 和 IVS 提供了公允价值和估值分析的原则 [1-3]。交易估值仍然取决于具体目的、日期和事实，并且需要合格的专业判断。

方法选择也应与证据阶段相符。拥有生产团队和持续贡献收入的公司可以采用详细的收益法。而尚未商业化的实验室可能需要成本、里程碑和选择权框架。如果共享的研发、产能和分销成本分配一致，且相互依存关系得以保留，则兼具两者特征的企业可以分部分进行估值。

贴现率不应取代明确的建模。价格压缩、客户流失、培训失败、资金延迟到位以及模型报废等因素会通过不同的机制和时间影响现金流。在将剩余不确定性反映到贴现率之前，这些因素都应在情景分析中予以体现。同样的风险不应在没有解释的情况下被重复收取费用。

终端价值评估需要特别关注。一家需要反复进行培训、迁移和安全工作的模范公司，无法通过停止再投资来达到稳定状态。终端价值评估应阐明维持收入所需的持续研发、基础设施和治理。此外，还应展示在预期价格和成本变化之后，客户价值能够被获取多少。

分部分析法可以区分现有企业群体、消费产品、模型接口、数据或工具业务以及开发方案。共享资产只需分配一次。跨产品收益应以实际转化率或成本数据为依据，不应作为不受约束的协同效应溢价计入。

17. 示例性情景经济学

设想一家完全虚构的、以基金会模式运营的公司，服务于企业和开发者客户。本节中的数据仅为管理假设，用于演示该框架，并不代表实际的公司、现有供应商或投资机会。

在竞争激烈的中心情景下，假设年收入为 USD 250 million。直接推断和基础设施成本为 USD 70 million，客户支持和安全运营成本为 USD 20 million，渠道和配送成本为 USD 25 million。扣除中心研发、销售和管理费用前的贡献为 USD 135 million。公司开展 USD 140 million 前沿培训和研究，并在扣除其他经营现金项目后，融资前现金流为负 USD 35 million。

溢价控制准入方案假设收入为 USD 300 million，贡献为 USD 165 million，前沿培训为 USD 120 million，融资前现金为 USD 20 million。价格压缩方案假设收入为 USD 210 million，贡献为 USD 72 million，前沿培训为 USD 160 million，融资前现金为负值 USD 118 million。开放替代方案假设收入为 USD 155 million，贡献为 USD 45 million，前沿培训为 USD 90 million，融资前现金为负值 USD 80 million。

这些结果表明，收入增长、单位成本和研发投入必须综合分析。销量强劲可能与现金流不足并存。规模较小、专注于特定领域的平台，只要能够留住忠实客户并缩短资本周期，就能保持其价值。

18. 价值证据分别陈述

该估值示例将证据状态分为四种。技术方案包含一支可靠的团队、可控的资产和前景可观的评估报告，但缺乏持久的商业经济效益。付费平台拥有回头客和生产用途，但仍然是资本密集型的​​。可扩展的经济模式结合了用户留存率、可控的贡献和可融资的研究。品类平台则增加了持久的分销渠道、差异化能力和战略选择。

为便于说明，技术方案的企业价值被赋予 USD 250 million，概率为 15%。付费平台被赋予 USD 800 million，概率为 35%。可扩展经济方案被赋予 USD 1,800 million，概率为 35%。类别平台被赋予 USD 4,000 million，概率为 15%。概率加权总和为 USD 1,547.50 million。

这项计算并非估值的替代方案。它旨在促使委员会明确每种情况下所需的证据，并避免将所有战略可能性都纳入基准情景。概率、价值和过渡方案应根据具体的公司、交易和估值日期而定。

19 结构资本和围绕证据的考量

融资应与公司的业绩和现金周期相匹配。股权融资可用于资助不确定性较大的研究和期权开发。当义务和接受度明确时，客户预付款或最低承诺可用于支持产能。资产或基础设施融资可能适用于受控设备或合同产能。债务融资则需要可靠的现金偿还能力、契约条款和下行风险承受能力。

交易对价可以区分当前价值和未来保障。交割时的现金可以反映已控制的资产和现有资产组合。递延对价可以源于留存出资、企业续约、成功的模型发布或合同约定的产能。盈利能力支付需要明确的定义、运营契约、会计准则、审计权和争议解决机制。

云积分和战略投资应作为关联协议进行分析。一项主要投资可能被强制性支出、收入分成、优先权或限制所抵消。资金来源和用途明细表应分别列示可用现金、已承诺容量和义务。

资金释放应遵循证据门槛。董事会可在完成可重复性测试、产能测试和数据合法性测试后批准研发资金；在产品验收合格后批准部署资金；在留存资金到位后批准规模化资金。这种结构既能保留潜在收益，又能限制在证据出现之前投入不可逆转的资金。

20. 交易后估值管理

估值应在投资或收购后成为一项运营控制措施。董事会应每月收到一份报告，内容涵盖价格、销量和产品组合与收入、利润贡献、研发支出、现金流和预测偏差之间的关系。产品报告应将车型发布与客户采纳率、可靠性、成本和留存率联系起来。

依赖关系登记册应跟踪云、加速器、数据、模型、软件、分发渠道和关键人员。价格、条款、可用性、权限或集中度的变化应纳入预测。风险登记册应将事件和控制措施的发现与客户和财务风险敞口关联起来。

管理层应保留历史情景数据。实际结果应与投资时所用的假设进行比较，包括定价、销量、单位成本、迁移、培训计划和资金需求。这有助于明确责任，并改进未来的决策。

决定性问题在于公司能否持续地将技术能力转化为客户价值、客户留存贡献和可融资的续约。基于此，公司估值可以随着价格和竞争对手的变化而调整。

结论

基于基金会模式的公司估值需要对产品、客户、计算能力、研发、分销、权益、治理和资本进行综合考量。公开的基准数据和代币价格可以提供重要的参考信息，但它们并不能取代针对特定公司的证据。

本文构建的框架分别评估了现金流生成群体、所需再投资和战略选择。它利用不同的定价和竞争案例，揭示了有效价格、销量、计算成本、模型更新、分销和融资之间的相互作用。该框架将交易结构和资本释放与可观察的运营证据联系起来。

一家有吸引力的公司能够在模式转变过程中保持客户效用，稳步获取客户价值份额，有效控制关键依赖项，为研发周期提供资金，并保持战略灵活性。如果这些特质能够通过合同、遥测数据、可复制的系统、留存的客户群体以及已收回的现金流得到充分证实，那么其投资价值将最为显著。

附录A. 基础模型估值证据登记册

证据登记册应包含法人实体、资产所有权、模型版本、训练运行、数据权限、评估记录、客户合同、使用情况、发票、现金、定价、容量承诺、云积分、直接成本、分销条款、事件、治理控制、融资和预测年份。投资委员会提出的每一项主张都应链接到有日期的来源和责任人。

附录 B. 定价和工作负载文件

定价文件应根据工作负载遥测数据生成客户发票。它应识别输入、缓存输入、输出、工具、存储、批处理、预留容量、区域交付、折扣、抵扣和服务调整。它应保留每个周期使用的供应商价格表和合同版本。

附录C. 模型发布和更换档案

文件应包含培训范围、数据、计算、评估、安全性、发布标准、产能、客户迁移、前身退役、成本、进度安排和已实现的商业成果。预测数据和实际数据应分开存放。

附录 D. 情景控制表

每个案例都应说明有效价格、销量、客户留存率、车型组合、计算成本、利用率、分销份额、研发计划、营运资金、融资情况和概率。管理层应记录相关性和运营应对措施。

附录E. 交易证据室

证据室应包括公司记录、知识产权转让文件、模型和数据文档、客户和合作伙伴合同、云协议、财务对账单、安全证据、监管分析、保险、人员安排、融资和已签署的估值模型。

拟议的尽职调查结构；证据要求取决于公司和交易。

分析结果；这些并非预测。

客户层面经济分析的最低证据字段建议。

管理层假设以百万为单位；这些数字并非市场观察预测或估值结论 (USD)。

管理假设以百万计；不包括中央研发、销售管理、融资和税收 (USD)。

管理层假设以百万为单位；这并非估值结论 (USD)。

拟议框架；实际工具需要最新的法律、税务、会计和财务建议。

来源

1. 国际财务报告准则基金会。《国际财务报告准则第13号：公允价值计量》。 阅读原始资料
2. 国际财务报告准则基金会。关于根据国际财务报告准则第13号计量非上市权益工具的教育资料。 阅读原始资料
3. 国际估值标准理事会。国际估值标准。 阅读原始资料
4. 国际财务报告准则基金会。《国际财务报告准则第15号：客户合同收入》。 阅读原始资料
5. 国际财务报告准则基金会。《国际会计准则第38号：无形资产》。 阅读原始资料
6. 国际财务报告准则基金会。《国际会计准则第36号：资产减值》。 阅读原始资料
7. 美国联邦贸易委员会。《云服务提供商与AI开发者之间的合作关系》。2025年1月。 阅读原始资料
8. 英国竞争与市场管理局。AI 基础模型更新文件。2024 年 4 月。 阅读原始资料
9. 英国竞争与市场管理局。AI 基础模型技术更新报告。2024年4月。 阅读原始资料
10. 斯坦福大学以人为本人工智能研究所。AI 2026 年指数报告技术表现。 阅读原始资料
11. 斯坦福大学以人为本人工智能研究所。《2026 年 AI 指数报告》。 阅读原始资料
12. OpenAI. API 模型和定价文档。 阅读原始资料
13. OpenAI.批次API参考。 阅读原始资料
14. OpenAI。面向 API 客户的 Scale Tier。 阅读原始资料
15. 人格化。Claude平台定价文档。 阅读原始资料
16. 人类学。模型弃用和生命周期文档。 阅读原始资料
17. Google. Gemini Developer API 定价。 阅读原始资料
18. 亚马逊网络服务 (AWS)。亚马逊 Bedrock 定价。 阅读原始资料
19. 亚马逊网络服务。快速缓存以加快模型推理速度。 阅读原始资料
20. MLCommons. MLPerf 推理基准测试。 阅读原始资料
21. MLCommons. MLPerf 推理数据中心基准测试。 阅读原始资料
22. 美国国家标准与技术研究院。《人工智能风险管理框架》。 阅读原始资料
23. 美国国家标准与技术研究院。生成式人工智能概况 NIST AI 600-1。 阅读原始资料
24. 美国国家标准与技术研究院。生成式 AI 和双用途基础模型的安全软件开发实践。 阅读原始资料
25. 欧盟委员会。《人工智能监管框架》。 阅读原始资料
26. 微软公司。2026财年10-K表格年度报告。 阅读原始资料
27. Alphabet Inc. 2025 年 10-K 表格年度报告。 阅读原始资料
28. Meta Platforms Inc. 2025 年 10-K 表格年度报告。 阅读原始资料
29. 甲骨文公司。2026财年10-K表格年度报告。 阅读原始资料
30. 财务会计准则委员会。会计准则汇编主题 606。 阅读原始资料
31. Hoffmann J 等人。训练计算最优的大型语言模型。2022 年。 阅读原始资料
32. Kaplan J 等人。神经语言模型的尺度律。2020 年。 阅读原始资料
33. FinOps 基金会。《FinOps 框架 2025》。 阅读原始资料
34. FinOps 开放式成本和使用规范。计算单位经济效益。 阅读原始资料
35. 世界知识产权组织。人工智能与知识产权。 阅读原始资料
36. 美国证券交易委员会。AI 圆桌会议发言。2025年3月27日。 阅读原始资料