最近我一直在思考一个问题：

为什么美国的科技公司，尤其是 AI 公司，可以在中短期内不那么重视业务利润，甚至长期亏损，却依然能融到很多金融资本，支持它们做早期、长期、昂贵，甚至短期看不到回报的科技研发？

反过来，为什么中国的科技公司，却总是非常重视业务利润、项目收入和短期 ROI？

后来我逐渐意识到，核心问题之一可能是：

美国科技公司背后有一个更成熟的金融退出系统，而中国目前的金融退出机制没有那么活跃和成熟。

这会直接决定科技公司能不能长期亏损研发，能不能不急着赚钱，能不能把科技研发本身变成一种抬升估值的方式。

一、投资人买的不是利润，而是股权

如果从传统生意的角度看，一家公司最重要的当然是利润。

做产品，卖出去，收钱，扣掉成本，留下利润。企业赚钱，投资人分红。

但科技投资，尤其是美国式风险投资，并不完全是这个逻辑。

在美国的科技投资体系里，投资人更关注的往往不是一家公司的当期利润，而是这家公司的股权未来能否升值。

而股权的价值，不只取决于公司现在赚多少钱，也取决于市场相信它未来能变成什么。

所以它的核心逻辑不是：

企业先赚钱，投资人再分利润。

而是：

企业通过技术研发、市场叙事、用户增长和战略稀缺性，抬升股权估值，投资人再通过股权流转退出。

也就是说，投资人买的是未来。

我投你 1 亿美元，不一定是因为你今年能赚 2000 万美元，而是因为我相信你未来有机会变成一家 100 亿、500 亿，甚至 1000 亿美元估值的公司。

只要这个故事能够成立，公司短期亏损就不一定是失败，而可能是一种必要投入。

二、科技研发为什么能抬升估值？

AI 公司是非常典型的例子。

训练模型要钱，买算力要钱，招研究员要钱，做数据要钱，构建生态要钱，做产品增长也要钱。

从利润表上看，这些都是成本。

但在金融估值体系里，它们不只是成本，也可能是未来资产的一部分。

比如一家 AI 公司持续投入模型训练、算力集群、顶尖研究团队、开发者工具、企业 API 和 Agent 产品，它短期内可能完全不赚钱，但这些投入会强化几个东西——

技术壁垒、战略稀缺性、市场想象力、平台潜力、被大厂投资或收购的价值、下一轮融资时的估值理由、未来 IPO 时的成长股叙事。

所以科技研发在美国资本市场里，很多时候不仅是研发本身，更是一台估值制造机器。

这就是为什么美国 AI 公司可以出现一种看似奇怪的状态：

  • 亏损扩大，但估值上升
  • 现金流为负，但融资能力增强
  • 业务还没盈利，但股权越来越贵
  • 公司还没有证明利润模型，但已经证明了战略价值

在这种机制里，利润不是不重要，而是在某个发展阶段，它被“股权升值”暂时替代了。

三、金融退出系统才是关键

但还有一个问题：

股权升值之后，谁来接？

如果我是投资人，我买了某家 AI 公司的股权。几年后，这家公司估值涨了 10 倍。

问题来了：我怎么把账面收益变成真实收益？

美国市场有很多可能的退出路径：

  • 被微软、谷歌、亚马逊、Meta 等科技巨头收购

  • 进入下一轮融资，让新投资人接盘

  • 通过私募二级市场转让老股

  • 最终 IPO，把股权卖给公开市场投资人

即便暂时不上市，股权也可能在一级市场里继续保持一定流动性。

也就是说，美国不只是有纳斯达克，还有一个完整的“股权流转系统”。

这个系统让科技投资人相信：只要我投中的公司估值涨了，我未来大概率有办法退出。

所以美国风险资本敢于支持那些长期亏损、但未来想象空间巨大的科技公司。

但中国的问题就在于，这套退出系统没有那么顺滑：

  • 如果 IPO 收紧，投资人就很难退出

  • 如果大厂并购不活跃，创业公司就少了一条重要退路

  • 如果二级市场不太愿意承接长期亏损的科技成长股，IPO 后估值也很难撑住

  • 如果 LP 对回款周期要求更高，基金就不能长期等待

  • 如果人民币基金背后还有地方政府、国资、产业资本的 KPI，那投资逻辑就会更加务实

于是中国投资人就会不断问一些非常具体的问题：

  • 你现在有收入吗？
  • 有订单吗？
  • 客户愿意付钱吗？
  • 能不能回款？
  • 毛利怎么样？
  • 什么时候盈利？
  • 什么时候上市？
  • 不能上市，我怎么退出？
  • 没有利润，下一轮谁来接？

这些问题会直接传导到科技公司身上。

所以很多中国 AI 公司最后会变成：

做项目，做交付，做解决方案，做私有化部署，做能开票、能验收、能回款的业务。

这不是因为它们不知道 AI 原生产品更性感，而是因为背后的资本系统和商业环境，不允许它们长期只讲未来。

四、美国科技公司的全球市场空间更大

除了金融退出系统，另一个重要差异是市场空间。

美国科技公司天然更容易讲全球故事。

OpenAI、Anthropic 这类公司，面对的往往不是某一个本地市场，而是全球市场、全球企业、全球消费者、全球开发者。

所以美国 AI 公司讲的是：

  • 我可能成为全球软件基础设施
  • 我可能成为下一代搜索入口
  • 我可能成为全球开发者工具
  • 我可能成为全球企业 AI Agent 平台
  • 我可能改变全球知识工作流

这个故事的天花板非常高。

但中国 AI 公司经常面对的是另一套现实：

  • 国内企业软件付费意愿弱
  • 客户喜欢定制化交付
  • 项目周期长，回款慢
  • 大客户要私有化部署
  • 中小客户预算有限
  • C 端用户付费习惯还不稳定
  • 产品容易被大厂复制
  • 出海又会遇到渠道、支付、合规、地缘政治、本地化等问题

所以同样是一个 AI 产品，如果出现在美国，资本可能会想象它成为全球平台。

但如果它出现在中国，资本可能会先问：

  • 这个东西国内用户真的付钱吗？
  • 企业客户预算从哪里来？
  • 销售周期多长？
  • 毛利能不能撑住？
  • 会不会变成重交付项目？
  • 会不会被大厂免费功能覆盖？
  • 能不能出海？出海成本多高？

这就导致美国 AI 公司的未来市场更容易被金融系统相信，而中国 AI 公司的未来市场往往要先被现实业务证明。

五、中国不是没有烧钱时代

早期中国互联网行业也不是一直都这么重视利润。

过去很多产品都经历过烧钱阶段：团购、网约车、外卖、共享单车、社区团购、在线教育、长视频等等。

当时的逻辑也很接近美国式风险投资：

先烧钱，先抢用户，先做规模，先占市场，以后再谈盈利。

但后来实践证明，这套模式在中国并不总能顺利闭环。

  • 有些行业烧出了巨大平台，但也烧出了恶性竞争

  • 有些行业烧出了用户规模，但没有烧出健康利润

  • 有些行业上市后估值崩塌，投资人并没有拿到理想回报

于是资本开始变得谨慎。

现在再听到“先亏损、后垄断、再赚钱”的故事，很多中国投资人会本能地警惕。

尤其是 AI 行业，算力成本极高，商业闭环尚不清晰，模型能力又快速迭代，很多应用层产品还没形成稳定护城河。

这种情况下，中国资本更容易要求 AI 公司尽快证明收入，而不是一直讲未来。

这就是为什么国内很多 AI 公司嘴上讲 AI Native、Agent、AGI、智能体平台，但实际落地会迅速收缩成：

  • 给客户做解决方案
  • 给业务做降本增效
  • 给企业做私有化部署
  • 给政府或大客户做项目
  • 给传统业务套一层 AI 包装

不是它们不想做未来，而是它们必须先活在现在。

六、AI 商业化的两种问题体系

所以我觉得，美国 AI 公司和中国 AI 公司面对的根本不是同一个问题。

美国顶级 AI 公司被问的是：

  • 有没有机会成为下一代基础设施？
  • 有没有机会控制新的入口？
  • 有没有机会改变全球软件范式？
  • 有没有机会成为平台级公司？
  • 有没有机会被科技巨头战略绑定？
  • 有没有机会在未来公开市场获得高估值？

而中国 AI 公司更常被问的是：

  • 现在能不能卖？
  • 客户是谁？
  • 预算从哪里来？
  • 项目能不能验收？
  • 能不能回款？
  • 有没有利润？
  • ROI 怎么算？
  • 能不能支撑下一轮融资？
  • 不能融资的话能不能自己活下去？

这两套问题体系，会塑造完全不同的公司行为。

前者更容易走向技术冒险、平台叙事、产品范式创新。

后者更容易走向业务交付、客户定制、短期收入、成本优化。

所以当我们讨论 AI 商业化时，不能只关注模型能力，也不能只关注产品体验，更要关注背后的金融系统。

因为金融系统决定了公司能够承受多长时间的不赚钱。

七、我在深圳几段 AI 产品工作中的真实经验

从 AI 产品经理的视角看，这个差异会非常明显。

在更理想的 AI 原生产品语境里，AI 产品经理可能会更多关注这些问题：

  • 模型能力如何变成新产品范式？
  • 如何构建新的交互入口？
  • 如何设计 Agent 的任务拆解和工具调用？
  • 如何建立记忆系统、评测体系和数据闭环？
  • 如何让 AI 产品越用越好？
  • 如何让 AI 真正重构用户的工作流或生活场景？

但在我自己深圳几段 AI 产品工作的实践中，我反复感受到的是另一种现实。

AI 陪伴机器人产品

按理说，这类产品最应该被认真打磨的是 AI 回复体验：角色人格是否稳定，长期记忆是否自然，情绪陪伴是否真实，多轮对话是否有连续性，用户是否真的愿意和它建立关系。

但实际工作中，我感受到团队更重视的并不是这些底层体验，而是营销变现：怎么包装卖点，怎么制造传播点，怎么推动用户付费，怎么把 AI 陪伴产品放进一个更容易成交的营销链路里。

GPU 算力云平台

理论上，一个算力云平台真正的长期价值，应该来自云平台能力和算力基础设施本身：实例管理、镜像系统、存储网络、容器调度、计费系统、训练环境、推理部署、稳定性、可观测性、资源利用率等等，这些才是云平台的底层壁垒。

但在现实中，公司更加重视的是线下销售变现：机器买来了，客户在哪里，订单在哪里，销售怎么卖出去，现金流怎么回来。

相比长期研发迭代平台能力，短期销售转化会更容易成为组织里的优先级。

传统汽配业务 AI 转型

这个场景非常典型。

表面上看起来是在做 AI，会涉及模型对齐、Agent 设计、RAG、提示词工程、评测体系、多轮对话、工具调用等等。

但真正进入业务语境后，我发现业务负责人更关心的往往不是 AI 原生产品工作，而是如何通过流程设计强化变现漏斗：如何让用户更快进入询价，如何让采购行为更容易发生，如何把 AI 嵌进既有业务链路里促进成交。

这些工作经历让我越来越清楚地意识到：

国内很多 AI 产品岗位，从描述上看起来是在做 AI 产品，但实际上是在传统业务商业化压力下，用 AI 作为营销、销售、转化和交付的增强工具。

八、股权升值与业务利润：两种商业化路径

所以如果把问题压缩到一句话，我会这么说：

美国 AI 公司烧钱，但买的是未来股权溢价；
中国 AI 公司烧钱，但不一定有足够成熟的退出机制承接股权溢价，所以必须更早回到业务利润和现金流。

这就是“股权升值”和“业务利润”的差异。

股权升值逻辑下，公司可以暂时不赚钱，因为投资人相信未来有人会以更高价格购买公司的一部分所有权。

业务利润逻辑下，公司必须尽快赚钱，因为如果没有利润、没有现金流、没有订单，企业就很难活下去。

AI 商业化的复杂性就在这里。

AI 既是技术革命，也是商业模式问题，更是金融系统问题。

如果没有足够成熟的金融退出机制，很多高风险、长周期、不确定的科技研发，就很难被持续支持。

如果没有全球市场空间和高估值承接能力，AI 公司就很难长期停留在“未来叙事”里，而必须尽早回到业务利润和现金流。