科创板，一瓶AI的卸妆水？
编者按：本文来自微信公众号“甲子光年”（ID：jazzyear），作者小北，编辑火柴Q、甲小姐，经授权发布。
“一级市场估值和泡沫怎么起来的，他们自己心里没点数吗？”一位券商科技产业分析师在谈起即将到来的科创板时对我们说。 “我们反正第一批肯定先不上。”一位AI独角兽融资负责人面对我们对科创板的提问，回答略显暧昧。 “你说那家公司为什么就值这么多钱呢？”一位国内顶尖券商的投行业务部门负责人也曾反问我们，“反正他们的材料递到我这儿，我不会签字。看不懂。”
去年11月亮相，今年3月开闸，6月即将迎来第一批登陆公司的科创板，正在以超预期速度大力推进。
在科创板重点推荐上市的六大领域——新一代信息技术、高端装备、新材料、新能源、节能环保、生物医药中，属于新一代信息技术的AI公司可能会经受最大的估值逻辑挑战。
本来，这个游戏还将在默契中继续，但平地一声雷，科创板来了——AI公司上市时间轴被拉向眼前。
2016-2018：被迅速推高的估值
在细说科创板对AI估值体系的重塑之前，我们不妨先看一看，备受期待和关注的AI公司在近年来是如何一步步获得高估值的。
AI公司的命运大体可以以2016年AlphaGo战胜李世乭为分界点。
对第一批公司来说，在2016年的AlphaGo事件前，对估值影响最大的因子是算法和人才，可简化表达为：
2014年1月，谷歌以6.6亿美元收购DeepMind——当时这家公司只有12位博士和教授，这是反映人才价值的一个典型案例。
此后，商汤在2015年11月先后完成了千万美元级别的A轮和A+轮融资，投后估值达8亿美元。
紧接着，2016年AlphaGo战胜李世乭，AI被推上风口。风口效应，使得“市梦率”和行业地位也进入了估值因子，可概括为：
V(2016-2018)=f（算法，人才，市梦率↑，行业地位↑）
AlphaGo直接推高了市场对AI颠覆性的想象，资本汹涌入场。
软银集团首席执行官孙正义曾在采访中表示，他旗下持资1000亿美元的愿景基金已经投资700亿美元，其中重点投资的就是人工智能（AI）领域。他明确表示，“相信AI将在30年内彻底改变人类的生活方式。”
这时，市场上已存在的AI公司获得了先发优势，他们已建立的行业地位、人才储备吸引了大量资本，行业头部溢价开始显现，这一趋势持续到2018年。
而目前弱AI的通用能力有限，在商业落地上又必须深入各行业、各场景，场景本身的市场空间，公司对场景know-how的把握和能调动的场景数据就变得尤为重要。这一阶段的新逻辑开始变为：
V(2018)=f（算法↓，人才↓，市场空间↑，数据↑，行业地位↑）
因此，自2017年开始，在某细分场景找到自己行业定位，能够获取大量数据的公司更容易获得融资和市场的认可，前期的明星公司也开始纷纷进入“场景攻坚阶段”：
如AI+文娱商用公司Video++，目前估值达65亿；旷视收购艾瑞思机器人，推出机器人操作系统“河图”，并深耕仓储场景。
一项新技术在科学研究、技术发展、商品化的三步走中，竞争将逐渐从形式竞争（更看重技术能力）转化为应用竞争（更看重商业竞争力）。
横坐标为新技术发展演化的不同阶段；纵坐标为推进技术发展的努力程度。
一句话概括一级市场的AI估值逻辑走向，即越来越往“可评判商业价值的指标”靠拢，整体逐渐趋于理性、务实，更加“二级化”。
只有一点“非理性趋势”，或者说导致二级市场“看不懂”的现象仍在延续——越来越明显的马太效应。
与互联网马太效应的内因“网络效应”不同，AI行业的马太效应更多来自对未来的不确定性，使得投资者倾向于在商业模式清晰之前押注头部、抱团取暖、借力扎堆。
2019：一瓶来自科创板的卸妆水？
从变化中看不变，科创板纵然是个新事物，但它的本质依然是中国二级市场的一部分，大概率遵循二级市场的一些固有逻辑。
二级市场与一级市场的最大区别是：信息更透明，流通速度更快。在二级市场严格的财务披露制度下，科创板犹如一瓶卸妆水，让粉饰手段变得极为有限，市值可上可下，这将打破一级市场估值只会越来越高的“潜规则”。
以往A股上市在定价时，采取的是直接定价方式，且定价的圈内标准是不要超过23倍PE市盈率（即发行价不要超过每股盈利的23倍，这并非明文规定，而是券商在长期操作中摸索出的规律）。
而《科创板股票发行与承销实施办法》明确规定，考虑到科创板对投资者的投资经验、风险承受能力要求更高，全面采用市场化询价，询价对象限定在证券公司、基金公司等七类专业机构。
这意味着，对一些估值暂时不被二级市场接受的公司来说，问题已不是破发不破发了，而是首次公开发行的发行价可能直接低于上一轮的估值，出现一二级市场估值倒挂。
而与多方协商出一个发行价还只是万里长征第一关，接下来，进入公开市场的AI公司必须披露真实的财务数据，并接受二级市场的估值逻辑，承受市值的起起伏伏。
二级市场的逻辑又会进一步传导到一级市场，在AI这个新领域上，“一级市场二级化”的进程会加速到来。
按照公司所处的行业和细分赛道，在一系列核心商业指标、财务指标的基础上，对标行业典型公司或平均水平，通过比价来定价。常用的对比指标包括市盈率、市净率、市销率[3]。
比如在科创板对标的纳斯达克，市销率就是最常用的对比指标。其好处是淡化盈利，适合互联网这种需要长期战略性亏算来维持未来成长性的行业。
如京东在2014年上市时，就对标了同类公司亚马逊的市销率。当时亚马逊的市销率为1.2倍，京东的承销商在定发行价和估值时则选了2015年京东预期销售额的0.7-0.8倍。
尚处于发展阶段、商业模式还在完善中的AI公司显然更适合相对估值法。在这种大思路之下，未来市场主要有两部分挑战：
关注互联网上市公司的人不难发现，各公司的财报基本形成了固定的指标体系，披露访客量、活跃用户数、平台交易量、用户使用时长等已成为常规操作。
因为to C互联网公司的核心商业价值就来源于用户。只不过由于商业模式不同，侧重不同，比如访客量对应于门户等模式；活跃用户数、使用时长等对应社交、流媒体；平台交易量对应电商。
未来AI公司也需要有发展出自己的核心商业指标，这是判断其价值的一个“锚”。
一是侧重于技术投入，有平台潜质的AI公司，或者也可以叫“横着长”的AI公司。
这一领域的玩家现在多是巨头，但也不排除部分头部的成长期公司有跻身平台的潜力，比如一直在这个方向上讲故事和努力的商汤。
目前看来，几个比较明显的平台商业模式包括：智能语音平台、自动驾驶平台、人脸识别平台、AIoT平台等。且AI在云计算平台中的重要性也越来越大。
对这类“横着长”的AI公司来说，合作伙伴/开发者数量、某个功能的调用次数、调用均价、数据量、单个开发者带来的平均收入等可能成为确定其价值的重要指标，或可表达为：
V平台=f（合作伙伴/开发者数量，调用次数，调用均价，数据量）
二是侧重于深耕行业应用，如做金融+AI、医疗+AI、营销+AI的公司，即“纵着长”的AI公司。
对这些公司来说，理想的商业模式一定是可规模化的、产品化的AI，而不是项目制的AI。
对于产品化的AI而言，其核心价值逻辑包括行业变量（行业、场景的市场空间），和产品的商业价值（客户/用户数，客单价/单次调用价格，年订单总额，复购率等等）。其估值方式可表达为：
V应用=f（市场空间，客户数，客单价/单次调用价格，年订单总额，复购率）
实际运营中，也不少公司“横纵兼有”，一边做平台，一边开发应用，这类公司则可以采用“分部估值法”，不同业务拆分，估值加总。
在核心商业价值进一步厘清的同时，资本市场的投资人和AI公司未来还将在互动中，进一步确定合适的对标指标——即到底是采用市销率还市盈率等指标进行估值。
而随着公司商业模式的逐渐成熟，以以往多个行业的估值演进来看，未来应该会先过渡到市销率，再过渡到市盈率。
最终：AI将收敛为一个因子
在讨论了二级市场对AI公司估值体系的影响后，转换视角，再来看AI公司对二级市场的影响：
自上世纪90年代互联网新物种出现至今，远有亚马逊、Facebook，近有美团、滴滴，互联网公司对二级市场估值体系的最大颠覆是：市场接受了长期的战略性亏损。
最典型的是亚马逊。它曾经历连续20年的亏损，市值却逐年增长，并在2018年短暂超过万亿美元大关。人们甚至说“只有处在亏损状态的亚马逊才是最值得投资的亚马逊”。
同理，AI元素的批量性崛起，也将潜移默化地改变二级市场评价公司的总体核心逻辑和投资心态。
已有苗头的变化是，越来越多的传统行业已上市公司，正在用添加AI能力的方式来提升自己的长期价值和市场对自己的发展预期。
对各行业公司来说，AI或“智能化”带来的效率提升和新增价值，也会成为衡量价值的重要因素，具体到估值逻辑里，可能会转化为“人效”、“人力成本”等指标，即：
而制造业、餐饮业、教育业等多行业的公司则侧重于用AI提升已有流程、商业模式的效率。
积极拥抱科技的传统玩家，有打造了AI Lab、脑科学实验室，用云计算技术、智能交互技术推动教育资源更低成本扩散、普惠的好未来；有建立了首个无人火锅店，上市刚一年的海底捞。
长远来看，“AI公司”的标签的确会“越来越不值钱”。因为当所有公司都完成了AI化，“AI公司”的说法将不复存在——除了AI，还有什么？这才是新技术泡沫退去，真正落地时的应该回答的问题。
END. [1]创业两年估值达到100亿，这家黑科技公司成长中有哪些秘密？ http://www.sohu.com/a/193767012_115280 http://www.ebrun.com/20190208/318914.shtml [3]市盈率（P/E）=每股市价/每股盈利，适用于发展成熟、盈利稳定的企业； 市销率（P/S）P/S=市值/销售收入，适用于边际成本率较低，或投入期、暂时无利润或低利润的公司的行业，如传统的服务类企业； 市净率（P/B）=每股股价/每股净资产，适用于重资产的行业或公司，即公司的营收和利润很大程度上依赖于资产，最典型的就是银行，钢铁行业等。
