海豚研究在一篇观点文章中,以Anthropic为样本讨论AI大模型公司的估值争议。文章给出的关键数字是:Anthropic IPO对应的完全稀释估值区间为1.26万亿至1.41万亿美元,约为10月ARR(810亿美元)的16至17倍;若按Q4季度收入年化后的770亿美元计算,倍数达到18倍。文章认为,在月环比收入下滑的背景下,这一倍数并不便宜,而公司把下滑归因于假期季节性波动。

文章提到,上市前路演认购额超过融资需求的6倍,多空双方对Anthropic的判断分歧明显。海豚研究将分歧归结为对TAM(可触达市场)的定义不同。乐观一方以全球知识工作者薪资为锚,认为全球劳动收入约占GDP的52%、总盘子约60万亿美元,其中知识工作者薪资约40万亿美元可被AI渗透;悲观一方则把目标市场限定在企业IT预算,规模约6万亿美元,并假设五年后只拿到其中3%,对应约1800亿美元收入。

文章的核心论点是“脑力通缩”:AI对真人脑力的替代会压缩知识工作本身的定价,因此用当下人力薪资规模去推算远期TAM存在失真。作者从供需两端解释token降价趋势:芯片每代性能翻倍,同样1GW电力能产出更多token;模型算法也在提效,训练和推理中的方法改进让同等算力产出更多有效成果。文章称前沿模型token价格每年下降45%至55%,隐含每季度环比降幅10%至15%;过去一年Opus输入价从每百万token 15美元降至5美元、再降至4美元,降幅约73%;第三方成交价指数显示Anthropic实际成交价一个月内从1.70美元降至0.83美元。

在需求弹性上,文章把场景分为三类:扩张型(弹性大于1,如Coding,越便宜用量越大、总支出反而增加)、对抗型(弹性约等于1,如诉讼、网络安全、营销,预算跟着对手和行业走)、通缩型(弹性小于1,如审计、报税、合规、薪酬核算,需求量固定,降价只让客户少花钱)。作者认为,在40万亿美元知识工作者市场中,扩张型场景并不占主要部分;以美国为例,约64%的员工规模和56%的薪资规模来自非IT、非前沿科学等非扩张型领域。文章还以Coding为例称,一个IT开发人员薪资可抵113个Claude Team高级席位套餐,而公开代码库中每5个新合并请求就有1个出自Claude Code,据此粗算AI可替代约22.6个真人,给企业省下近20倍IT薪资成本。

竞争壁垒部分,文章用电信运营商类比:十多年里手机流量单价降了九成以上、人均用量涨了几十倍,但运营商移动业务收入基本持平,价值转移到了Google、Meta等应用层。作者认为,通用版模型可能走向“基础设施”式按量收费、价格逐年走低;前沿模型则因闭环自我迭代和复杂任务需求而保留溢价,但维持溢价需要每年数百亿美元训练投入,Anthropic预计2027年训练投入超900亿美元。文章称,Claude的领先集中在长编程和AI研发等长链条、可验证任务上,在METR测试中Opus 4.6能独立完成约12个专家小时的任务,是同期GPT和Gemini的约两倍;在Vals AI测评中Opus 5.5综合能力与Gemini 4基本打平,但在高难度终端任务上领先5至10个点,成本约为对手的1/4。

文章也指出壁垒有效期大约只有1至2代:开源模型落后闭源约4至7个月,闭源模型发布后存在被蒸馏的风险。Anthropic和OpenAI下半年加码“反蒸馏”,包括封号、禁止回放推理内容、用分类器拦截等;Anthropic称10月被套取的数据因此少了九成以上。文章引用数据称,下半年开源模型每月能力提升从1.8分降到0.8分,闭源从1.7分加速到2.7分,差距从5.6分拉大到12.8分;但在公开基准和短任务上开源仍有闭源97%至98%的水平,长任务测试KSP上开源只有闭源的11%。

整体看,这篇文章把Anthropic的估值问题拆成三个变量:TAM如何定义、token降价能否被增量需求抵消、以及前沿模型的技术领先能维持多久。对关注AI产业的读者而言,它提供了一个观察AI实验室商业模式与资本定价的分析框架,文中判断属于作者观点,不构成对任何公司的投资结论。