300 万美元一台机柜，两年半回本，六年折完

把「AI 云」这三个字先放一边。这门生意的本体是这样的：

你花一大笔钱买一批计算设备，把它装进一间通了电的房子，然后按小时租给别人用。

如果这句话听上去像「买楼收租」，那是对的——它在财务结构上确实更接近不动产租赁，而不是软件。 两者都是先有一笔大额资本支出，然后靠多年的租金慢慢收回来。

但有一处关键不同，而这处不同决定了这门生意的全部风险： 楼可以站五十年，一张 GPU 大概只能卖得动六年，而且它每一年都在变得更不值钱。

所以真正要算的从来不是「一年能收多少租金」，而是「在这台设备失去竞争力之前，能不能把本钱收回来，并且多赚出一段」。 这一节就把这笔账，一步一步算给你看。

几年前，买 AI 算力的单位是「一张卡」。现在不是了。

英伟达当前这一代产品是整机柜交付的：一台 GB200 NVL72 机柜里装着 72 颗 GPU， 它们之间用高速互联连成一体，对使用者来说更接近「一颗超大的芯片」而不是「72 颗小芯片」。 你没法只买其中 8 颗——这一整柜就是最小采购单位。

这台机柜市场上普遍估算的采购价是 约 300 万美元（未公开定价，各家拿货价随批量与关系浮动）。 换算下来，平均每颗 GPU 的取得成本约 4.2 万美元。

请特别记住第三个数：120 千瓦。它是这门生意里最重要的一个物理常数—— 后面从「产能怎么衡量」到「两家投行为什么吵架」，全都要回到它身上。

设备到了，不等于能开始赚钱。它至少还要四样东西：

一是电。120 千瓦听起来不多，但那是一台机柜。一个中等规模的 AI 数据中心动辄几百台机柜， 总功率就是几十兆瓦——这已经是一座小城镇的用电量级，必须专门建变电站、走电网审批。

二是冷。这 120 千瓦的电，几乎全部会变成热。传统机房靠吹风降温， 到了这个功率密度已经不够用，必须换成液冷——让冷却液直接流过芯片表面带走热量。 制冷本身也要耗电，行业用一个叫 PUE 的指标衡量： PUE 1.2 意味着每 1 度电用在计算上，就要额外花 0.2 度在制冷和配电上。

三是网。几百台机柜之间要用光纤连成一个整体，客户还要能从外部访问。

四是地和房子。要么自己买地建，要么租别人建好的。

租金的计算方式很直白：一颗 GPU 用一小时，收多少钱。

当前市场价大致在每 GPU 小时 2 到 3 美元之间，我们后面一律按中间的 2.5 美元来算。 这个价格并不固定——卡紧张的时候会涨，产能放出来会跌，签长约的客户比临时来买的便宜。

把这几个数乘起来，一台机柜一年能收多少租金就出来了：

再把这一年的开销列出来。请注意其中最大的一项不是电，是折旧。

算回本期时，折旧那一项要先拿掉——因为它不是真的往外掏钱，它只是把当初那 300 万在账面上分摊到六年。 真正每年流出去的现金，是电费和运维那 27 万。

所以每年真正流回来的现金是：142 − 27 = 115 万美元。

用 300 万除以 115 万：

但「纸面上」三个字，藏着这门生意的全部风险。回本期 2.6 年这个结论，同时压着三个假设：

看研报时你会发现，几乎没有人用「有多少台机柜」来描述一家 AI 云的规模， 所有人都在说「多少兆瓦」。原因很简单：机柜有很多型号，功率各不相同，没法直接相加； 而电力是所有型号都要消耗的公共单位。

换算方法就是用第 2 节那个 120 千瓦：

亚马逊、微软、谷歌这三家——行业里习惯叫它们超大规模云——手里有全世界最多的数据中心， 有最成熟的运维体系，有最便宜的融资渠道，客户关系也早就建立好了。 它们每年花在建数据中心上的钱，加起来是几千亿美元的量级。

在这样一个格局里，还能冒出一批 2018 年前后才成立、连机房都要现建的公司， 其中几家在两三年里做到上百亿美元的订单——这件事本身就需要一个解释。

解释不是「它们更便宜」这么简单。真正的原因是：AI 算力这门生意， 和超大规模云过去二十年做的那门生意，在四个具体的地方不一样。 每一处不一样，都撕开了一道口子。下面一条一条看。

假设 2024 年你是一家刚融到钱的 AI 公司，需要 5,000 颗 GPU 连成一片来训练模型。 你去找 AWS，得到的答复大概率是：可以，但要排队，而且不一定能给你一整片连在一起的。

为什么？因为超大规模云的机房产能，首先要供自己的电商、办公软件、搜索和广告， 然后要供成千上万个既有客户，最后才轮到新客户。而 2023 到 2025 那三年， GPU 本身就买不到——英伟达的产能被提前一年订完，谁手里有卡谁就是供应商。

新兴云在这个时候做的事很朴素：把全部的钱、全部的机房、全部的采购额度， 只用来干一件事——把 GPU 集群尽快建好租出去。没有电商要养，没有存量客户要照顾， 一间机房从签租约到交付，能压到几个月。

那这一条能撑多久？这个问题必须问，因为它的答案直接决定了这批公司的寿命。

坦率说，这是四条里最脆弱的一条。它成立的前提是供不应求， 而超大规模云正在以每年上千亿美元的速度补产能。等到卡不再紧张、机房不再排队， 「我能更快给你」就不再是一个能卖钱的优势。

这个窗口什么时候关上，行业里有分歧：有的机构判断在 2028 年前后， 也有公司的投资者关系口径说「还要 18 个月以上才会明显宽松」。 两边给的时间点不同，但方向是一致的——这是一个会关的窗口，只是不知道具体哪天关。

过去二十年，云计算解决的是这样一个问题：很多客户，每个客户的活儿都不大， 那就把一台物理服务器切成很多份分给他们，谁也不用自己买机器。 为了做到这件事，云厂商在硬件之上加了一层叫「虚拟化」的软件， 它负责把一台机器伪装成很多台，同时保证互相隔离、互不干扰。

这层软件是有代价的，它要占走一部分算力和内存带宽。跑网站、跑数据库时， 这点代价完全值得。但训练大模型的时候，账反过来了。

训练时，成千上万颗 GPU 要像一台机器那样协同：每算完一小步，所有 GPU 都要交换各自的中间结果， 任何一颗慢了，整个集群都在等它。这种活儿要的是把整台物理机、整片网络原封不动地交给一个客户， 行业里管这叫裸金属。虚拟化那一层在这里不但没用，还在拖后腿。

除了虚拟化，还有两处不匹配。通用云习惯把计算、存储、网络、数据库、监控打包着卖， 客户为很多用不上的东西付了钱；通用云的计价也是为「用多少算多少」设计的， 而 AI 训练是长期占满一整片集群，这两种计价方式差得很远。

这一条能撑多久？比第一条久，但也在被侵蚀。

超大规模云不是没看到这件事，它们已经在推自己的裸金属 AI 产品，虚拟化那部分损耗迟早会被抹平。 但有一样东西它们很难改，就是定价结构。 一家同时卖着几百种云服务的公司，很难把 AI 算力单独降到接近成本的价格去卖—— 那会动摇它整条产品线的价格体系。所以这个成本优势会缩小，但不太可能归零。

这一条最容易被忽略，但它可能是四条里最结实的。

看一眼这三家超大规模云在做什么：谷歌有 Gemini，微软深度绑着 OpenAI 同时自己也做模型， 亚马逊投了 Anthropic 还在做自研模型。换句话说，它们既是卖算力的房东，又是租客的同行。

如果你是一家做垂直领域大模型的公司，你的训练数据、模型权重、训练过程中所有的实验记录， 都要放进这个房东的机房里。哪怕合同写得再严密、技术隔离做得再好， 「我最重要的资产存在竞争对手的机器上」这件事，在很多客户的董事会上是过不去的。

新兴云在这一点上有个天然位置：它只卖算力，不做模型，也不做应用。 跟客户没有任何业务重叠，也就不存在这层顾虑。

最后一条和技术无关，和钱有关。

微软要不要多建 100 亿美元的 AI 数据中心？这个决定要跟它的自由现金流、 股东对利润率的预期、以及其他十几条业务线抢预算。它是一家成熟公司， 每一笔大额投资都要向市场解释。

新兴云没有这个包袱，因为它只有 AI 这一件事可做。 它可以把整张资产负债表押在这个方向上，还能用一种超大规模云不会用的方式加杠杆—— 拿客户已经签字的长期合同去银行借钱，再拿这笔钱去买客户要用的卡。

国信证券给这门生意下过一个很准的定义：新兴云赚的是「算力、电力配套、时间窗口与资本」这四样东西的利差。 四个词里有两个——时间窗口和资本——跟技术一点关系都没有。

「新兴云」这个名字容易让人以为是一批 2023 年 ChatGPT 火了之后才成立的创业公司。 实际情况不是这样。

这批公司里跑在最前面的几家，成立时间都在 2017 到 2018 年， 而且当年做的都不是 AI——有的在挖比特币，有的在建绿电，有的在油田里烧废气发电。 它们是在 2020 到 2024 年之间，先后掉头转到 AI 算力上来的。

这件事重要，是因为掉头的时候，每家手里握着的东西不一样。 而握着什么，几乎决定了它后来能占住第 2 节那四条理由里的哪几条， 也决定了它最怕什么。

这门生意要跑起来，四样东西缺一不可：得有卡、得有电、得有钱、得有人会调度。 没有哪家公司是四样都从零开始攒的——每家都是先有其中一样，再用它去换另外三样。

把这张表竖着读一遍，会发现一个规律：越往上，越重；越往下，越轻。

手上有电和有能源的那两家，等于把这门生意里最慢的一环（第 1 节说过，接电要排两到五年） 提前解决了，但代价是它们背着一堆自己建的重资产。 而什么都不带、纯租机房的那一类，第一天就能开门营业， 代价是它提供的东西，别人也能提供，而且明天就能提供。

卡、电、钱这三样，都能在财务报表上找到对应的科目：卡是固定资产，电是长期协议，钱是债务和股本。 只有工程能力找不到。它不在表上，但它决定了同样一兆瓦的电，能榨出多少收入。

Nebius 的前身是 Yandex——一家在纳斯达克上市过的公司， 外界常用「俄罗斯的谷歌加 Uber」来形容它当年的位置：搜索、打车、外卖、云，样样都做。 2024 年重组时，俄罗斯境内的业务被剥离出去，国际业务连同工程团队保留下来， 更名 Nebius Group，总部搬到荷兰阿姆斯特丹。

所以它进入这个行业的时候，带着的是一支已经运营过大规模搜索和云服务近二十年的队伍—— 这些人写过超大规模的任务调度系统，处理过硬件自动故障恢复，做过网络拓扑的软件优化。 这些能力在别的新兴云那里，通常要靠买现成方案或者慢慢招人来补。

这四件事里，前三件是省钱——省下的部分变成毛利。第四件不一样，它是多赚： 同一张卡，如果能吐出两三倍的 Token，而每个 Token 的售价不变，那么这张卡的收入就翻了倍。 这个区别在第 11 节还会展开，那里会看到它是整个乐观情景的支点。

投资一家新兴云，最容易犯的错是用同一套标准去看所有家。 但它们的风险根本不在同一个地方——起点不同，软肋就不同。

第 12 节会把这六家公司的财务结果并排摆出来，你会看到禀赋差异最后是怎么变成 杠杆率、融资成本和客户结构上的差别的。在那之前，先把这一节的分类记住， 后面所有的对比都建立在它上面。

读这个行业的资料时，你会发现一件有点奇怪的事：几乎没有人用「有多少颗 GPU」来描述一家公司的规模， 所有人都在说「多少兆瓦」。

有两个原因。

第一个是技术上的。GPU 有很多型号，上一代和这一代的性能差好几倍， 把不同代的卡加在一起得到的总数没有意义。而电力是所有型号都要消耗的公共单位—— 一兆瓦就是一兆瓦，不管里面装的是哪一代卡。

第二个原因更重要：电是这门生意里唯一真正稀缺的东西。 卡可以下单买（虽然要排队），机柜可以订，液冷设备可以采购，房子可以租。 只有电，你去申请之后只能等着。

一座 100 兆瓦的数据中心，用电量相当于一座十万人口的小城。 这个量级的用电不是打个电话就能接上的，它要走一整套流程：

先向当地电网公司申请容量。电网要评估这一片区域的输电线路和变电站能不能承受多出来的负荷， 如果不能，就要新建或者扩建变电站——这本身是一项工程，动辄两三年。

然后要过地方政府的审批。数据中心占地大、用电多、还可能引发居民对水资源和噪音的关注， 很多地方要开听证会。这一步的时间长短，取决于当地对数据中心的态度。

最后是排队。同一时期申请接电的不止你一家。电网按申请顺序和电网条件排期， 你排在第几位，就等多久。

这套流程走完，欧美普遍要两到五年。而且这里面没有一个环节是能加钱插队的—— 它不是一笔采购，是一道行政程序。

还有一个细节值得记住，因为它后面会变成一个具体的口径陷阱： 说「一座 100 兆瓦的数据中心」时，这 100 兆瓦指的是什么？

通常指的是设备本身能吃掉的电，行业里叫 IT 负载。 但机房实际从电网拉进来的电要更多，因为制冷、配电本身也耗电。 两者的比值叫 PUE：PUE 1.2 表示每 1 度电用在计算上， 就要再花 0.2 度在辅助环节上。

所以同一座机房，按 IT 负载说是 100 兆瓦，按总用电说就是 120 兆瓦。 拿这两个数去算「每兆瓦能产生多少收入」，结果会差 20%。 本课后面出现的所有兆瓦，一律是 IT 负载口径。

知道了接电要走两到五年，下面这件事就好理解了：一家公司说自己「有多少兆瓦」的时候， 它可能站在这条长流程的任何一个位置上。

业内常用的有三个口径，它们都不是假的，但含义差别极大：

把 Nebius 2026 年底的三个数字填进去，差距有多大就一目了然了：

从 4 吉瓦到 604 兆瓦，中间漏掉了大约六分之五。但这些不是均匀漏掉的。

第一段（合同 → 已接）漏掉了绝大部分，大约四到五倍。原因就是上面说的两到五年审批。

第二段（已接 → 活跃）其实很快。Nebius 首席技术官给过一个口径： 已有站点从通电到 GPU 部署完成，不到 6 到 12 周。

这个对比很重要，因为它告诉你真正的瓶颈在哪：是「电什么时候接进来」， 不是「GPU 什么时候装好」。

到这里，这门生意的骨架已经搭完了。回头看这四节，它们其实回答了四个问题：

第 1 节：这门生意怎么赚钱。买设备、租出去，回本期两年半，折旧六年， 赌的是需求能撑到设备折旧完。

第 2 节：为什么轮得到新兴云。超大规模云在交付速度、机器架构、 利益冲突和资本结构四件事上让出了空间，其中只有利益冲突那条是结构性的。

第 3 节：这批公司彼此有什么不同。禀赋决定路径，也决定软肋—— 靠卡的怕贬值，靠电的怕地段，靠钱的怕利率，靠工程的怕人走。

第 4 节：为什么用兆瓦计量，以及这个数怎么读。电是唯一买不到的东西， 而「有多少兆瓦」这句话要先问清是哪一个口径。

下一个单元换一个角度：同样这门生意，落到财务报表上是什么样子。 那里会解决一个很多人读这类公司财报时的老问题—— 为什么它们总在强调「调整后 EBITDA」，而那个词到底调掉了什么。

第 1 节我们算过一台机柜的账：一年收租 142 万美元， 成本是折旧 50 万、电费 15 万、场地和运维 12 万，剩下 65 万。 按这个算，毛利率是 46%。

现在去看卖方对 Nebius 的预测：高盛给 2026 年的毛利率是 71.6%， 2027 年 76%，2028 年 77%。

同一门生意，同样是买卡出租，为什么差出 25 个百分点？

答案不在生意上，在账上。而理解这 25 个百分点是怎么来的， 恰好是读懂这类公司财报最有效的一课。

问一个人「AI 数据中心最大的成本是什么」，多数人第一反应是电费。 毕竟这个行业到处在讲电力紧张、变电站、能耗。

但从第 1 节那张账单看，电费只占总成本的两成，折旧占了六成半。

这个排序其实很自然：那台机柜花了 300 万美元买回来，而一年的电费才 15 万。 买设备的钱比用设备的钱大二十倍。只不过买设备那笔钱在账上不是一次性记掉的， 它被摊到了六年里，每年记 50 万，这就是折旧。

折旧金额怎么定？就一个除法：设备价格 ÷ 你认为它能用几年。

「能用几年」这四个字，是公司自己判断的。会计准则要求这个判断合理， 但不同公司对同一类资产给出不同年限，是完全合规的。

而在 GPU 这件事上，这个判断特别难：

看清楚这张表：生意一点没变，机器还是那台机器，客户还是那些客户， 仅仅因为一个假设从 4 年换成 8 年，毛利率就从 29% 跳到 55%。

这不是在说谁作假。折旧年限的选择本来就是一个判断，而且没有人真的知道 2030 年的时候， 2026 年买的这批卡还值不值钱。但这意味着， 你在比较两家公司的利润率之前，必须先确认它们的折旧年限是不是一样的。

现在可以回答开头那个问题了。我们自己算出 46%，公司口径是 71.6%，差在哪？

差别不在于折旧算了多少，而在于折旧被记在利润表的哪一行。

利润表大致是这么一个顺序：收入减去营业成本，得到毛利； 毛利再减去营业费用（研发、销售、管理这些），得到经营利润。

关键在于：折旧可以被放进营业成本，也可以被放进营业费用。 准则允许两种做法，取决于这部分资产主要服务于什么。

如果一家公司把大部分设备折旧放进营业成本，它的毛利率就低； 如果放进营业费用，毛利率就高——但两种做法算到经营利润那一行，结果是一样的。

把上面几件事连起来，会自然引出一个问题。

折旧是这门生意最大的一笔成本，占了六成半。它是成本，但它当年不流出现金。 而且它的金额取决于一个公司自己选的假设，改一改就能让利润从正变负。

那么在评价这类公司的经营表现时，到底该不该把折旧算进去？

这个问题没有唯一答案，但市场上确实发明了一套指标来绕开它—— 你在这类公司的财报和研报里会反复看到「调整后 EBITDA」这个词。 下一节就专门讲它：EBITDA 和 EBIT 差在哪、那个「调整」又调掉了什么、 以及为什么在这门生意上用它，需要格外小心。

很多人第一次遇到这几个词会觉得混乱，因为它们长得像、又总是一起出现。 其实理解它们只需要一件事：把利润表从上往下写一遍，看看每一步减掉了什么。

看最后两行的名字：EBIT 的全称是 Earnings Before Interest and Taxes， 字面意思就是「扣利息和所得税之前的利润」。它就是上表里的经营利润， 中文财报里一般直接写「营业利润」或「经营利润」。

那 EBITDA 呢？把名字再拉长一点：Earnings Before Interest, Taxes, Depreciation and Amortization——在 EBIT 的基础上， 把折旧和摊销那一步也加回来。

各家公司调整的项目不完全一样，但这类公司常见的有这么几项：

这里有一个必须知道的背景：EBITDA 和调整后 EBITDA，都不是会计准则里定义的指标。

准则规定的是收入、毛利、经营利润、净利润这些。EBITDA 是市场约定俗成的算法， 而「调整后 EBITDA」连约定俗成都算不上——每家公司自己划定要加回哪些项目， 而且可以年年不同。

这不等于它没用。对一家刚投完一大笔钱、还在爬坡的公司来说， 把折旧和一次性费用剥掉之后，确实更容易看清它的日常经营是不是在改善。 但它不能被当成「真实利润」来用，尤其是在这门生意上。

加回折旧这个做法，最初是为重资产但资产寿命很长的行业设计的。 比如一家做电信基站的公司：塔建好了能用二三十年，中间几乎不用再投钱。 在那种生意里，把折旧加回来去看现金创造能力，是有道理的。

但 AI 算力租赁不是那种生意。回到第 1 节和第 5 节讲过的： 这里的设备只能用六年左右，而且六年之后它基本上一文不值—— 既不能像基站那样接着用，二手转让也要打骨折。

这意味着：这家公司必须在六年内赚够下一批设备的钱，否则它就没有下一轮生意。 所以折旧在这里并不是「一个不用管的会计数字」， 它就是这门生意实实在在的、周期性重复发生的主要成本。

中间差了 52 个百分点，而这 52 个百分点几乎全部是折旧。

两个数都不假，用哪个也不违规。但它们给人的印象完全不同—— 一个让你觉得这是一门躺着赚钱的生意，另一个让你觉得它薄得很。

而这家公司对外讲的估值故事，恰恰是建立在「调整后 EBITDA 利润率会做到 64%」这句话上的。 所以摩根士丹利在报告里留了一句不太客气的话：「盈利能力与业绩记录仍未经检验。」

下一节继续留在报表上，但换到收入这一侧。 那里有一个和折旧同样容易出错的地方：这类公司会同时公布收入、ARR、RPO、在手订单四个数， 它们量的是完全不同的东西，而且经常被混着用。

一家做零售的公司，说清楚收入就够了：这个季度卖了多少钱。

但 AI 算力租赁不一样。这门生意的合同动辄五年、七年，签的时候机房可能还没建， 钱是在未来很多年里慢慢收的。如果只报当期收入，你会严重低估这家公司已经锁定了多少生意； 但如果只报合同总额，你又会严重高估它现在的实际经营规模。

于是就有了四个数，分别站在时间轴的不同位置上。

收入最没有歧义。会计准则规定得很细：服务交付了、金额能确定、钱大概率收得到， 这三条同时成立才能确认。Nebius 2025 年全年收入是 5.3 亿美元。

ARR 是个软件行业传过来的概念，全称是年化经常性收入。 做法是拿最近一个月（或者一个季度）正在产生的经常性收入，乘以 12（或者 4）， 得到「如果现在这个状态维持一年，能收多少」。

它的价值在于反映当下的运行速度——一家高速扩张的公司， 当期收入是过去十二个月的累计，严重滞后于现状；ARR 能把这个滞后消掉。

它的软肋也很明显：「经常性」三个字由公司自己界定。 按需和现货那些随时可能停的收入算不算经常性？不同公司答案不同。 而且 ARR 是个瞬时快照，它假设当前状态能维持一整年，但这个假设从来没被验证过。

在手订单是四个里最松的一个。它没有统一定义，各家公司自己决定把什么算进去—— 有的只算已签约的，有的把意向和框架协议也算上；有的按合同总额，有的按可执行部分。 国信证券给 Nebius 的在手订单口径是 474 亿美元。

所以跨公司比在手订单，是这四个数里最不可靠的一种比较。 如果一定要比，至少要确认双方是不是都用的已签约金额。

第一个误用：拿订单簿除以当期收入，说「相当于多少年的收入」。

比如 Nebius 的 RPO 是 213 亿，2025 年收入 5.3 亿，一除得到 40 倍， 听上去像「未来四十年的收入都锁定了」。

这个算法的问题在于，它把一个存量和一个流量放在了一起除。 RPO 是要在未来五到七年里陆续履行完的，而 5.3 亿是这家公司还在极早期时的年收入， 明年就会翻好几倍。分子分母根本不在同一个时间坐标上。

更有意义的做法是问：这些合同分别在哪几年确认收入。 一份七年期的合同，如果按年均分，那 213 亿对应的是每年 30 亿—— 这个数才能拿去和收入预测比。

从 5.3 亿到 474 亿，差了将近九十倍，而它们说的是同一家公司。 这不是有人在夸大，是四把尺子在量不同的东西。

这一课其实和第 4 节讲电力口径是同一件事：看到一个数字，先问它站在时间轴的哪个位置上， 以及它是准则规定的、还是公司自己定义的。 这两个问题问完，很多看起来吓人的数字就有了合适的位置。

给公司估值，最常用的两把尺子是市盈率和现金流折现。放到这类公司身上，两把都不好使。

市盈率用不了，因为分母是负的。市盈率是股价除以每股收益， 一家还在亏钱的公司，每股收益是负数，这个比值算出来没有意义。

现金流折现（DCF）理论上能用，实践中很危险。 它的做法是预测这家公司未来每一年能产生多少自由现金流，再按一个折现率折回今天。 问题在于：这类公司眼下的自由现金流是大额负数——钱都在买卡建机房， 所有的正现金流都在遥远的未来。这就导致最终结果几乎完全取决于 「五年后、十年后它能赚多少」这种没人真的知道的假设， 假设变一点，估值就翻倍或者腰斩。

你会注意到这几个比率的分子都写着「企业价值」，英文缩写 EV，而不是市值。这两个不一样。

市值是股价乘以股份数，代表股东那部分的价值。

企业价值是市值再加上净债务（借的钱减去手上的现金）。 它代表的是整家公司的价值，不管这些钱是股东出的还是银行借的。

为什么要用企业价值？因为像 EBITDA、销售额这些指标，是在付利息之前产生的—— 它们是给全体出资人（股东加债权人）创造的，所以分子也要用对应全体出资人的口径。

这个区别在高负债的公司身上特别要紧。CoreWeave 是个极端例子： 它的企业价值是市值的 1.67 倍，中间那 67% 全是债。 如果拿市值去比 EBITDA，会严重低估它的实际估值水平。

第一把尺子的软肋最值得展开，因为它正是高盛用的那把。

用销售额倍数给公司定价，等于假定「收入迟早会变成利润」， 而把「变成多少利润」这个最大的未知数塞进了倍数里。 如果你给 9 倍，你实际上是在说「我认为这门生意最终的利润率，配得上 9 倍收入」—— 但这句话从来没被明说出来。

两个目标价差了将近一倍。但请注意：这个差距里，有很大一部分根本不是对生意的判断分歧， 而是「用了不同的尺子、不同的基准年」造成的。

要真正比较两家的观点，得先把它们放到同一把尺子上。 这件事本课在第 16 节会完整做一遍，那时候会得到一个有点意外的结果： 把高盛的业务预测换进摩根士丹利的算法里，得到的数字比高盛自己的目标价还高。

这说明什么？说明高盛的脆弱点不在它给的倍数上，而在它对利润率的隐含假设上。

这一个单元讲的都是「怎么读账」，四节各解决一件事：

第 5 节：这门生意最大的成本是折旧，而折旧金额取决于一个公司自己选的假设； 毛利率高低还取决于折旧被记在哪一行，所以跨公司比毛利率之前要先对齐口径。

第 6 节：EBIT、EBITDA、调整后 EBITDA 是同一条路径上的三个位置， 往上走一步就多拿掉一些东西。在这门生意上，折旧不是可以忽略的会计项目，它就是主要成本。

第 7 节：收入、ARR、RPO、在手订单站在时间轴的不同位置， 数值能差近九十倍，不能混着用。

第 8 节：亏钱的公司只能用倍数法估值，而不同的尺子会给出完全不同的答案， 其中销售额倍数完全不看利润。

有了这些，下一个单元才好谈这家公司本身——它是谁、客户是谁、 以及那条从亏损到高利润率的曲线，凭什么能成立。