纽约大学金融学教授达摩达兰：AI公司的ARR不是估值，而是把假设藏进指标

纽约大学斯特恩商学院金融学教授阿斯沃斯·达摩达兰在2026年10月发表长文，核心论点是：对年轻公司而言，定价取代了估值，而ARR这类指标并非客观度量，而是把增长、利润率和风险的假设藏进了一个数字里。

达摩达兰首先区分了两种给资产赋予数字的方式。估值基于资产产生和增长现金流的能力及其风险；定价则看类似资产的市场交易价格，本质上是供需。如果你相信市场有效，价格会收敛于价值——但如果你真信这一点，就不必花精力分析个股，直接买指数基金即可。现实中的投资者和交易者走的是另一条路。

为什么年轻公司被迫从估值滑向定价？达摩达兰给出的机制很直接：估值需要估计未来现金流，而估计现金流需要三个信息源——财务报表、市场规模和行业统计。年轻公司恰恰在这三方面都缺：业务模型未定型导致财务数据充满噪音，新市场难以界定规模，行业缺乏可比公司的利润率和风险基准。他用一句话概括这个逻辑：绝望会把你沿利润表往上推，直到找到一个正数。对Anthropic和OpenAI来说，这个正数就是收入。

但收入本身也不够新。这两家公司增长太快，传统口径的过去十二个月收入在发布时已经过时，于是行业转向年化收入运行率。达摩达兰指出ARR的根本问题：它没有标准定义。收入用毛收入还是净收入？年化用最后一天、最后一周还是最后一个月的收入？他举了一个具体例子——OpenAI近期从毛收入转向净收入口径，ARR从700亿美元降到500亿美元，而Anthropic继续报告毛收入并把云服务商付款算作费用。两家公司都选择了月度年化，但没有任何规则约束它们不能改变。

定价不止一个指标。达摩达兰列出三种选择：用当前或近期收入、用未来预期收入、用与未来收入相关的驱动变量。第三种正是九十年代互联网泡沫时Mary Meeker用'眼球'定价的逻辑——今天的对应物是用户数或算力（以吉瓦或算力承诺金额衡量）。他警告，一旦投资者转向远期收入甚至远期利润，倍数会显得更低、更容易辩护，但隐含假设也随之膨胀：你今天用2036年预期利润的25倍买入，等于在赌一家尚未盈利的公司能在十年内达到成熟科技公司的利润率水平。

定价的第二步是找可比公司。达摩达兰指出这是AI公司面临的真正困境：如果按大语言模型赛道定义同业，你几乎找不到可比的上市公司。Gemini只是Alphabet的一小部分，xAI嵌在SpaceX里，Muse被Meta的广告业务遮蔽。Anthropic和OpenAI彼此成了唯一的参照，而它们都还没上市。如果Anthropic的市值接近1.5万亿美元，投资者要么把它和OpenAI互相比较，要么把它和Mag Seven（苹果、微软等万亿美元级公司）放在一起——但后者的商业模式和生命周期阶段完全不同。

达摩达兰的核心警告在最后：定价并不免除假设。他逐一拆解了收入倍数背后的估值链条——要让高收入倍数合理，公司必须同时满足三个条件：收入高速增长且增速快速上升、利润率从亏损跃升至30%以上（依赖有利的单位经济学和规模经济）、风险快速收敛至行业平均。他写道，这个故事可能是一个拉伸，但它是合理的，他愿意给讲故事的人一个机会，而不是直接否定。

他同时批评了两种极端：只看收入增速或毛利润率的多头，和只看亏损与负现金流的空头，都只摸到了大象的一部分。达摩达兰自己的立场是：他更想做估值而非定价，但必须等到招股书公开后才能动手。

对读者的实际意义在于：当看到'某AI公司ARR倍数低于同行所以更便宜'这类论断时，应该追问三件事——这个ARR用的是毛收入还是净收入？年化用的是哪段时间？隐含了怎样的增长和利润率假设？达摩达兰的框架不给出买卖答案，但让每一个定价数字背后的假设变得可检查。