Anthropic 留白 10 月数据，2 万亿估值系于单月收入

据 Woofun AI 消息，前沿人工智能巨头 在其备受瞩目的 S-1 招股说明书中，上演了一场令人咋舌的估值魔术：将最近 28 天的 API 消耗费用乘以 13，加上当期月度订阅费乘以 12，甚至在核心位置公然留白，静待 10 月份最新出炉的单月数据来给潜在的 $2 万亿天文估值背书。

这一操作不仅暴露了资本对短期数据的极度依赖，更将量子力学中的海森堡测不准原理隐喻引入金融估值领域，揭示了精确性与效用性之间的深刻矛盾。

Blockworks 资深宏观分析师 深入剖析了这一现象，指出在金融市场中，类似量子力学中的不确定性正在上演。根据量子力学定律，物质具有波动性，每一个离散粒子同时也是作为概率波而存在的，这使得粒子变得难以捉摸。想要获知一个粒子的确切位置，必须将其波动性坍缩为一个单一的点，但这会导致它失去确定的波长；而想要获知它的动量，必须让波在空间中自由扩散，这又会导致粒子失去固定的位置。这便是著名的海森堡测不准原理：你对一个粒子的位置了解得越精确，对其动量的了解就越匮乏。

在投资领域，任何资产的内在价值都等于其未来所有现金流折现后的净现值。从逻辑推导，对一家公司的股票进行估值最精准的方法，理应是预测其未来所有的现金流。但这是一项几乎不可能完成的任务，谁能准确预知一家公司在未来十年或二十年后的盈利会是多少？甚至谁能断言它届时是否还能存活在这个世界上？通常情况下，我们所能企及的极限，仅仅是预测未来一至两年的盈利情况。因此，我们在二级市场中的交易逻辑也是依此展开的。股票通常被锚定为未来一年预期盈利的某一倍数（市盈率，P/E）来进行估值，因为这是唯一一个能够以合理精确度计算出的指标。

然而，精确性是以牺牲效用性为惨痛代价的：仅仅一年的短期盈利预测，能够捕捉到的不过是企业漫长内在价值中微不足道的一小截碎片。这是投资者不得不面对的权衡妥协：一个财务指标被测算得越精确，它在判定资产真实内在价值时的实际效用就越贫瘠。不妨将其命名为'投资界的海森堡原理'。

以全球存储芯片巨头 （）为例，其交易价格大约对应未来一年预期收益的 4 倍市盈率，这在表面上看起来便宜得不可思议。但作为衡量该股票内在价值的尺度，这一指标究竟有多大效用？其实非常有限。在大起大落、周期剧烈波动的半导体行业中，某一年的巨额暴利很可能在下一年就会迅速演变为深不见底的巨额亏损。

但这种剧烈的周期波动性，恰恰也是我们不得不使用短期预测来为 SK 海力士估值的原因所在：决定该股票长期内在价值的真正核心驱动力，是全球存储芯片长周期的供求平衡关系，而这在现实中是根本无法精准预测的。而当一家公司在眼下连正向盈利都没有时，估值难度更是呈指数级上升。面对持续亏损的企业，我们通常的做法是在利润表（P&L）上不断往上倒推，直到找到一个正数值来套用估值倍数，比如营业收入。

例如网络安全软件巨头 ，其实质上基本处于无利润状态。但即便如此，它依然坐拥高达 $2740 亿的庞大市值，因为投资者选择以大约未来一年预期收入的 40 倍市销率（P/S）来为其定价。40 倍市销率固然代价高昂，但网络安全属于烈火烹油的热门赛道，而在没有盈利的前提下，营业收入也是我们唯一能够拿来作为估值抓手的指标。但如果连未来一年的营业收入都变得难以捉摸、无法预测呢？在那种极端情况下，我们可能不得不退求其次，直接采用当下的实际财务数据。