模型在迭代，价值也在迁移。

大模型公司的估值首先购买的是未来能力：更强模型、更大入口、更低成本和尚未出现的市场。资本可以提前支付这种可能性，却不能永远替代商业验证。最终需要结算的是收入能否覆盖推理、研发、获客和资本成本，客户是否在试用之后持续留下。前沿模型具有战略稀缺性，因此短期亏损不等于没有价值；但当技术差距缩小，估值会迅速从“可能成为平台”切换到“究竟能赚多少钱”。判断一家公司的价值，要同时看能力期权与现金流路径，不能只选其中一个故事。

私募市场可以用较长周期容忍路线不确定性，公开市场则会把每一次技术选择翻译成季度收入、毛利、资本开支和指引。上市提供融资、流动性与品牌，却不会自动证明基础模型、应用或算力路线正确；它只是让验证更频繁、更透明。AI公司尤其容易出现收入高速增长与成本同步膨胀，表面规模并不能说明单位经济成立。真正重要的是上市后能否持续缩小“能力叙事”与“财务事实”的距离。若路线必须依赖不断抬高预期才能维持估值，公开市场只会更早暴露问题。

参数规模曾经是能力稀缺的简明代理，但模型架构、蒸馏、数据和推理技术会让同等参数不断贬值。今天昂贵的能力，可能很快成为开源模型的基础配置。真正能够沉淀商业价值的，是客户任务完成率：在真实约束下是否准确、稳定、可复现，能否调用工具并处理异常。企业不会长期为参数本身付费，只会为更少返工、更短周期和更低风险付费。模型公司若不能把评测优势翻译成任务结果，就会被下一轮更便宜的能力迅速折旧。

推理成本下降会释放此前不经济的需求，但不会自动转化成模型公司的利润。能力接近时，客户会迅速比较每百万Token、延迟和稳定性，供应商则用降价换取规模；节省下来的成本很可能先被竞争拿走。只有当更低价格带来远高于降幅的使用增长，或者公司在应用、数据与工作流上形成附加价值，利润才会扩张。价格战因此不是行业失败，而是通用能力商品化的正常结果。真正的商业问题，是谁能把便宜智能变成高频、不可替代的任务。

当高质量模型可以下载、微调和自行部署，单纯依靠封闭权重收取高额能力租金会越来越困难。但价值没有消失，而是向芯片、云托管、工具链、数据服务、行业集成和分发入口迁移。开源扩大了采用面，也让标准更容易围绕某个生态形成。对阿里、Meta或云厂商而言，免费模型可能是扩大基础设施需求的成本；对独立模型公司而言，它也可能削弱定价权。判断开源路线不能只看下载量，而要看谁最终拥有开发者关系、运行环境和持续服务收入。

同样是一亿元收入，来自高毛利订阅、低价API转售或少数大客户项目，价值完全不同。大模型业务的收入很容易被算力补贴、免费额度和集中采购放大，因此必须继续追问：扣除推理成本后还剩多少，客户是否持续扩大使用，头部客户流失会不会改变公司命运。增长率回答市场有没有需求，毛利和留存回答需求是否值得服务，客户集中度回答收入是否真正分散。高质量收入不是数字更漂亮，而是公司在降价和模型替换发生后仍能保住关系。

基础模型、芯片、云、数据、应用和分发都能创造价值，但市场不会平均给每一层相同溢价。溢价属于当下最难扩张、最难替代的瓶颈：算力紧缺时属于芯片与能源，能力稀缺时属于前沿模型，模型充足时则可能转向数据、客户入口和工作流。路线价值因此会迁移，而不是永久附着在某类公司上。判断一家AI企业，不能只问它站在哪一层，还要问这一层今天是否稀缺、替代需要多久，以及相邻平台能否向内吞并。控制瓶颈，才控制议价权。

传统软件按席位收费，因为价值大体与使用者数量相关；智能体直接执行客服、研究、销售或开发任务后，客户会更自然地追问完成了多少工作、节省了多少时间、产生了什么结果。计费单位可能从账号转向调用量、任务、成功事件或节省额。变化不会一夜完成：结果归因困难，供应商也不愿承担全部业务风险，短期仍会出现席位与用量的混合模式。但长期看，能够可靠交付结果的Agent会逼迫软件公司更接近客户价值收费，也让模型错误直接成为商业成本。