Podcast Interview · 逐期深读

李肇宇解读 Anthropic 招股书:算力合同、客户需求与现金流风险

本期背景与内容导览

李肇宇从二级市场投资视角阅读 Anthropic 招股书,重点不是“AI 是否有需求”,而是收入、成本和长期承诺能否在同一现金流结构中持续。节目先讨论增速放缓、客户集中度与竞争,再分析 NRR 的基数、云厂商的渠道作用,以及大额算力租赁在会计与自由现金流中的呈现。嘉宾提醒,经营租赁等分类会影响投资者看到的现金流,但具体合同、会计依据和经济实质要回到招股书核对,不能直接等同于造假。随后讨论“成本长租、收入短租”:当长期算力承诺遇到需求变化,风险如何暴露,弹性条款与客户长期合同又能缓解多少。最后把问题拉回 Coding 之后的真实企业需求,区分替代现有工作与新增应用的收入来源。本文保留嘉宾的风险框架,同时把事实、会计判断、市场推测和本文分析分开,不以“AI 泡沫”一个标签替代证据。

晚点聊 LateTalk · #185 · 2026-11-06 · 0:59:46

原对话:沿提问、回答和转折完整展开

下面先按节目顺序重建。主持人在追问什么,嘉宾如何以自己的经历、例子和推理作答,尽量保留在具体语境中;案例中的事实、数字和判断先归属于发言人。随后才进入本文的机制解释与独立判断。

00:00:05–00:28:02连续对话 1

00:00:05–00:04:04节目介绍与嘉宾背景

本期节目由主持人程曼祺与嘉宾Amont Partners的管理合伙人李肇宇(Rob Li)共同探讨Anthropic的S-1招股书。节目开头,双方简要提及了市场对Anthropic估值的预期变化、其收入增速不及预期,以及公司在现金流计算上可能存在的“会计小把戏”。主持人指出,尽管AI领域存在短期波动,但嘉宾认为判断泡沫是否破裂的核心在于下游企业客户的需求。

在正式讨论前,主持人程曼祺介绍了嘉宾李肇宇的背景:他长期在华尔街从事主观投资,曾任职于摩根士丹利和Slate Path等机构,于2023年创立了自己的基金Amont Partners,并在AI算力层有长期持仓。李肇宇则介绍了自己的投资风格,偏向巴菲特式的长期、保守、无杠杆投资,并提及自己从2022-2023年起就持仓了美光(Micron)和为Google TPU代工的加拿大公司Swarovski等AI相关企业。他表示,Anthropic作为前沿模型(Frontier Model)的核心一员即将上市,是其团队需要重点研究的标的。

S-1文件指公司在美国证券交易委员会(SEC)进行首次公开募股(IPO)时需要提交的注册说明书,即招股书。它包含了公司的财务状况、业务模式、风险因素、管理层信息等,是投资者了解公司的核心法律文件。
ARR (Annual Recurring Revenue)年化经常性收入。在这里,它是一种衡量公司在某个时间点收入规模的指标,通常通过将特定时期(如一个月)的经常性收入乘以相应周期(如12个月)来计算。它反映了公司在当前业务状态下,未来一年的收入潜力,是评估订阅制或消耗型业务增长的关键指标。
Operating Lease vs. Financial Lease经营租赁(Operating Lease)与融资租赁(Financial Lease)是两种不同的会计处理方式。在本段中,嘉宾指出Anthropic将其算力租赁协议记为“经营租赁”,其支出在现金流量表中被归入“融资活动现金流”(Financing Cash Flow)。如果记为“融资租赁”,相关支出则更可能影响“经营活动现金流”(Operating Cash Flow)。这种处理方式使得公司账面上的“自由现金流”(通常由经营现金流减去资本性支出计算)看起来更好看。
蒸馏 (Distillation)在本语境中,指一种技术手段,即用一个更小、更便宜的模型去模仿(学习)一个更大、更强的模型(如Anthropic的Claude系列)的能力。操作者通过大量调用强模型的API来生成训练数据,从而“蒸馏”出强模型的能力。这会消耗Anthropic大量的Token和算力,但使用者本身是竞争对手,并非真实业务客户。Anthropic清理这类用户是为了维护其模型的知识产权和商业利益。

话题推进:在嘉宾介绍后,主持人提议以一组快问快答的形式,迅速切入对招股书核心信息的讨论。

00:04:04–00:09:27快问快答:招股书的关键信息与未来追踪指标

  • 看完招股书后,哪个信息让你更看好Anthropic?
  • 哪个信息会让你更谨慎?
  • Anthropic的IPO有多大几率导致AI行情从盛转衰?
  • 如果只选三个最重要的指标,在Anthropic上市后持续追踪,你会选什么?

在快问快答环节,主持人程曼祺向嘉宾李肇宇提出了一系列关于招股书的关键问题。

首先,关于招股书中最大的利好信息,李肇宇认为是客户集中度的改善。他指出,此前市场未知的是,Anthropic的客户构成比想象中健康得多。在第三季度,其前五大客户收入占比已降至约20%,且最大客户占比不超过10%。他预期这一比例会继续下降,表明公司不依赖少数大客户。

其次,让李肇宇更谨慎的一点是Anthropic在财报中使用的“会计小把戏”。他解释,公司声称其自由现金流为正,但这是通过将会计处理实现的。具体而言,Anthropic将与Broadcom签订的近1500亿美元的租赁协议(应为TPU租赁)记为“经营租赁”(Operating Lease)而非“融资租赁”(Financial Lease),从而将其对应的现金支出从经营现金流(Operating Cash Flow)移至融资现金流(Financing Cash Flow)。如果将这笔支出计入,实际的自由现金流会比披露的要差。

关于IPO是否会引发AI行情转折,李肇宇认为关键在于10月份的ARR(年化收入)数据,而该数据在首版S-1文件中并未披露。市场普遍在等待这个数字,它将决定投资者情绪。如果数据强劲,能支撑年底ARR达到1000亿美元的预期,市场会比较乐观;反之,若数据疲软,则可能引发恐慌。

最后,当被问及上市后应长期追踪哪三个指标时,李肇宇给出了他的选择:

1. 客户集中度:持续分散的客户结构是健康的标志。

2. 客户增购情况:类似于“同店增长”,观察现有大客户是否愿意持续增加投入,这反映了产品能否为客户带来真实的投资回报率(ROI)。

3. 单位算力的收入:衡量商业模式能否跑通的关键。即每投入1美元算力成本能产生多少收入。这个数字需要持续增长,才能证明公司未来有盈利的可能。

话题推进:快问快答结束后,主持人将话题转向对市场近期反应的解读,特别是Anthropic招股书发布后以及Google财报发布后AI板块的波动。

00:09:27–00:12:43市场反应解读:为何Google财报会影响AI板块

  • Anthropic招股书披露当天,美股AI板块多数上涨,你怎么看这个短期市场反应?
  • Google发布新财报后股价大跌,并拖累了英伟达等公司,市场担心其现金流紧张会影响AI投入,你怎么看?

主持人程曼祺询问嘉宾如何看待近期与AI相关的市场波动。

对于Anthropic招股书发布后AI板块的普遍上涨,李肇宇认为这只是一个“偏正面但比较平淡”的正常反应,不具备太多参考价值。他解释,因为最核心的10月ARR数据尚未披露,市场只是确认了已披露信息中没有“大雷”或令人震惊的负面消息,所以情绪平稳。许多投资者仍在等待关键数据出炉。

接着,主持人提到Google发布财报后自身股价及AI相关股票(如英伟达、博通)的下跌,市场担忧Google现金流紧张会减少AI投入。李肇宇对此进行了解读,他认为Google股价下跌的核心原因并非AI,而是其核心的广告业务增速大幅下滑,低于市场预期,引发了市场对其主营业务被AI侵蚀的担忧。

而对于AI板块的连带下跌,李肇宇指出,直接原因是Google第三季度的资本开支低于市场预期,让市场误以为AI需求减弱。但他认为这更可能是一个“时间点”(timing)问题。他解释,资本开支并非均匀发生,而是“块状的”(lumpy)。Google已表示,从全年角度看总额没有变化,并预告2027年的资本开支将比2026年有“显著增长”,且绝大部分用于AI。如果这个“显著增长”能达到市场预期的50%左右,那么目前的短期担忧就会被化解。

话题推进:在讨论完外部市场环境后,对话正式深入到Anthropic招股书的具体财务数据,首先聚焦于最受关注的收入增速问题。

00:12:43–00:19:05收入增速下滑:市场预期与公司基本面的差异

  • Anthropic的季度收入增速从Q2的144%下降到Q3的45%,怎么看这个大幅下滑?
  • 你自己怎么看10月份增速回升的可能性?

主持人程曼祺引用媒体报道的数据,指出Anthropic的季度环比收入增速从Q2的144%大幅下滑至Q3的45%,并询问嘉宾对此的看法。

李肇宇认为,这种增速下滑“远不及市场预期”。他解释,市场期望的是,根据其月度数据外推,公司能在年底达到1000亿美元以上的ARR。但基于Q3的数据,年底ARR只能达到850到900亿美元,这导致了市场在10月份消息传出时出现了一轮下跌。他总结,从业内业务增长角度看,这个增速尚可,但未能满足资本市场的高预期。因此,10月份的ARR数据变得至关重要,它将揭示增速是继续放缓还是有所回升。

对于影响月度收入的因素,李肇宇和主持人都提到了几点:

1. 新模型发布:发布新模型通常会刺激用户使用,带来收入增长。

2. 竞争对手动态:OpenAI或Google发布新模型可能导致客户短期流失。

3. 主动清理“蒸馏”用户:Anthropic在S-1文件中披露,他们主动清除了恶意“蒸馏”其模型的用户,这部分收入约占总收入的不到7%。虽然长期来看是正确决策,但短期内会影响收入增速。

4. 季节性因素:例如12月有圣诞假期,计算月底的ARR会因使用量下降而显得增速放缓。

主持人补充,从叙事节奏上看,Q3增速放缓也有其逻辑。OpenAI在9月初发布了强势新模型(GPT-6, Astra),而Anthropic的新模型在Q3末才更新,这可能导致其在Q3的大部分时间里处于竞争劣势。清理“蒸馏”用户也与此前K3等模型冲击其估值有关。

最后,李肇宇强调,对于投资AI上游基础设施(如芯片、算力)的投资者而言,单个模型公司(如Anthropic)的收入波动并非决定性因素。他用电动车市场类比:小鹏汽车销量不及预期,需要区分是因市场整体萎缩,还是因竞争对手(如比亚迪、理想)表现更好。只要整个AI模型市场的“盘子”(总需求)还在增长,无论是闭源还是开源模型在消耗Token,对上游供应商(如宁德时代之于电动车电池)来说都是利好。因此,更重要的是整个市场的总增速,而非单一公司的市场份额起伏。

话题推进:在区分了单一公司表现与行业整体趋势后,对话重新聚焦于Anthropic自身的估值问题,探讨其IPO市值可能达到的水平。

00:19:05–00:22:23估值预测:1.5万亿美元市值能否达成?

  • Anthropic曾预测2028年收入达到1900-2000亿美元,以现在的增速看,这个概率还有多大?
  • 市场对Anthropic的估值预期从2万亿美元下调到1.5万亿美元,你认为最终IPO市值会落在什么位置?
  • 如果10月数据不理想,市值可能低于1.5万亿美元多少?

主持人程曼祺首先提到Anthropic曾向媒体预测其2028年收入将达到1900-2000亿美元,并指出按当前增速推算,要实现这一目标,未来两年的年化收入增速需超过85%,这似乎难以达成。李肇宇回应称,这类远期预测只是一个“愿景”或“指引”,他作为偏价值投资的投资者,不会将其作为定价依据。

接着,对话转向核心的IPO估值问题。主持人提到市场预期已从最初的2万亿美元下调至1.5万亿美元。李肇宇判断,Anthropic要达到1.5万亿美元市值“都不是特别容易”,管理层若能实现此目标应该会“很开心”。

他强调,能否达到1.5万亿甚至更高估值的关键,完全取决于10月份的ARR数据。只有当10月的数据足够强劲,能够支撑“到2026年底的年化ARR达到1000亿美元”这一推算时,公司才有信心说服市场给予高估值。反之,如果10月数据外推的结果甚至低于Q3推算的850-900亿美元区间,那么最终定价可能会“远远低于1.5万亿美元”。

主持人根据媒体报道和S-1文件信息进行了推算:假设7月底ARR为650亿美元,Q3营收为168亿美元,可估算出8、9月环比增速约为34%。要使年底ARR达到1000亿美元,10月的ARR需达到904亿美元,且后续月份需维持高增速,考虑到节假日因素,这很有挑战。

当被追问“远远低于1.5万亿”具体是多少时,李肇宇表示,届时能否做到1.2到1.3万亿美元都是一个问题。

话题推进:在讨论了宏观的估值水平后,对话进一步深入到构成收入质量的具体指标,包括客户构成、增购率和渠道成本。

00:22:23–00:28:02收入质量剖析:客户增购、NRR指标与高昂的渠道成本

  • Anthropic称超过50%的财富500强企业是其客户,且年付费超10万美元,这是否意味着渗透已接近饱和?
  • Anthropic披露的900%的NRR(净收入留存率)是什么水平?如果未来回落到正常区间,会是业绩暴雷吗?
  • 测算下来Anthropic给云厂商的分成高达37%,比“苹果税”还高,你怎么看?

这一节深入探讨了Anthropic的收入构成与质量。

首先,关于客户构成,主持人提到Anthropic宣称已覆盖超半数财富500强企业,年付费超10万美元,并询问这是否意味着增长空间有限。李肇宇反驳了这种看法,他指出关键在于这些客户具体花了多少钱。一个客户是从10万美元增长到1000万美元,还是停留在11万美元,这才是决定增长潜力的核心。从10万美元到1000万美元本身就是100倍的巨大增长空间。此外,招股书提到有约250家客户年付费超过1000万美元,但未明确这些客户是否来自财富500强。

接着,对话转向衡量客户增购的关键指标——净收入留存率(NRR)。李肇宇解释,NRR衡量的是同一批客户在一年后的收入变化。Anthropic披露的约900% NRR,意味着去年的客户今年花的钱变成了原来的9倍(应为9倍,嘉宾口误为8倍),这本身是一个非常好的数字,证明产品对客户有巨大价值。但他同时强调,如果计算该指标的基数(base)太小,这个高比例就意义不大。例如,一个客户从花费100美元增长到1000美元,NRR高达1000%,但绝对值很小。主持人补充,Anthropic去年的收入基数确实可能较低。

对于NRR未来从900%回落到SaaS公司常见的200-300%是否算“业绩暴雷”,李肇宇认为要看回落的速度。如果短时间内(如一年内)就迅速回落,会对市场情绪造成冲击,因为它暗示市场空间可能没有想象中那么大。

最后,主持人提到测算出的37%的渠道分成,询问其合理性。李肇宇认为,在当前阶段,支付高昂的渠道费用是完全值得的。他解释,Anthropic的销售团队很小,短期内无法快速扩张,因此必须依赖云厂商等渠道来迅速扩大收入规模,以支撑其高估值的IPO。这些云厂商不仅是渠道,还扮演着多重角色:

1. 算力提供商:提供公司发展所需的基础设施。

2. 客户来源:直接带来企业客户。

3. 资金提供方:通过直接投资(如亚马逊)或提供租赁等结构性金融产品来支持其算力采购。

鉴于云厂商能同时提供客户、资金和基础设施,支付高额佣金是现阶段最有效的增长策略。

话题推进:在分析了收入的构成和成本后,接下来的讨论将转向Anthropic商业模式中一个更深层次的风险——其长期的算力支出承诺。

00:28:02–00:55:01连续对话 2

00:28:02–00:33:03模型公司为何难以掌握客户关系

  • IPO时,各公司的收入计算口径需要统一吗?
  • 为什么在AI模型行业中,是模型公司(如Anthropic)而非云厂商来承担应收账期?
  • 像Anthropic和OpenAI与PE成立合资公司直接服务企业客户,会如何改变行业分工格局?

首先,主持人程曼祺补充了Anthropic与OpenAI在收入计算口径上的差异。她指出,根据招股书,Anthropic计算的是总收入(Gross Revenue),包含了需要分给云厂商的渠道费用;而根据OpenAI高管在今年4月的分享,OpenAI计算的是净收入(Net Revenue),即扣除了给云厂商的分成。她询问嘉宾,未来IPO时,这一口径是否需要统一。

嘉宾李肇宇(Rob Li)回应,上市公司可以根据自身情况选择会计口径,没有强制统一的要求,因此他认为OpenAI上市后仍会沿用其现有方式。

接着,程曼祺观察到Anthropic需要承担来自云厂商的应收账期,并询问为何行业内会形成这种结构。李肇宇解释,核心原因是云厂商极为强势,真正的客户关系掌握在它们以及Snowflake、Databricks这类数据仓库(Data Warehouse)公司手中,而非模型公司。他从企业客户的视角分析了原因:

1. 价格与便利性:非科技企业(如沃尔玛)直接向Anthropic购买token,虽然可行,但目前通过云厂商或Snowflake拿到的价格与直购几乎无异,因此缺乏绕过中间商的动力。

2. 服务与支持:直接与模型公司合作存在风险。Anthropic目前的员工规模不足以服务所有大客户。而企业与亚马逊、Snowflake等已有多年合作,后者能提供合同保障的适配和配置(configuration)服务。

3. 数据安全与责任:企业客户担心模型公司会用其数据来训练模型。通过亚马逊等中间渠道,客户感觉数据更安全。更重要的是,一旦出现问题,CEO可以将责任归于合作的云厂商,规避了个人职业风险。

4. 效率优势:像Snowflake这样的数据平台,由于掌握和理解企业的全部数据(content),可以帮助客户更有效率地使用token。例如,完成同一任务,通过Snowflake可能只需消耗80个token,而直连Anthropic则需要100个,从而为客户省钱。

基于以上原因,李肇宇总结客户关系牢牢掌握在云和数据平台公司手中。程曼祺追问,Anthropic和OpenAI今年与PE(私募股权投资)成立合资公司,开展直接面向企业客户的业务,是否会改变这一格局。李肇宇肯定了此举的必要性,认为模型公司必须争夺直接的客户关系。但他指出,这是一个类似传统销售的、极其耗时且增长线性的过程,需要销售人员逐一“敲门”,曲线平缓,需要很长时间。程曼祺补充,有观点认为模型公司的研究文化与这种销售模式不匹配,可能做不好。李肇宇以谷歌云为例,尽管谷歌做了多年云业务,但在企业销售方面仍远不如微软和亚马逊,印证了这种文化上的挑战。

总收入 (Gross Revenue)在此对话中,指Anthropic在计算收入时采用的方式,将所有从客户处收取的费用都计为收入,其中包括后续需要支付给云厂商等渠道合作伙伴的分成部分。
净收入 (Net Revenue)在此对话中,指OpenAI在计算收入时采用的方式,即从总收入中扣除了支付给云厂商等渠道合作伙伴的分成后,公司实际留存的收入部分。
应收账期指企业售出产品或服务后,允许客户在未来某个时间点付款的信用期限。在本段中,指Anthropic向云厂商提供了模型服务,但云厂商并不会立即付款,Anthropic需要等待一段时间才能收到钱,这期间的未收款项就是它的应收账款。
Data Warehouse / Database数据仓库或数据库公司,如Snowflake和Databricks。它们为企业提供存储、管理、清洗和处理大规模数据的平台和服务。在本段中,它们被描述为掌握着重要客户关系的关键渠道,因为企业的数据和部分AI工作流都构建在它们的平台上。

话题推进:在讨论完模型公司与渠道的关系后,话题转向了成本与费用,特别是招股书中备受关注的长期算力投入承诺。

00:33:03–00:41:25算力合同的“刚性”与“弹性”:风险究竟在哪

  • Anthropic招股书中长期算力承诺的总额大致在什么量级,市场该如何合理估算?
  • Anthropic与博通(Broadcom)签订的1612亿美元合同具有不可撤销的强刚性,且Anthropic处于较弱势地位,这说明了什么?
  • Anthropic的算力开支占收入比例从250%降至48%,要达到怎样的水平才算健康?什么情况会逆转这一下降趋势?
  • 除了NRR(净收入留存率)这个后置指标,有没有什么前置指标可以用来判断AI最终用户的投入产出比(ROI)变化?

主持人程曼祺提到,Anthropic招股书中关于长期算力投入承诺的合同总额是市场关注的焦点,但具体数字被隐去。她询问嘉宾李肇宇(Rob Li)如何合理估算这一数字。

李肇宇认为,关键不在于合同总额的大小,而在于其“刚性”,即哪些是必须支付的,哪些是可以退出的。他指出,与大型云厂商的合同是刚性的,即便不用也得付款。但与其他供应商的合同则有弹性条款。例如,与Elon Musk旗下公司(SpaceX AI)的合同,虽然账面金额高达1500亿(应为1205亿),但Anthropic可以提前90天通知取消。这意味着如果未来AI需求不足,Anthropic可以将成本风险转移给供应商。同样,与Nscale等新兴云服务商的合同也是按实际使用量付费。因此,核心是评估Anthropic在需求下滑时能否抽身。

程曼祺补充了招股书中的具体数据:与SpaceX AI的合同最高1205亿美元,在2027年初之后,任何一方都可提前90天取消;与Nscale的合同最高446亿美元,也有退出条款。相比之下,与博通(Broadcom)的1612亿美元合同则是双方都不可取消的“刚性”合同,Anthropic还需提供担保和设备抵押,处于弱势地位。她问这说明了什么。

李肇宇解释了两个原因:

1. 供货确定性:博通能确保提供算力。其他供应商如Elon Musk的公司或Nscale,自身能否拿到足够的HBM内存等资源都不确定,Anthropic自然不会对其做出刚性承诺。而博通与谷歌合作多年,为其生产TPU,可以看作是谷歌的“手套”,能稳定获得TPU芯片货源,并在台积电(TSMC)有足够的晶圆(wafer)产能,因此底气足,话语权强。

2. 算力来源:博通提供的是TPU算力,这实际上是谷歌的算力通过博通渠道销售。

程曼祺总结,Anthropic总计超过6000亿美元的算力合同中,真正刚性的部分约为3000多亿美元。接着,她问到算力成本占比的问题,该比例从去年的250%降至48%,怎样的水平才算健康。李肇宇认为,降至20%-25%会是比较健康的状态,目前的趋势向好,但路还很长。他强调,决定这一趋势的关键不在供给端(算力成本曲线相对可预测),而在于需求端,即“单位算力能产生的收入”能否持续增长。这依赖于现有客户增购和新客户的拓展。

程曼祺进一步追问,除了NRR(净收入留存率)这种后置指标,是否有前置或同期指标来观察企业客户的AI投入回报(ROI)。李肇宇坦言,目前没有特别好的前置指标,因为即使去问企业CIO,他们自己也还在摸索如何衡量AI的ROI。但他提供了一个“同期指标”:观察Databricks和Snowflake这类数据处理公司的业绩。因为大多数企业是通过这些平台间接使用模型,所以这些平台的token消耗量能实时反映企业客户的真实需求。同理,大型云厂商的AI业务增速也是一个有效的同期指标。

话题推进:在讨论了算力合同的风险结构后,话题自然延伸到这些合同所揭示的更深层次的商业模式风险——期限错配。

00:41:25–00:48:24“Coding之后是什么?”:寻找下一个AI杀手级应用

  • Anthropic一方面签订长期算力合同,另一方面其大客户又没有长期合约,如何看待这种期限错配?
  • 目前AI需求增长主要来自Coding场景,这个场景的渗透空间还有多大?下一个能媲美Coding规模和增速的场景是什么?
  • 模型公司通过雇佣金融、法律等专业人士来标注私域数据,以期替代白领工作。但从需求端看,这些领域的企业接受度如何?相比程序员,这些知识工作的异质性是否会影响AI的渗透速度和规模?
  • 如何看待Anthropic经调整后连续两个季度盈利?这个盈利的成色如何?

主持人程曼祺指出了Anthropic商业模式中的一个核心风险:期限错配。公司签订了长达20年的算力付费承诺(成本长租),但其大客户却没有长期合同约束(收入短租)。她询问嘉宾李肇宇(Rob Li)如何看待这一问题。

李肇宇表示这确实是一个“实打实的风险”,并将其类比为WeWork的模式:成本是长期锁定的,收入却是短期的。一旦市场发生变动,客户随时可以停止付费,但公司的长期负债依然存在,可能导致现金流断裂。他再次强调,所有问题的核心在于验证AI需求的真实性、健康度和可持续性。他认为,AI基建的根本问题在需求端,而非供给过剩。

接着,程曼祺将话题引向了需求的核心问题:“Coding之后是什么?”她指出,Anthropic目前的收入增长主要来自编码助手(coding agent)。她问,编码场景的渗透空间还有多大,以及下一个爆发点在哪里。

李肇宇认为,核心在于替代白领工作,即“知识工作”(knowledge work)。他分析,编码市场本身容量有限(美国约100万程序员),且渗透率已高。虽然远期可以展望机器人替代蓝领,但涉及物理实体的机器人,其发展速度远慢于纯线上的知识工作自动化。程曼祺补充,招股书中也提到了全球40万亿美元的知识工作者工资总额,以此描绘市场潜力。

程曼祺追问,替代白领的具体路径和市场接受度如何。李肇宇指出,可以通过观察Scale AI等数据标注公司的业务重心来判断模型公司的发展方向。这些公司正在大量雇佣金融、法律、医学等领域的专业人士来处理和标注“私域数据”,即那些无法从公开渠道获取的、关于特定行业工作流程的数据,目的是让模型学习并最终替代这些工作。

然而,程曼祺提出了需求端的挑战:与相对标准化的程序员工作不同,其他知识工作(如投资)的异质性很高,方法论各异,这是否会影响AI的推广速度和规模?李肇宇表示同意,他以投资领域为例,不同投资人(如巴菲特)的判断完全不同,属于“非标”工作,数据收集和模型训练会非常困难。但他同时举了法律行业的例子,像Harvey这样的垂直AI工具已被大型律所广泛采用,因为初级律师的文书工作标准化程度较高。他总结,不同行业的替代难度和节奏会有很大差异,快速全面推开比较困难。

最后,程曼祺问及Anthropic经调整后连续两季度盈利的“成色”。

话题推进:在讨论了盈利成色之后,话题转向了Anthropic的现金储备与未来发展,并进一步探讨了这家公司的商业模式独特性,以及整个AI基建领域的投资前景。

00:48:24–00:55:01AI泡沫会不会破?关键看需求曲线的斜率

  • 按你们自己的计算,Anthropic的实际现金流状况是怎样的?
  • 在你的投资框架里,Anthropic这类基础模型公司可以对标哪种已有的上市公司类型?
  • 你个人认为接下来AI算力基础设施领域是会继续保持现状,还是下跌风险更大?
  • 你们会通过什么方式去调查和了解下游企业的真实AI需求?
  • 作为一个投资人,你现在思考的、觉得很重要但悬而未决的问题是什么?
  • 短期波动后,一些人讨论AI泡沫是否会破裂,你觉得这是过度恐慌还是确有信号?

承接上一段关于盈利成色的问题,嘉宾李肇宇(Rob Li)指出,非公认会计准则(non-GAAP)的盈利数据有很大的调整空间。如果将训练下一代模型等所有研发投入都计算在内,Anthropic目前仍在亏钱。但他认为,对于成长型公司,当前阶段无需盈利,关键是拥有足够的现金来扩张,将未来的盈利作为目标。

主持人程曼祺补充数据,指出Anthropic拥有超过1300亿美元的现金及等价物,资金储备雄厚,甚至超过亚马逊、英伟达等巨头。但同时,其未来的算力投入承诺也极为巨大。她总结,公司资源充足,但最终结果取决于市场对AI的真实需求发展。

接着,程曼祺询问Anthropic这类公司是否有可对标的上市公司。李肇宇回答,目前没有很好的对标。他解释,传统软件或互联网公司(如Facebook)在规模化后,服务新增用户的边际成本(marginal cost)几乎为零。但模型公司不同,服务第一千个客户和第一个客户的成本是相似的,这导致其对资金的需求远高于传统科技企业,模式更接近云服务这类重资产行业。

随后,程曼祺询问李肇宇对AI基建领域未来的预测。李肇宇重申,核心在于需求端。他提到,目前没有很好的“先行指标”,只能通过Snowflake等数据基础设施公司的业绩作为“同期指标”来观察。他透露,即使是企业高管自己,目前也无法准确预测未来的AI支出,因此需要持续观察。当被问及如何调研时,他表示会定期与投资组合中的传统工业、消费企业访谈,了解他们的AI使用情况和ROI,但目前这些企业自己也“心里没底”。他坦言,包括Sam Altman等行业领袖在内,没有人对未来的需求有明确答案,只有“信仰”。

在节目的最后,程曼祺请李肇宇分享一个他认为重要但悬而未决的问题。李肇宇再次聚焦于需求与供给的关系。他认为,许多人过度关注供给端和融资(AI bubble),但真正的核心是需求端。他用两条曲线来比喻:一条是相对确定的“花钱”(成本)曲线,另一条是“挣钱”(收入)曲线。关键在于后者(需求驱动的收入)的“斜率”有多陡。如果斜率足够陡,两条曲线终将相交,公司实现盈利。知道了斜率,就能判断行业还需要资本市场支撑多久。因此,研究的重点应该是需求曲线的斜率。

对于“AI泡沫是否即将破裂”的讨论,李肇宇认为是“过度恐慌”。他指出,判断泡沫的关键仍是下游企业需求。如果亚马逊预测的未来两年40%的AI业务年增速能够实现,那么泡沫就不会破。虽然目前无法100%证实亚马逊的预测,但现在就断言其为“骗人的”也为时过早。

话题推进:本段为节目主要讨论部分的结尾,嘉宾对核心问题进行了总结,并对未来趋势给出了自己的判断框架。

00:55:01–00:59:46连续对话 3

00:55:01–00:59:46AI泡沫风险:与2008年次贷危机的对比

  • 你对整个行情非常淡定,是源于什么?
  • 你提到供给端存在循环交易和借债问题,但认为这不是最大风险,那它对整个市场可能是多大的风险?
  • 假设整个大的AI需求真的不如预期,供给这一端的爆雷可能会带来什么连锁反应?现在已经有人在对比这一次和08年的次贷危机。

主持人程曼祺观察到嘉宾李肇宇对AI行情非常淡定,并询问其原因。李肇宇解释,这源于他的投资风格:他出身于私募股权(PE),习惯以持有十年以上的视角评估项目,因此对短期市场情绪波动并不特别担心。其次,他的策略类似巴菲特,不使用杠杆,初始仓位较低,能够承受市场的剧烈回撤。他举例说,某只股票从32美元涨到近1000美元的过程中,经历了五六次超过30%的回调,这是正常的。因为不加杠杆,即使判断最终正确,也不会在市场剧烈波动时(如去年7月底、10月底)被迫出局。他强调,这种淡定并非断定AI一定成功,而是认为现在下结论为时尚早,需要持续观察数据基础设施公司(如Snowflake)和云厂商的客户支出速度来做判断。

主持人追问,既然李肇宇认为核心问题是需求而非供给,那么供给端存在的循环交易和借债问题对整个市场风险有多大。李肇宇回应,风险大小取决于公司是否有真正的技术壁垒。他举例说,像Nscale这类提供裸金属(Bare Metal)云服务的公司,本质上是“算力房地产生意”,没有技术含量,必然面临巨大风险。他认为,除了CoreWeave和Nebius等少数几家有软件栈壁垒的公司外,许多小型“NeoCloud”都属于此类。相反,对于那些有高壁垒的行业,比如全球只有三家能做的内存芯片,且供需缺口在未来几年会持续扩大,加上这些公司现金流充裕、无需借债,其风险收益比较好。

主持人进一步假设,如果AI需求真的不及预期,供给端的“算力房地产”爆雷会引发怎样的连锁反应,并提及市场已有人将其与2008年次贷危机对比。李肇宇认为,即使AI需求崩盘,其冲击也远小于2008年。他从两个层面论证:

1. 对GDP的影响:目前整个AI相关产业占美国GDP的比重不到3%,远低于2008年时房地产业的占比。因此,即便行业崩溃,对整体经济的直接冲击也小得多。

2. 金融系统的参与度:2008年危机的核心是银行系统深度卷入,大部分资金来自银行。而本轮AI投资的资金主要来自私募信贷(private credit sponsors)、PE和信贷市场,银行系统的参与相对较少。因此,即使AI行业爆雷,对美国银行系统的冲击将是有限的。只要银行系统不崩溃,美国经济就很难重演2008年的系统性危机。不过,他确认像Nscale这样的裸金属云服务商,以及那些依赖股权市场融资、尚未实现规模化量产的“NeoChip”初创公司,在需求崩盘时会首当其冲,很快倒闭。

最后,主持人总结了本期节目内容并结束了访谈。

PEPrivate Equity(私募股权投资)的缩写。嘉宾在此指代一种投资策略,即对非上市公司进行权益性投资,通常持有多年(如十年),旨在通过企业成长或重组后退出获利。这种策略要求投资者关注长期基本面,而非短期市场波动。
NeoCloud此处指代新兴的、专注于提供AI算力服务的云服务提供商,以区别于亚马逊AWS、微软Azure等传统大型公有云厂商。嘉宾认为这类公司中,除了少数具备软件技术壁垒外,很多只是提供基础硬件租赁服务。
Bare Metal (裸金属)一种云计算服务模式。与虚拟机不同,它为租户提供对整个物理服务器的独占访问权限,没有虚拟化层。嘉宾用此形容Nscale的业务,意指其提供的是最基础的硬件资源租赁,技术附加值低,类似于房地产生意。
NeoChip此处指代新兴的、试图与英伟达GPU或谷歌TPU等主流AI芯片竞争的芯片设计初创公司。嘉宾指出,这些公司大多依赖股权融资维持运营,如果无法快速实现量产,在市场需求下滑时将面临生存危机。

话题推进:本段为节目结尾,主持人对全场讨论进行了总结,结束了本次访谈。

以上是原对话的分段阅读。下面才开始提炼论证、解释机制并给出本文自己的判断。

主要论证:观点怎样由经历与例子支撑

Anthropic将巨额算力租赁合同记为“经营租赁”而非“融资租赁”,是一种美化自由现金流的“会计小把戏”,投资者需对此保持谨慎。

Rob Li(李肇宇) · 00:05:00

1. 会计处理差异:嘉宾指出,将与Broadcom签订的近1500亿美元TPU租赁协议记为“经营租赁”(Operating Lease),使得相关现金支出被归入融资现金流(Financing Cash Flow)。

2. 对自由现金流的影响:自由现金流通常由经营现金流(Operating Cash Flow)减去资本性支出计算。通过上述处理,本应影响经营现金流的巨额支出被移出,从而使得账面上的经营现金流和自由现金流看起来更健康,甚至为正。

3. 揭示真实状况:如果将这笔支出还原计入经营活动,公司的实际自由现金流状况会比财报披露的要差得多。这表明公司在利用会计规则呈现一个更有利的财务状况。

成立条件:此论证成立的前提是,该租赁协议的性质确实更符合“融资租赁”的会计准则,而公司选择了对自己更有利的“经营租赁”准则进行处理。同时,需要假定投资者普遍关注并基于自由现金流指标对公司进行估值。

Anthropic高达900%的净收入留存率(NRR)虽然表面惊人,但其参考价值高度依赖于计算该指标的收入基数(base),如果基数过小,则意义不大。

Rob Li(李肇宇) · 00:24:01;00:24:37;00:25:17

1. NRR定义:NRR衡量的是同一批客户在一年后的收入变化,900%意味着去年的客户今年花的钱变成了原来的9倍,反映了极强的产品价值和客户粘性。

2. 基数效应:嘉宾通过举例说明,如果一个客户的年花费从100美元增长到900美元,NRR同样高达900%,但其绝对增长额(800美元)微不足道。只有当计算NRR的客户群体在去年已经贡献了相当规模的收入时,高NRR才真正代表了业务的强劲增购和巨大潜力。

3. 对Anthropic的适用性:主持人补充,Anthropic去年的收入基数可能确实较低,这意味着当前惊人的NRR数字可能包含了显著的基数效应,其未来的可持续性存疑。如果NRR在短期内迅速回落至SaaS行业常见的200-300%,将对市场情绪造成冲击。

成立条件:此论证成立的条件是,Anthropic在计算NRR时所选取的客户群在上一年度的收入贡献总额确实处于一个相对较低的水平。如果其基数已经很大,那么900%的NRR将是无可辩驳的强劲增长信号。

在当前阶段,Anthropic向云厂商支付高达37%的渠道分成是完全值得的,因为云厂商扮演了算力、客户和资金提供者的三重关键角色。

Rob Li(李肇宇) · 00:26:15;00:27:25

1. 弥补销售短板:Anthropic自身的销售团队规模很小,短期内无法独立完成大规模的企业客户覆盖。依赖云厂商是实现收入快速增长以支撑高估值的最有效路径。

2. 三重角色:嘉宾分析,云厂商(如亚马逊)不仅是销售渠道,还同时是:

a. 算力提供商:提供公司运行和发展所必需的计算资源。

b. 客户来源:利用其庞大的企业客户基础,直接为Anthropic带来收入。

c. 资金提供方:通过直接股权投资或提供算力租赁等结构性金融产品,为Anthropic的巨额算力采购提供资金支持。

3. 综合价值:鉴于云厂商能一站式解决算力、客户和资金三大核心问题,支付高昂的佣金是一种理性的战略选择,换取了宝贵的发展速度和确定性。

成立条件:此论证成立的条件是,Anthropic在当前阶段的核心目标是最大化收入增长速度和市场份额,而非短期利润率。同时,假设不存在其他更低成本且同样高效的规模化获客渠道。

Anthropic的商业模式存在类似WeWork的“期限错配”风险,即成本长期锁定而收入短期浮动,其根本解药在于下游AI需求的真实性和可持续性。

Rob Li(李肇宇) · 00:41:23;00:41:53

1. 风险结构:Anthropic与算力供应商签订了长达数年甚至二十年的刚性支付合同,构成了“成本长租”的长期负债。

2. 收入不确定性:与此同时,其企业客户通常没有长期合同约束,可以根据自身需求随时增减用量甚至停止使用,构成了“收入短租”的短期现金流。

3. 风险类比:这种“成本长租,收入短租”的模式与WeWork非常相似。一旦市场需求不及预期,客户减少支出,公司收入将锐减,但长期成本依然存在,可能导致严重的现金流危机。

4. 风险根源:因此,所有问题的核心不在于供给端的合同条款,而在于下游企业客户对AI服务的需求是否足够强劲、健康且能持续增长,以覆盖其锁定的长期成本。

成立条件:此论证成立的条件是,Anthropic大部分收入确实来自没有长期锁定的消耗型付费客户。如果未来公司能与大客户签订更多长期、有保障的合同,则可以在一定程度上对冲这种期限错配风险。

判断AI基建行情和泡沫是否会破裂,关键不是研究供给端的融资和投入,而是研究“需求曲线的斜率”。

Rob Li(李肇宇) · 00:51:02;00:53:50;00:54:19

1. 两曲线模型:嘉宾将AI公司的发展简化为两条曲线:一条是“花钱”(成本)曲线,主要是算力投入,其增长路径相对确定和可预测;另一条是“挣钱”(收入)曲线,由下游客户需求驱动,其增长路径充满不确定性。

2. 斜率的意义:真正的核心变量是需求曲线的“斜率”,即收入增长的速度。如果斜率足够陡峭,意味着需求增长迅猛,收入曲线终将追上并超越成本曲线,公司实现盈利,商业模式跑通。

3. 投资决策依据:知道了需求曲线的斜率,就能判断行业还需要资本市场输血多久才能自我造血。因此,投资研究的重点应该是去验证和追踪下游需求的真实强度和增速,而非过度关注供给端的资本开支和公司融资新闻。

4. 对泡沫的判断:基于此框架,嘉宾认为目前断言泡沫破裂为时尚早。只要像亚马逊等行业巨头预测的下游需求高增长(如年增40%)的信号仍然存在,就不能轻易判断行情逆转。

成立条件:此论证是一个分析框架,其有效性取决于能否找到可靠的代理指标来衡量“需求曲线的斜率”。嘉宾本人也承认目前缺乏好的“前置指标”,只能依赖Snowflake、Databricks等数据平台的业绩作为“同期指标”。

机制与术语:对象、输入输出和中间过程

算力租赁与自由现金流:先核对合同与会计口径

节目关注的是长期算力承诺怎样进入财务报表,而不是一句“美化现金流”。需要核对的输入包括合同期限、资产控制权、付款安排、租赁分类和各项现金流列示。经营租赁与融资租赁在资产负债表和现金流呈现上可能不同,直接影响投资者对经营现金流和自由现金流的理解。输出应是:在公认会计口径下的披露,以及为比较经济负担而作的调整。只有把合同与准则对应起来,才能判断这是正常分类、投资者理解差异,还是存在误导风险;不能仅凭金额大就断言违规或造假。

对应节目:00:05:00

利用云厂商实现增长的“三位一体”杠杆

该机制解释了Anthropic为何愿意支付高昂的渠道费用,通过与大型云厂商(如亚马逊)深度绑定来加速其业务扩张。

- 输入:Anthropic拥有前沿的大模型技术,但缺乏庞大的销售团队、海量的初始资本和即时可用的全球算力基础设施。

- 过程:Anthropic与云厂商建立战略合作关系,并同意将高达37%的收入作为渠道分成。作为交换,云厂商为Anthropic提供了三种核心资源:

1. 客户渠道:云厂商利用其现有的庞大企业客户网络,向他们销售捆绑了Anthropic模型的产品和服务,为Anthropic带来源源不断的客户和收入。

2. 算力供给:云厂商直接为Anthropic提供其模型训练和推理所需的TPU/GPU算力,解决了其基础设施的燃眉之急。

3. 资金支持:云厂商通过直接股权投资,或提供灵活的算力租赁金融方案,为Anthropic采购和使用昂贵算力提供了资金弹药。

- 输出:Anthropic在短期内实现了收入规模的快速增长,获得了支撑其高估值IPO所需的业绩,并确保了发展所需的算力和资金。云厂商则通过渠道分成、云服务销售和股权投资获得了丰厚的回报。

- 失败条件:该机制的风险在于过度依赖。如果云厂商未来推出自有的、性能相当的竞争模型,并利用其渠道优势进行排他性推广,Anthropic的增长将面临巨大威胁。此外,长期的高额分成会侵蚀Anthropic的利润空间,限制其盈利能力。

对应节目:00:26:15;00:27:25

独立判断:这些对话改变了什么理解

“需求曲线的斜率”还需要拆成替代与新增、一次性试点与持续运营四种需求。

推理:替代现有知识工作可以很快形成预算,但可能受既有成本节约空间限制;新增应用更难预测,却可能扩大总市场。试点期的预算爆发与进入正常运营后的持续支出,也不具有同样的可持续性。嘉宾强调下游需求很重要,本文进一步认为,必须知道需求来自哪里、是否重复发生、需要多少服务和维护成本,才能判断它能否覆盖长期算力承诺。

竞争解释与边界:早期替代需求并不低价值,它可能是最可靠的现金流基础;但若将其无限外推为新增市场,估值会过于乐观。应分别追踪预算迁移、持续使用和新增工作流。

云厂商的高分成是增长与依赖的交换,客户关系并不只有渠道或模型一方。

推理:云厂商能提供客户、算力、融资与企业集成,使模型公司快速扩张;模型若形成独特能力和开发者偏好,也可能反向影响客户选择。37% 等成本是否值得,应比较它带来的增量收入、毛利率、客户归属和替代渠道成本,而不是把“品牌”或“渠道”任何一方绝对化。

竞争解释与边界:当模型可替换且企业采购由云平台主导时,渠道更强势;当模型具有明显代差或客户主动指定时,模型公司可能获得更强直连与议价能力。

期限错配是需求风险,弹性条款只能改变损失分配,不能创造持续需求。

推理:长期算力承诺使成本更刚性,客户按量付费使收入更灵活,需求不足时就会产生错配。可取消或短期条款、长期客户合同与供应商风险共担可以降低风险,但各自有时限、法律与商业条件,不能把它们当作没有成本的对冲。核心仍是使用是否稳定、价格是否覆盖总成本。

竞争解释与边界:供应商也有动力维持客户,但这不代表危机时一定重谈合同。需要按合同类型和退出成本做压力测试,而不是仅以 WeWork 类比判定结局。

尚未解决的问题与可检验的下一步

待解问题:Anthropic披露的900% NRR,其计算基数(base revenue)和客户构成究竟是怎样的?

下一步信息或小实验:核对 NRR 客户群、上一年度收入基数、行业与场景构成,并把客户增购与新客户贡献分开。

怎样的结果会改变判断:若大基数、多行业客户仍高增购,指标更有价值;若主要来自小基数或少数场景,应降低其证明权重。

待解问题:在“Coding之后”,AI在其他知识工作领域(如法律、金融)的真实ROI和渗透速度如何?

下一步信息或小实验:跟踪垂直行业的试点转运营比例、年度续约、预算来源和实际工作量变化,区分新增需求与一次性替代成本。

怎样的结果会改变判断:若预算从创新试验转为持续运营且总成本可控,非 Coding 需求更可信;若试点后无法续约,长期需求预期需下调。

待解问题:模型公司与PE成立合资公司直销的模式,能否有效撼动云和数据平台在企业客户关系中的主导地位?

下一步信息或小实验:跟踪模型公司与 PE 合资或直销团队的独立客户、合同期限和毛利,比较云渠道与直销在获客、服务和客户关系上的成本。

怎样的结果会改变判断:若直销能持续获得独立大客户,模型公司议价能力增强;若仍高度依赖云厂商引流,渠道结构与利润约束会持续。

影响理解的转录疑点

建议优先回听 00:41:25 至 00:55:01 的部分(“期限错配”到“需求曲线斜率”)。这一段集中讨论了Anthropic商业模式最核心的风险——类WeWork的期限错配,并引出了全篇最具洞察力的分析框架——通过研究“需求曲线的斜率”来判断AI行业的长期前景。它超越了对单一公司财务数据的分析,为投资者提供了一个思考整个AI基建领域投资价值的根本性视角,是本期节目思想密度的最高点。

证据边界与资料索引

本页依据整期机器转录、官方节目介绍与章节逐段重建,未宣称逐字人工听审。说话人、专名、数字和时间可能存在识别误差;原声仍是最终核对依据。嘉宾关于公司、市场、研究、个人经历与未来的说法按口述保留,不自动等于独立核验的事实。

原节目:185: Anthropic招股书丨与Amont李肇宇聊定价逻辑和潜在风险

本页使用的公开文字或字幕来源

返回顶部