2026 年 4 月底，一个看似简单却极具颠覆性的估值框架在投资圈迅速传播：用 P/GDP（Price-to-GDP，市值与可触达 GDP 之比）而非传统的 P/S（市销率）或 EV/ARR（企业价值/年度经常性收入）来评估 LLM 公司。
提出者的逻辑直白到近乎粗暴：大模型吞噬的不只是软件市场，而是越来越多的真实生产环节。所以对 LLM 公司的估值锚点，不该看它现在收了多少订阅费，而该看它最终能分走多少由生产创造的 GDP 价值。
传统估值框架为什么失效了
看看当前 AI 领域的估值数字：
| 公司 | 估值/市值 | 年收入（估计） | 传统 P/S | 问题 |
|---|---|---|---|---|
| OpenAI | $3,000 亿+ | ~$150 亿 | ~200x | 按软件公司算，贵得离谱 |
| Anthropic | $600-800 亿 | ~$30 亿 | ~20-27x | 增长率极高但基数仍小 |
| 月之暗面（Kimi） | ~$180 亿 | 未公开 | 无法计算 | 收入规模不透明 |
| DeepSeek | 未上市 | 未公开 | N/A | 低价策略，收入增长缓慢 |
用软件公司的标准看，这些估值全都”贵得离谱”。但如果 AI 模型的终局不是”又一个 SaaS”，而是”基础设施级别的通用生产力工具”呢？
P/GDP 框架的核心逻辑
P/GDP 估值的推导链条：
GDP 总量 → AI 可渗透的 GDP 比例 → LLM 能捕获的价值份额 → 合理估值第一步：AI 可渗透的 GDP 比例
根据麦肯锡 2023 年的估计，生成式 AI 可影响的全球经济价值约为 2.6-4.4 万亿美元/年，占全球 GDP 的约 3-5%。但这只是”直接影响”，间接影响可能更大。
到 2026 年，随着 Agent 系统的成熟，这个比例正在快速上升：
- 编码工作：AI 已能完成 30-50% 的开发任务
- 客服与内容：AI 渗透率超过 40%
- 金融分析与法律文件：AI 辅助覆盖率超过 60%
第二步：LLM 能捕获的价值份额
不是所有被 AI 影响的 GDP 都会转化为 LLM 公司的收入。但即使只捕获 10-20%，数字也极其惊人：
| 场景 | 可渗透 GDP | LLM 捕获率 | 年化收入潜力 | 合理估值（10x 收入） |
|---|---|---|---|---|
| 保守 | $2.6 万亿 | 5% | $1,300 亿 | $1.3 万亿 |
| 中性 | $3.5 万亿 | 10% | $3,500 亿 | $3.5 万亿 |
| 激进 | $4.4 万亿 | 15% | $6,600 亿 | $6.6 万亿 |
第三步：P/GDP 倍数的校准
参考其他”平台级”技术的历史估值：
- 互联网巅峰期：全球互联网相关产业估值约占全球 GDP 的 15-20%
- 移动互联网：峰值时占全球 GDP 的约 8-12%
- AI/LLM：如果达到互联网级别的影响力，占比可能达到 5-10%
全球 GDP 约 100 万亿美元。5% 就是 5 万亿美元。如果 LLM 行业作为一个整体值 5 万亿美元，而 OpenAI + Anthropic + Google AI + Meta AI 占据 60-70% 份额，那么头部公司的估值空间远未触及天花板。
这个框架的适用性与局限
适用场景：
- 评估处于高速增长期、收入基数尚小的 LLM 公司
- 比较不同国家的 AI 公司估值（中国 vs. 美国 vs. 欧洲）
- 判断当前估值是泡沫还是合理定价
致命局限：
- “可渗透 GDP”的估算高度不确定：不同机构的估计差异可达数倍
- 捕获率无法精确建模：取决于竞争格局、定价能力和技术护城河
- 忽略了时间价值：GDP 渗透可能需要 10-20 年，折现后的现值大幅降低
- 政策风险未被定价：监管、反垄断、数据安全等可能大幅压缩可触达市场
中美 AI 公司的 P/GDP 对比
用这个框架看中国 AI 公司，会得出有趣的结论：
| 公司 | 估值 | 中国 GDP 可渗透比例 | 隐含 P/GDP | 相对美国同行的折价 |
|---|---|---|---|---|
| 月之暗面 | $180 亿 | ~3%（中国市场） | ~0.6% | 约 70-80% 折价 |
| DeepSeek | 未上市 | ~3% | 无法计算 | — |
| 智谱 | 未公开 | ~3% | 无法计算 | — |
如果中国 AI 公司的终局市场主要在中国（GDP 约 18 万亿美元，占全球 18%），那么它们的估值上限天然低于面向全球市场的美国公司。但考虑到 DeepSeek V4 和 Qwen 3.6 的全球影响力，“仅限中国市场”的假设可能过于保守。
投资者行动指南
如果你在评估 AI 公司投资：
- 用 P/GDP 框架做”天花板测试”——当前估值距离理论上限还有多少空间
- 关注”GDP 渗透速度”而非”当前收入”——渗透速度决定了估值扩张的节奏
- 警惕 P/GDP 框架的滥用——它不是精确计算公式，而是定性思维工具
如果你在为 AI 公司做估值建模：
- 传统 DCF 和 P/GDP 框架应该并行使用，相互校准
- 将”模型能力迭代速度”纳入核心假设——更快的迭代意味着更快的 GDP 渗透
- 关注开源模型对定价权的侵蚀——DeepSeek V4 的低价策略正在压缩整个行业的收入空间
判断
P/GDP 估值法不是完美的，但它回答了一个传统框架无法回答的问题：如果 AI 模型的终局是重塑全球经济的生产方式，那么用软件公司的估值方法来衡量它，本身就是错的。
OpenAI 和 Anthropic 的估值”贵不贵”，不取决于它们现在的收入，而取决于 AI 对 GDP 的渗透速度和深度。如果渗透速度超预期，当前估值可能只是起点；如果渗透受阻，这些估值可能成为一代人的教训。
对于中国 AI 公司而言，P/GDP 框架的含义更加复杂：一方面，中国庞大的经济体量和制造业基础为 AI 渗透提供了独特场景；另一方面，地缘政治限制可能压缩全球市场的可触达范围。
估值从来不只是数学问题，它是对未来世界的定价。