AI公司怎么估值？高盛给MiniMax算了三笔账

大模型的估值，比看上要复杂的多。

传统软件公司，通常用 PE 或者 EV/Sales 就能大致框出来。但大模型公司不一样——它既像平台，又像基础设施，还带一点消费互联网属性。商业模式还在变化，盈利时间点也不清晰。

所以，在这份报告里，高盛用了一个很典型的投资框架：三种情景估值。这三种情况，分别对应基准情景、乐观情景和悲观情景。

先说基准情景。这是最“学院派”的估值方法，用的是 DCF，也就是折现现金流模型。

高盛把 MiniMax 的发展分为两个阶段，第一阶段是详细预测期，一直算到 2030 年；第二阶段是稳定增长期，一直延续到 2035 年；最后再通过戈登增长模型算出长期终值。

在关键参数上，折现率用 12%，永续增长率 2%。报告里解释了为什么折现率是 12%，无风险利率用美国 3 年期国债，大约 3.3%。股权风险溢价大约 7%。算下来，差不多就是 12%。

在经营假设上，采取自上而下预测，即市场空间×市场占有率。也就是，先估算全球大模型市场未来有多大，然后再看公司能分到多少。

报告假设，2026-2030 年，Minimax 在全球 AI 大模型订阅+API 收入池的市占率每年提升 0.3-0.7 个百分点。到 2030 年，公司在全球大模型订阅和 API 市场里的份额能做到 2.5%。

按这个逻辑计算，2030 年 Minimax 收入规模应该在 116 亿美元。

公司的盈利拐点在 2029 年。到时，公司的实现经营利润与自由现金流转正。到 2030 年，公司的经调整净利润为 12.78 亿美元，自由现金流（FCF）7.94 亿美元。

在 2031-2035 年稳定期里，Minimax 累计能贡献收入 1577.71 亿美元，经调整净利润为 267 亿美元，自由现金流（FCF）212.62 亿美元。2035 年，公司的调整后 EBIT 利润率达到 21%。

把 2022-2035 年每年的自由现金流、2035 年末的终值，全部按 12% 的 WACC 折现至 2026 年，得到贴现后的企业价值 410.67 亿美元，注意此时是企业价值（Enterprise Value）。

再把账上的净现金加回来，对应股权价值大概 418 亿美元，折合 3262.95 亿港元。

结合 3.21 亿股总股本，最终对应每股目标价 1018 港元，这意味着现价还有 38.5% 上涨空间。

当然，这只是一个假设。由于大模型这个行业的不确定性实在太大，高盛又给了乐观情景和悲观情景的假设推演。

在乐观情形下，Minimax 需要做到三个条件：

第一，公司到 2030 年可以拿到 5% 的全球市场份额，差不多是基准情景的两倍。

第二，模型调用量会明显提升，Token 消耗的市场份额可能做到 10%。

第三，产品定价达到美国 SOTA 模型的 50%（当前仅 10%）

在这种情况下，假设公司 2027 年的 ARR 做到 16.8 亿美元。

参考海外头部 AI 企业 Anthropic 的估值范式，用可比公司 P/ARR 倍数计算远期企业价值。那对应的估值就是：

44 × 16.8 亿 ≈ 739 亿美元。

再用年化 12% 的折现率折现回当前，大概就是 660 亿美元。

最后一个情景是悲观情况。

如果行业竞争很激烈，大厂持续压价，模型能力差距缩小。假设行业竞争加剧导致市占率增长基本停滞，2027-2030 年全球收入市占率仅每年微增 0.1-0.2 个百分点，2030 年仅提升至 1.2%。

那公司估值就得回到传统 AI 软件公司的逻辑。这个时候，报告用的是 EV/Sales 倍数法，可以简单理解为市销率。

参考中国传统 AI 上市公司的估值水平，大概是 17 倍 EV/Sales。如果公司 2027 年的收入是 9.8 亿美元。那企业价值就是：

17 × 9.8 亿 ≈ 166 亿美元。再按 12% 的折现率折回来，大概是 160 亿美元。

除了估值模型，高盛的报告其实还提到了几个会影响 MiniMax 价值变化的关键变量。

第一个变量，是 AI 行业的竞争格局。

问题其实很简单：在一堆互联网巨头、云厂商和科技公司同时下注的大模型赛道里，独立 AI 公司到底还有没有机会跑出来？

高盛的判断是：机会仍然存在。

原因在于，AI 行业仍然处在早期阶段，技术路径、商业模式和产品形态都没有完全收敛。在这种阶段，大公司虽然资源充足，但组织结构往往更复杂，决策链条更长，反而未必是效率最高的玩家。

相较之下，一些独立 AI 公司如果能够在技术路线、成本效率和产品节奏上形成优势，依然有机会建立自己的护城河。

在高盛看来，MiniMax 的优势主要集中在三点：

第一，全模态原生架构；

第二，全球化市场布局；

第三，较高的算力效率和成本控制能力；

这些因素叠加在一起，使得 MiniMax 在与互联网巨头竞争时，仍然具备一定的组织效率优势。

第二个变量，是商业模式和盈利拐点。

高盛在报告里给出了一个非常明确的判断：

未来 AI 行业最赚钱的环节，很可能不是应用，而是多模态 API 平台。

因为 API 是最标准化、最可规模化、也最接近基础设施的一种商业形态。

目前 MiniMax 的 API 业务毛利率已经达到 69%。随着调用量持续增长，以及算力效率的进一步提升，这部分业务的毛利率仍然有继续上升的空间。

一些面向 C 端的消费产品，比如社交类应用，短期内仍然处在投入期，甚至还在持续烧钱。但从长期来看，公司很可能会逐步降低这部分投入，把资源更多集中到 高毛利的 API 平台业务。

如果这条路径走通，MiniMax 的商业结构会逐渐接近典型的 AI 基础设施公司。因此，高盛整体给出的判断相对乐观：

公司大概率会在 2029 年前后实现盈利拐点。

说完高盛这份报告，再说说我的一些观察。

其实从这份研报里，很容易感受到一件事情：AI 企业的估值，比传统软件公司复杂得多。

仅仅是对 MiniMax 的估值，高盛就用了三种不同的方法来交叉验证。

但如果从产业结构的角度看，我觉得还有一个很有意思的视角值得补充：

Token 消耗量，未来很可能会成为 AI 企业估值里权重越来越高的一个指标。

简单来说，Token 正在成为新的基础计价单位。

背后的逻辑其实很清晰，大致有两个原因。

首先，Token 同时连接了收入端和成本端。

在收入端，Token 是目前 唯一能够横跨所有 AI 产品形态的统一计价单位。

现在，AI 公司的商业模式非常复杂：有 API 调用、有订阅、有按任务收费，也有按席位收费。

但这些收费方式背后，最终都会落到同一个底层指标——消耗了多少 Token。

而在成本端，情况其实也一样。

AI 推理成本通常可以被拆解成一个非常简单的公式：

每次请求消耗的Token 数量 × 每百万 Token 的计算成本。

换句话说，Token 既是产品单位，也是成本单位。

这在过去的软件行业里是很少见的。SaaS 的“Seat”更多只对应收入，而 Token 同时对应了收入与算力成本。

第二，Token 其实更接近 AI 公司的“真实产出”。

真正的 AI 原生就是看谁能通过使用大量的 Token 来解决复杂问题，AI 对业务嵌入越深，使用 Token 的比例越大。多模态和 agent 的应用，会大幅增加 Token 的消耗。

在简单对话场景下，一次请求可能只消耗几十到几百个 Token。

但当 AI 开始真正执行任务，比如写一段完整代码，或者生成一份复杂报告，Token 的消耗量可能是传统聊天场景的几十倍甚至上百倍。

甚至有业内人士判断，2026 年 Token 用量至少有 10 倍以上增长。

这直接带来了一个变化：AI 应用的客单价大幅提升。

过去 C 端产品的订阅价格通常是 20 美元/月，或者是稍贵一点的 200 美元/月。

但现在，一些团队内部的真实使用数据显示，人均 Token 消耗对应的成本已经达到了 500 美元/月的水平。

而随着 Agent 能够承担越来越复杂的工作，市场上已经开始出现并酝酿 1000 美元/月甚至更高的 AI Agent 服务定价。

但事情到这里并没有结束。当Token 消耗量开始成为评估 AI 企业的重要指标，一个新的讨论也随之出现：

Token 与 Token，其实并不完全等价。

举一个很直观的例子。一年前，如果让 GPT-4 写一段复杂代码，可能需要 1000 个Token。而一个小模型，可能需要 3000 个 Token 才能写对。

但现在，小模型能力大幅提升，可能 1200 个 Token 就能完成同样任务。

这意味着什么？小模型Token 的价值密度正在提高。

同样的，在云端和端侧 Token 的能力以及成本结构也完全不同。

在云端，Token 的成本主要来自 GPU 算力；而在端侧设备上，Token 的成本结构更多取决于硬件效率与模型压缩。

也就是说，未来 AI 世界里的 Token，并不是一种完全同质化的资源。

在这种背景下，硅谷投资人Tomasz Tunguz 提出了一个很有意思的观点：

真正重要的指标，其实不是Token 数量，而是——每枚 Token 的毛利润。

换句话说，一家 AI 公司真正的商业能力，不在于生成了多少 Token，而在于每一枚 Token 能赚多少钱。

更有意思的是，当 Tunguz 把 AI 公司的估值，与 Token 指标做统计对比时，确实能看到一个明显规律。

在双对数坐标系下，“每枚 Token 的毛利润”与公司估值之间的相关系数达到 0.70，而 Token  的总量与估值的相关系数只有 0.47。

如果把这些线索放在一起，其实可以看到一个很有意思的趋势：

AI 公司真正的“产能”，其实是生成和消耗Token的能力。而衡量其商业模式的好坏，则变成了这家公司每生产一枚 Token，究竟能赚多少钱。

无论模型和产品形态如何演变，围绕 Token 注定会是 AI 企业价值最核心的变量。