凌晨两点，我把十份AI公司的年报和业绩纪要摊了一桌子。过去三个月，我把旧的“叙事估值”框架换成了“基于未来盈利验证”的框架，再回头看这些公司，视角完全不同了。市场这两年对AI的态度，从“谁故事讲得响谁就值钱”，慢慢变成“谁先把技术变成现金流入表谁才值钱”。这中间的行情，就是标题里那四个字——“进二退一”。涨两步，退一步，再涨两步，再退一步。

这篇文章不是要告诉你AI赛道该不该配，而是把我自己搭的这套“未来盈利验证框架”完整拆开：它到底在验证什么，怎么建模，怎么用财务数据去伪存真，以及面对“进二退一”行情该怎么管理仓位。内容主要面向两类人：一类是做中长线研究和配置的投资者，另一类是虽然不炒股、但想搞清楚AI公司估值逻辑的从业者。两者看完应该都能拿走一套能直接落地的分析框架。

1. 盈利验证框架的由来与整体思路

1.1 为什么“叙事估值”正在失灵

先回顾一段市场变化。2022年到2023年上半年，AI公司的估值方式大体上是“叙事定价”主导：一家公司发布了参数规模很大的模型，开了场发布会，或者在某项公开评测里拿了靠前的排名，市场就愿意给它一轮高估值。那个时候，大家默认的技术逻辑是“谁底座做得厚，谁未来就赢”，至于底座怎么转化为收入，反而不是最优先的问题。

但行业进入2024年之后，一个很明显的信号出现了：真正开始赚钱的AI公司，盈利路径越来越清晰——算力层靠卖卡和服务赚钱，模型层靠API调用和订阅赚钱，应用层靠SaaS和解决方案赚钱。与此同时，大量围着“大模型概念”讲故事的公司，收入数字却一直空转。市场定价逻辑在这种背景下被动切换：从“为想象力买单”转向“为可验证的盈利曲线买单”。

旧框架的问题就在这。它把估值锚定在“叙事强度”上，却没有回答一个本质问题：这家公司未来五年靠什么赚钱、能赚多少、什么时候能赚到。一旦行业进入兑现期，叙事定价就会频繁出错，要么把没有盈利路径的讲故事公司估高，要么把有真实现金流但不会包装的闷声公司估低。

1.2 “未来盈利验证”到底验证什么

我搭的这套框架，核心假设很简单：AI公司的真实价值，不体现在今天的利润表上，而体现在一堆早期经营指标能不能在未来的2到3年内，以合理的概率放大为可持续的利润。

听起来有点抽象，我打个比方。你去看一家新开的咖啡连锁店，如果只盯着“今年开了多少家店”，很容易被短期扩张速度骗到。真正要看的，是单店每天的引流人数、复购率、每杯咖啡的毛利，以及房租和人力成本能不能随规模下降。这些指标，才是判断这家店未来能不能赚钱的关键。AI公司也是一样：月活、付费转化率、单位算力成本、客户留存率，这些指标就是它们的前置信号。

所以“未来盈利验证”要回答三个问题：

• 第一，增长能持续多久？收入翻倍是来自可持续的需求，还是靠一次性项目、补贴和买量堆出来的？
• 第二，利润什么时候转正？现在的亏损是主动投入型亏损（扩研发、扩算力），还是根本找不到付费场景的被动亏损？
• 第三，当前估值隐含了什么预期？如果股价已经按“三年后利润百亿”来定价，那这个百亿利润到底有没有实现的路径和证据？

把这三个问题落到模型里，就构成整套框架的主干。

1.3 框架的三层结构

整个框架在上手实操时，我拆成三个模块：

产业分层解决的是“看哪里”，财务引擎解决的是“怎么算”，情景测试解决的是“算完怎么防打脸”。三个模块是一体化使用的，不是三套独立方法。后面第3章会展开财务引擎里的具体工具，第4章则是用这套框架做“去伪存真”的实际筛选流程。

2. “进二退一”行情的内在逻辑与实操判断

2.1 板块为什么总是涨几天就回调

“进二退一”几乎成了AI行情的固定节奏。账户净值在K线上看起来像爬楼梯：重心抬升，但过程里永远带着回撤。为什么走不出单边上涨？

关键是产业确定性和盈利兑现节奏之间存在“时间差”。一方面，AI技术突破的消息、重磅产品的发布、头部公司财报的超预期，这些事件不断抬高市场对AI产业空间的预期，带来上涨动力；但另一方面，绝大多数AI公司现在仍处于高投入期，算力采购、研发扩张、市场推广都在持续烧钱，利润表上的数字远没有估值反映的那么性感。一旦股价提前跑太远，盈利跟进不上，回调就是必然。

说白了，市场在估值里透支了未来两三年的盈利里程，然后每个季度都要拿财报数据对一次表。对上了就继续涨，对不上就先跌为敬。这才是“进二退一”的真正成因：产业大方向足够好，所以每次回调都有人接；但短期业绩又撑不住暴涨，所以每次反弹都有人跑。

2.2 区分“真利好”和“假热点”的三个问题

回调过程中的每一次反弹，都伴随大量真假消息。我的处理方法是，在动手下单前先问三个问题。

第一问：这个利好能不能落到订单或收入上？比如某公司宣布和一家大客户达成合作，我就要追问：是战略合作协议，还是带采购金额的合同？合作有没有具体的落地时间表？没有订单金额佐证的合作，我一律按“品牌PR事件”处理。

第二问：新增收入的质量高不高？换句话说，它带来的收入是可重复的经常性收入，还是一次性项目收入？AI公司一次性的系统集成、咨询项目，看着把收入数字做上去了，但对未来盈利没有任何复利价值。

第三问：客户是“买了”还是“在用”？这招专门用来过滤“签单型利好”。很多AI公司对外讲客户数量，但客户买完之后用得深不深、续不续费，才是决定未来收入的真正变量。关于这一点，第4章会详细展开。

三问筛完之后，还能留下来的是真利好，筛不掉的就是噪音。市场每次回调都在反复做这件事，只不过有人靠感觉做，我是靠这三问做。

2.3 回调中的规律：谁跌得少，谁就是下一轮主力

看多了“进二退一”，我还发现一个非常实用的规律：每一轮回调后的反弹，领涨的往往不是上一轮涨最多的，而是回调中跌得最少、基本面数据最扎实的那批。

原因也不复杂。回调本质上是市场在淘汰“估值里面水分大的公司”。水分大，跌得深；水分小，跌得浅。跌得浅的公司，说明有资金在底部位置认可它的盈利验证数据。等到下一轮产业催化来临时，这批公司因为没有套牢盘压力，更容易率先创新高。

所以我现在的复盘习惯是：每次波段下跌后，不急着抄底，而是先把样本公司按“回调幅度”和“当期财务数据”两列做排序。如果一家公司回调幅度不大，同时收入增速、毛利率、现金流数据都在改善，那它就是下一轮要重点跟踪的对象。这一招在AI这种高波动的板块里，比任何技术指标都好用。

3. 核心工具拆解：收入路径、单位经济与现金消耗

3.1 预期收入路径图：先把三年后的数字算到眼前

很多人看AI公司，脑子里只有一个模糊的判断：“这公司成长性不错”。这个判断没法用于估值。我自己用的第一项工具，是把收入预测拆成一个可计算的路径模型。

以模型层公司为例，我会把收入拆成：

收入 = API调用量 × 单Token平均价格

而API调用量又从“开发者数量 × 单开发者日均调用量 × 调用天数”来推导。这样拆完之后，每个驱动因子都能单独做假设。比如我认为一个头部分发平台未来12个月开发者数量能从50万涨到80万，日均调用量从200万Token涨到500万Token，那收入路径就能直接算出来。如果算出来的结果和估值隐含的收入一致，说明股价定价基本合理；如果差了两个数量级，那这个估值就是在讲故事。

这套拆解法最大的作用不是预测准确，而是把模糊的乐观变成一组可以辩论的数字。任何一个说“三年十倍”的人，我都会请他先把客户量、ARPU、留存率填进这个模型，让数字自己跳出来说话。绝大多数情况下，模型跑完会发现“三年十倍”需要的客户增速，在现实中根本找不到支撑。

3.2 单位经济模型：毛利率趋势比绝对值更关键

单位经济模型，说白了就是算清楚“每卖出一块钱的产品，能赚多少毛利”。AI三个层级看的角度不一样：

• 算力层看“单卡租售比”和资本开支回报周期；
• 模型层看“每Token毛利”；
• 应用层看“LTV/CAC”（客户生命周期价值/获客成本）。

这些指标里，最直白的就是毛利率。但我在实际研究里发现一个坑：不能只看毛利率的绝对值，要看毛利率的“趋势线”。

举个例子。假设一家模型公司的API单价是0.2元/千Token，单位成本0.15元/千Token，初始毛利率25%。现在行业价格战，单价每个季度下降10%，同时算力效率提升让单位成本每个季度下降5%。我手动算一下走势：

• 第1个季度：单价0.18元，成本0.1425元，毛利率20.8%
• 第2个季度：单价0.162元，成本0.1354元，毛利率16.4%
• 第3个季度：单价0.1458元，成本0.1286元，毛利率11.8%

看到问题了吗？模型层如果降价速度快于成本下降速度，毛利率会像漏水的杯子一样持续走低。这时候公司就必须靠“调用量增长”去补毛利率的窟窿，让总毛利额保持上升。分析模型层公司的重点就在于此：调用量增速到底跑不跑得赢降价速度。跑得赢，说明需求曲线足够陡峭，盈利能力在增强；跑不赢，那就说明公司正在陷入纯粹烧钱的价格战。

这个计算过程看着简单，但绝大多数研究AI公司的人不做，因为需要同时假设价格曲线和成本曲线。而恰恰是这两条曲线的关系，才决定了模型层公司到底是“成长股”还是“价值陷阱”。

3.3 现金消耗率：活下去才能谈未来

第三个工具最朴素，也最容易被人忽略：现金消耗率。AI公司的特点是研究和算力投入巨大，很多公司即便收入高速增长，经营现金流依然是大幅流出的。这时候公司能不能活到盈利兑现的那一天，就成了估值里最硬的一条约束。

我常用的公式很简单：

可维持时间 = 期末现金及等价物 ÷ 每季度平均现金消耗净额

如果一个公司现有现金只够维持三四个季度，同时又没有明确的融资通道，那不管它的故事多好，估值上都要大幅打折。因为一旦现金断流，技术优势再强也撑不到商业化落地。

倒过来讲，如果一家公司现金储备充足，同时现金消耗率在收窄（每个季度烧的钱越来越少），这通常就是基本面即将迎来拐点的信号。我把这个指标放在和第2节毛利率趋势同等的权重上，因为它反映的是盈利验证能否等到兑现那一天。

4. “去伪存真”实操筛选：从财务数据到客户使用

4.1 第一步：剥开收入结构看增长成色

去伪存真的第一步，从来不是看收入增长了多少，而是看增长是从哪来的。

我遇到过一家典型的公司：对外口径收入翻倍，增长势头很猛。但把收入结构拆开一看，小一半来自硬件转售、系统集成这类低毛利业务。把非核心业务剔除后，核心AI业务收入增长其实只有三成。这就是标准的“伪增长”——收入数字上的体面，掩盖了主营业务的平淡。

高质量的AI收入，应该满足三个特征：经常性收入占比高（订阅、API调用而非一次性项目）；收入现金含量高（经营性现金流入和收入同步增长）；客户结构分散（不靠一两个大客户凑数）。这三个特征，可以在利润表和现金流量表之间的勾稽关系里交叉验证。如果收入和应收账款同时大幅增加，但经营性现金流没有跟上，那就要警惕收入质量了。

我把“核心业务收入增速”和“经营性现金流增速”放在同一张表里排名，双指标都靠前的公司，才进入下一步深研。单看收入增速，很容易掉进财务粉饰的坑。

4.2 第二步：把客户调研从“买没买”推进到“用不用”

财务数据之外，最有效的去伪存真方式是做客户侧调研。但调研要问对问题。

销售人员在路演里告诉你“客户买了我们的产品”，这只是第一层信息。真正有价值的是下面三件事：客户买了之后用不用得勤（使用深度）；用完之后下个周期还续不续约（留存率）；续约之后会不会扩购更多模块（扩展性）。

去年我研究过一家AI写作工具公司，签约了上千家企业客户，销售数字很好看。但我去访谈了几家客户，发现实际月活使用率不到30%，API调用量连续两个月零增长。这种“签而不活”的状态，意味着客户的续约动力很弱。果然，两三个季度之后，这家公司整体留存率明显下滑，市场也随即大幅下修估值。

所以现在我研究AI公司，会把“产品使用率”“客户留存率”“单客户收入增速”这三项放在“客户数量”这个指标前面。签约客户数只是面子，使用数据和留存数据才是里子。

4.3 第三步：三个财务指标完成初步“排雷”

如果没有专业调研渠道，只靠公开财报，也能做一轮有效的粗筛。我常用的指标有三个。

第一，研发费用资本化比例。研发费用资本化和费用化是两种会计处理方式，资本化会把研发支出分摊到未来若干年，当期利润会更好看。如果一个AI公司研发费用资本化比例特别高，那意味着它的盈利里有相当一部分是会计选择做出来的，实际亏损可能被低估了。这种公司，我会直接降低估值权重。

第二，应收账款周转率。AI公司如果应收账款增长速度持续快于收入增速，说明大量收入还没真金白银地流进账户，利润表上的“收入”只是纸面数字。

第三，毛利率走势。按第3.2节的方法，把毛利率趋势线和价格变化率、成本变化率做对照。毛利率逆势提升的公司，往往有真正的技术壁垒或成本优势；毛利率趋势向下却还在讲故事的公司，大概率是竞争恶化。

这三个指标，任何一个亮红灯都值得警惕；两个以上同时亮，直接排除出深研名单。

4.4 一份可直接套用的AI公司打分卡

把上面这些维度整合起来，我做了一张打分卡，用来统一筛选AI标的。

总分加权后，80分以上进入重点研究池，60到80分保持跟踪，60分以下的基本不再花时间。这套打分卡不一定适用所有风格，但作为统一尺子，能帮我在面对一堆“AI概念”时快速锁定真正值得深挖的对象。

5. 风险地图与仓位管理的三条纪律

5.1 三类核心风险

框架能帮我们选到优质公司，但选对公司不代表一定能赚钱，因为风险不只在单只标的上。

第一类风险是技术路线变更。AI行业迭代速度极快，今天主流的大模型架构，几年后未必还是主流。一旦技术路线切换，重仓押注老路线的公司会面临估值和基本面的双重打击。这个风险没法预测，只能靠组合分散去对冲。

第二类风险是盈利验证时间差。有些公司基本面没问题，但盈利兑现需要的时间比市场预期长。市场没有耐心的时候，即使基本面持续改善，股价也会因为“还要等太久”而被连续下杀。我吃过这个亏，所以现在会在买入前就把“盈利兑现的预期时点”和“市场耐心的通常长度”做一个匹配度测试。

第三类风险是流动性冲击。AI板块波动率高，一旦市场系统性回调，就算基本面再好的公司也逃不掉下跌，而且跌幅可能非常夸张。这种风险无法靠选股规避，只能靠仓位和纪律应对。

5.2 仓位红线

围绕上面三类风险，我给自己定了三条仓位纪律。

第一条：单一个股不超过总仓位的15%。AI股票的特性是容易走出“先跌50%、再涨100%”的深V行情，如果仓位太重，中间的波动足以让你在反转前夜被震下车。

第二条：同层级的AI公司合计仓位不超30%。算力层、模型层、应用层虽然属于AI大方向，但逻辑差异很大。如果三只不同公司其实押的是同一条技术路线、同一群客户，那本质上是同一个赌注。

第三条：买入时先设好止损触发条件。触发条件不是价格，而是基本面假设。比如我买入一家模型层公司的核心假设是“API调用量季度环比增长30%”，那有两个季度不达标，我就离场，不管股价是涨是跌。用基本面假设做止损，而不是用股价做止损，可以避免被情绪裹挟。

5.3 加仓与撤退的触发信号

有了纪律，还要有触发信号。在“进二退一”的行情结构里，我的加仓时点通常不是技术突破那根大阳线，而是下面三种情况。

第一种，利好落地但市场无感。某个重磅消息出来后，市场却没有更多上涨，说明预期已经充分消化，情绪面和基本面的水位匹配，这时候反而是安全的位置。

第二种，短期急跌错杀。因为市场情绪或者流动性原因，一家基本面扎实的AI公司短期大跌，但收入、毛利等核心指标没有任何恶化迹象。这种错杀，我会重点复核并在确认后分批加仓。

第三种，财报分化确认。每次财报季，盈利验证兑现的公司和没兑现的公司会出现明显走势分化。兑现组股价走稳或者领涨，延迟组被资金抛弃，这是我增加兑现组配置最舒服的窗口。

撤退信号则简单得多：核心假设被证伪，或者估值过度透支。一个公司如果毛利率、留存、调用量三个关键指标里有两个持续向下，同时估值还在高位，那不管故事讲得多好，我都先撤再说。

6. 复盘心得与工具迭代

6.1 框架被实践修正的三个地方

这套框架从建立到现在，我根据市场反馈修正了三个地方。

第一，算力成本的下降速度，我最初严重低估了。模型推理的单位成本在过去一年里下降得比预期快得多，这压缩了模型层公司的毛利空间，但同时大幅度降低了应用层公司的落地成本。这个修正让我的模型层预测整体更保守，应用层的盈利预期则更乐观。

第二，收入质量的重要性比收入增速更高，这一点我是被现实教育之后才真正把它提到最高优先级。财务上收入增速60%、但应收账款和买量成本同样暴增的公司，后续大概率要还债。我还见过收入高增长公司靠着不断融资输血维持运转，最终烧断了现金流的案例。

第三，市场对“盈利兑现时间”的耐心，比我想象的更短。一个原本按“12个季度盈利兑现”定价的模型，市场可能只愿意等8个季度。所以我现在做估值时，会把盈利预测的时间轴压缩得更激进一些，宁可错过泡沫尾巴，也不要接到最后一棒。

6.2 一个小技巧：用财报日的市场反应做温度计

最后分享一个我经常用的小技巧。每次财报季，我会把跟踪的AI公司分为两组：“盈利验证兑现组”和“盈利验证延迟组”。然后只看财报公布后第二天的市场反应。

如果兑现组财报不错、但次日股价大跌，说明市场情绪处于高度防御状态，这时候整体仓位要收紧；如果兑现组财报出来领涨、延迟组被重锤，说明市场正在用理性给盈利定价，这时候反而是可以积极一点的环境。

这个方法的样本越多越有效。用AI板块“市场的集体反应”来做情绪温度计，比看任何技术指标都贴近本质。毕竟财报数据是客观的，但市场用什么态度去解读数据，才是更值得跟踪的信息。

6.3 这套方法还能怎么延伸

目前的框架核心还是围绕“公司层面”做研究。我下一步想把它延伸成“行业横向对比模型”，把算力、模型、应用三层的单位经济数据全部标准化成可比较的指数，这样就能在宏观层面看到整个AI产业的盈利迁移轨迹：什么时候利润从算力层流向模型层，又什么时候从模型层流向应用层。

另外，框架里的财务引擎目前是静态季度更新的，我在尝试把它做成滚动更新：每个重要财报或行业事件出来后，自动修正未来12个月的收入预期和毛利曲线。这本质上是一个小型的盈利预测系统，但对个人研究者来说，用Excel或者简单的数据工具就能搭建。

过去这一年，我对AI行业的整体判断没有改变：算力层的确定性最强，模型层的竞争最激烈，应用层的空间打开速度在加快。但有一句话，贯穿在所有技术周期里始终成立——市场最终只会为真实创造的利润买单。这也是“去伪存真”这四字能持续生效的根本原因。