先给你看一组真实数字，都来自 2026 年上半年的公开报道：
- OpenAI 在 2025 年全年的收入大约是 130 亿美元；到 2026 年夏天，年化收入（把最近一个月的收入乘以 12 推算全年）冲过了 400 亿美元。
- 同一时期，它一年亏掉的钱以上百亿美元计——光 2025 年的净亏损就接近 400 亿（其中一大块是账面上的非现金项目，经营亏损约 210 亿），2026 年的亏损预计仍在百亿量级。
- 而这家公司在一级市场的估值是 8520 亿美元——2026 年 3 月，它完成了一轮 1220 亿美元的融资，是人类历史上最大的一笔。管理层对外放话：上市时低于一万亿美元免谈。
- 它的竞争对手 Anthropic 更夸张：2026 年 5 月估值 9650 亿美元，超过了 OpenAI；年化收入口径下也冲到了 650 亿美元（注意这个数字是把通过云厂商转售的收入全额计入的「毛口径」，水分我们后面会拆）。
把这三行放在一起念一遍：收入几百亿，亏损上百亿，估值近万亿。
如果你的第一反应是「这不科学」，恭喜，你的直觉是健康的。这本书要回答的就是这个直觉背后的两个问题：
第一，这些公司到底靠什么赚钱？砸进去建数据中心的几千亿美金，得从哪条水管里流回来？
第二，在「现在明明在亏钱」的前提下，那近万亿的估值是怎么算出来的？是有一套算法，还是大家集体讲好了一个故事？
为什么这个问题值得认真问
你可能觉得「估值是投资人的事，与我无关」。但这一次不太一样。大模型公司的基建投入已经大到足以影响宏观经济的程度：2025 到 2026 年，美国 AI 相关的数据中心投资被多家机构估算为对 GDP 增长贡献了一个可观的份额；英伟达一家公司的市值一度超过了整个德国股市的总市值。如果这门生意最终算不过账，震荡不会只停留在硅谷的会议室里。
反过来说，如果它算得过账——如果十年后 AI 真像电力一样无处不在且利润丰厚——那今天看懂「钱从哪来」的人，和只看热闹的人，对未来的判断会完全不同。
先建立一个基本体感：这不是普通的「暂时亏损」
创业公司亏损不稀奇。亚马逊亏了快十年才稳定盈利，Uber 亏了更久。但大模型公司的亏损结构里有一个以前很少见的东西：它的成本大头不是人，是机器，而且是一种会快速过时的机器。
一家软件公司烧钱，烧的主要是程序员的工资——写出来的代码今年能用，十年后大概率还能用，是资产。大模型公司烧钱，烧的主要是 GPU——一种三年左右就会被新一代产品甩开身位、经济性急剧下降的芯片。这就像你开了一家餐厅，装修钱不是花在能用到 2050 年的楼面上，而是花在三年后就要扔掉重买的灶台上。
这本书反复用到的一个类比：大模型公司很像电厂。前期砸巨资建厂（训练模型、买 GPU），然后一度电一度电地卖（按 token 计费）。不同的是，电厂的设备能用三十年，它的「机组」三年就落伍。带着这个画面看后面的每一章，很多账会自己变得清楚。
这本书怎么讲
我们会沿着一条线往下走，每章解决上一章留下的疑问：
- 先拆开看这门生意卖什么——token、订阅、企业合同分别是什么东西，钱具体怎么收（第二章）；
- 再看钱花在哪——训练和推理是两种完全不同的成本，GPU 折旧是埋在账本里的定时炸弹（第三章）；
- 然后算最小的一笔账：卖出去一个 token，到底赚不赚钱（第四章）；
- 接着看牌桌上谁已经稳赚了——卖芯片的、卖云的、卖电的（第五章）；
- 再回头问历史：以前那些疯狂烧钱的行业，哪些烧出了护城河，哪些烧成了灰（第六章）；
- 然后正面硬刚估值问题：教科书方法为什么失灵（第七章），市场实际在用哪套算法（第八章）；
- 再揭开一个让人不安的细节：这些收入里有多少是「自己人卖给自己人」的循环交易（第九章）；
- 最后落到两个实用问题上：钱到底什么时候能赚回来（第十章），以及作为普通读者，你以后看到任何一家 AI 公司的新闻，应该盯住哪几个数字（第十一章）。
读完全书，你未必能给人算出精确的目标价——说实话，最专业的分析师也算不出来。但你会拥有一件更有用的东西：一张完整的账本，和一套自己验算的方法。下次再看到「某 AI 公司估值又翻倍」的新闻时，你能说出那句话到底哪部分是真的、哪部分是期权、哪部分是泡沫。
我们从最基础的问题开始：这门生意摆在货架上的，到底是什么商品？