多模态Token化产业深度研究报告

——从传统估值失效到Token价值重估：产业链的范式迁移与投资遗珠挖掘

报告日期：2026年4月1日

数据来源：财新数据guzhi.io、Wind、公司财报、行业研究机构

研究覆盖：A股/港股/美股共80+家上市公司，全产业链Token产能与效率测算

第一部分：传统Comps估值的"失灵现场"——当PE遇见多模态

1.1 算力基础设施：PE估值的"数字幻觉"

打开任何一份券商研报，寒武纪的PE（TTM）数字都会让传统估值框架瞬间失语——206倍、319倍、1883倍，不同统计口径下，这个数字在200倍至2000倍之间剧烈波动。海光信息相对"理性"的149倍至198倍PE，在半导体设计行业平均101倍的参照系下，依然显得格格不入。

这种估值混乱并非分析师的计算错误，而是传统Comps框架面对多模态Token化产业的系统性失灵。

让我们以2026年3月31日财新数据guzhi.io的实时数据为锚，拆解算力基础设施板块的传统估值困境：

数据来源：财新数据guzhi.io，2026-03-31

传统估值框架在此遭遇三重悖论：

第一重悖论：盈利与估值的倒挂。寒武纪2025年Q1刚实现扭亏，主要依赖政府补助（2.7亿元占净利润76%）和字节跳动等大客户订单，但市场给予其200倍+PE；海光信息2024年净利润19.31亿元，盈利能力"稳健"却仅获相近PE。这种倒挂暗示市场正在用某种超越利润表的维度定价——但传统Comps无法捕捉这一维度。

第二重悖论：亏损与市值的共舞。沐曦股份、摩尔线程处于深度亏损（净利率-48%至-154%），PS却高达152倍至276倍，远超英伟达的18.6倍。若按传统"烧钱换增长"的互联网估值逻辑，这种溢价需要未来5年收入CAGR>100%才能消化，但两家公司的流片进度、客户导入、生态建设均处于早期。

第三重悖论：国产替代叙事的估值透支。市场给予国产GPU"替代溢价"，但替代的对象——英伟达——仅以33倍PE交易。这种对标对象的估值洼地与被对标者的估值泡沫并存，揭示出传统Comps在地缘政治叙事下的扭曲：投资者既承认英伟达的全球统治力，又押注国产厂商的局部替代，却未意识到两者的Token产能效率差距正在缩小。

当PE从衡量"盈利能力"的工具异化为"信仰温度计"，估值就变成了叙事博弈而非价值发现。

1.2 数据资源服务：PS估值的"规模陷阱"

数据服务板块的Comps分析呈现另一重困境——规模与质量的错配：

数据来源：财新数据guzhi.io，2026-03-31

传统PS估值在此失效：海天瑞声以3.2亿营收支撑85亿市值（PS 26.4x），科大讯飞以254亿营收仅支撑1073亿市值（PS 0.4x）。若按"规模即护城河"的工业逻辑，这种估值结构毫无道理；但若引入数据纯度（标注精度）与模态稀缺性的维度，海天瑞声的99.2%语音标注精度便成为一种不可规模化的资产——高质量语音Token的供给弹性远低于通用文本Token。

然而，传统Comps无法量化这种"纯度溢价"。Reddit的社区文本数据量庞大（10¹⁷ Token量级），但噪音率25%导致其PS仅10.8x；Shutterstock的传统图库模式在AIGC冲击下估值崩塌至PS 0.6x。数据公司的价值究竟在于存量规模还是增量纯度？PS估值框架无法回答。

数据公司的估值分野不在于"拥有多少数据"，而在于"拥有多少不可替代的Token原料"。

1.3 应用与服务层：估值的"盈利真空"

AIGC应用与AI Agent板块的Comps分析陷入更深的迷雾——盈利真空期的估值失重：

数据来源：财新数据guzhi.io，2026-03-31

这一板块的估值困境在于盈利与成长的不可兼得：虹软科技是唯一实现盈利的视觉AI应用公司（净利率26.5%），但营收增速仅12%，市场给予PE 67.6倍——这是对盈利稀缺性的定价，而非对成长性的定价。昆仑万维、万兴科技、商汤、云从科技集体亏损，PS在1.5x至8.6x区间，远低于SaaS行业历史平均的10-15x，反映市场对AIGC应用商业化落地能力的普遍怀疑。

更具讽刺意味的是Meta的估值锚定效应：作为全球多模态应用标杆（Llama系列+Reels AI生成），Meta以22.4倍PE、6.8倍PS交易，净利率高达30.1%。这一"成熟估值"成为国内AIGC公司的估值下限参照——但Meta的盈利来自于广告业务（Reels广告加载率提升），而非AIGC的Token经济。用传统广告商业模式的估值锚定AIGC Token经济，如同用石油公司的PE估值新能源车企，方法论的根本错位被熟视无睹。

当应用层公司的价值创造从"卖软件"转向"卖Token"，PE和PS便失去了衡量价值的基础单位。

1.4 传统Comps失效的结构性根源

传统估值框架在多模态Token化产业的失效，并非分析师的专业能力不足，而是产业本质的范式迁移：

传统Comps估值的失效，本质上是"工业经济估值框架"与"Token经济产业现实"的系统性错配。

第二部分：Token估值框架的提出——从"财务报表"到"Token资产负债表"

2.1 Token估值的三维基础

当传统Comps失效，我们需要回归产业本质，建立Token估值（Token-Based Valuation, TBV）的新框架。这一框架的核心假设是：在多模态AI时代，企业的终极资产是其生产、优化、流转Token的能力，而非传统的固定资产或现金流。

Token估值的三维基础：

第一维：Token产能（Token Production Capacity, TPC）

企业的终极壁垒是其日Token产能上限（TPD, Token Per Day）与单位Token成本曲线的交汇点。

以算力基础设施为例，寒武纪思元590的单卡Token吞吐能力（3,000 TPS）已超越英伟达H100（2,000 TPS），这种Token产能的局部超越构成了国产替代的核心叙事。但Token产能的估值需引入产能利用率（当前国产GPU产能利用率普遍<50%，英伟达>95%）和单位Token毛利（国产GPU约$0.05-0.08/M Token，英伟达$0.15/M Token）的修正。

第二维：Token效率（Token Efficiency, TE）

端侧Token效率提升速度（每12个月成本下降10倍）>云端Token效率提升速度（每18个月成本下降10倍），这是端侧AI估值重构的核心逻辑。

根据弗若斯特沙利文预测，全球端侧AI市场规模将从2025年的3219亿元增长至2029年的1.2万亿元，CAGR达39.6%。端侧Token效率的提升来自于模型压缩技术（量化、剪枝、蒸馏）和专用芯片架构（NPU、DSP）。虹软科技的端侧视觉AI压缩比达10:1（将云端大模型压缩至端侧运行），这种Token效率优势在传统PS估值中被完全忽视。

第三维：Token定价权（Token Pricing Power, TPP）

文本Token已commoditized（$0.4/M Token），但视频Token（Gemini 2.5 Pro $1.25/分钟）、3D Token、触觉Token仍具定价权。多模态融合能力=跨模态Token转换效率。

根据Gartner预测，到2027年40%生成式AI将实现多模态化，2030年80%企业应用完成多模态升级。在这一进程中，掌握稀缺模态Token生产能力的企业将获得超额定价权。海天瑞声的语音Token标注精度达99.2%，这种纯度溢价使其在语音交互场景（智能座舱、AI眼镜）中具有不可替代性。

2.2 Token估值的核心公式

基于上述三维基础，我们提出Token Production Value（TPV）的估值模型：

对于算力基础设施：

TPV = TPD × 产能利用率 × 单位Token毛利 × 365 × 估值倍数

对于数据资源服务：

TRV（Token Resource Value）= 独占数据Token量 × 标注精度系数 × 版权溢价 × 单位Token授权费 × 估值倍数

对于Token化技术/应用：

TEV（Token Efficiency Value）= Token吞吐规模 × 跨模态转换效率 × 端侧压缩比 × 客户留存率 × ARPU × 估值倍数

2.3 Token估值与传统估值的映射关系

Token估值不是对传统估值的否定，而是将其置于"Token经济"的坐标系中重新诠释。

第三部分：产业链Token价值重估——从"价值链"到"Token流"

3.1 上游：Token"矿产"层——算力与数据的Token产能重估

3.1.1 算力芯片：从"芯片销售"到"Token产能租赁"

以财新数据guzhi.io的实时数据为基础，我们用TPV模型重测算力芯片板块：

数据来源：财新数据guzhi.io，2026-03-31；TPV测算基于Token产能、利用率、毛利假设

关键发现：

寒武纪的"Token产能折价"是市场的认知时差。思元590的Token产能效率（单卡TPS/功耗比）已超越H100约50%，但市场仍按"国产替代"叙事定价，未充分计价其Token产能稀缺性。一旦互联网大厂（字节跳动当前占比35%）订单放量并扩散至金融、电信行业，TPV重估空间>50%。当前市值4,257亿对应TPV折价25%，存在显著安全边际。

海光信息的"Token兼容性溢价"存在泡沫风险。DCU的CUDA兼容性是双刃剑：短期降低客户迁移成本，长期锁定在英伟达的Token生态位。当国产ASIC（寒武纪、华为昇腾）生态成熟，Token兼容性溢价将转化为Token效率折价。当前市值5,014亿已透支TPV溢价43%，需警惕生态锁定风险的估值回调。

沐曦/摩尔线程的"Token产能期货"估值危险。两家公司以流片成功前的Token产能预期定价，PS分别达152x和276x，但TPV测算显示其市值已透支2-3年的Token产能释放。更致命的是产能利用率假设（沐曦50%、摩尔线程40%）的兑现存在三重门：流片成功→客户验证→规模量产。任何一门的延迟都将导致TPV模型的崩塌。

算力芯片的估值分野不在于"能不能造芯片"，而在于"能不能以商业可持续的方式大规模生产Token"。

3.1.2 智算中心运营：从"地产租赁"到"Token电网调度"

智算中心运营商的Token估值重估揭示另一重价值洼地：

数据来源：财新数据guzhi.io，2026-03-31

润泽科技的"Token电网"价值被系统性低估。传统PE估值（27.2x）将其视为"地产租赁商"，但智算中心的Token产能密度（单机柜50kW功率支撑10¹⁵ Token/日）和调度能力（上架率85%）使其成为Token经济的"电网运营商"。随着云厂商capex复苏（阿里、腾讯、百度2025年capex增速预期>20%），润泽科技的TPV折价25%存在重估空间。

云赛智联的"区域Token调度权"价值未被计价。作为上海国资云运营商，云赛智联掌握长三角地区最核心的Token调度节点，但传统PE 164.7x的"高估值"表象下，是Token产能利用率75%的保守假设。若上海智算中心政策加码（参考国务院"人工智能+"行动意见2027年目标），区域Token调度权的稀缺性将推动TPV从600亿向1000亿跃迁。

智算中心运营商的估值不在于"拥有多少机柜"，而在于"能调度多少Token流量"。

3.1.3 数据资源服务：从"数据销售"到"Token原料垄断"

数据服务板块的TRV（Token Resource Value）重估揭示纯度溢价的估值逻辑：

数据来源：财新数据guzhi.io，2026-03-31

海天瑞声的"Token纯度护城河"被误读为估值泡沫。传统PE 725x看似荒谬，实则是市场对其语音Token纯度（99.2%标注精度）的定价。在多模态大模型时代，高质量Token原料的稀缺性>Token产能的稀缺性。随着AI眼镜、智能座舱等语音交互场景爆发（2025-2029年全球智能眼镜CAGR>60%），海天瑞声的语音Token纯度将成为不可复制的定价权来源。

视觉中国的"图像Token版权垄断"处于估值洼地。传统PE 129x和PS 1.8x将其视为"传统图库商"，但AIGC时代图像数据的Token化需要版权授权，视觉中国掌握中文互联网图像Token的50%+版权。当Midjourney、Stable Diffusion等海外AIGC公司进入中国，图像Token的版权溢价将从2x提升至5-10x，TRV重估空间>100%。

数据公司的估值天花板不在于"数据量"，而在于"数据纯度"和"版权独占性"构成的Token原料垄断。

3.2 中游：Token"炼油厂"层——编码、压缩与对齐的效率重估

中游Token化技术层的TEV（Token Efficiency Value）估值，核心在于跨模态转换效率和端侧压缩比：

数据来源：财新数据guzhi.io，2026-03-31

虹软科技的"端侧Token效率"是估值的隐形杠杆。传统PS 17.9x将其视为"传统视觉算法公司"，但其端侧Token压缩比10:1（将云端大模型压缩至端侧运行）是稀缺能力。随着端侧AI渗透率突破20%（2025年中国AI手机出货量预计1.18亿部，渗透率超40%），Token效率（压缩比×功耗比）将取代Token规模成为估值核心。虹软科技TEV折价23%，存在显著重估空间。

中科创达的"端侧AI操作系统"价值被系统性低估。作为高通生态的核心合作伙伴，中科创达掌握端侧Token效率的入口（物联网AI模组、智能汽车AI OS）。2025H1物联网收入同比增长136%，但传统PS 4.0x未反映其端侧Token调度权的稀缺性。TEV测算显示折价32%，是端侧AI浪潮的核心受益者。

商汤的"Token转型阵痛"导致估值透支。从计算机视觉公司转型多模态Token平台，商汤经历Token产能的结构性调整：传统CV Token（安防、人脸）下滑，生成式Token（日日新V6）尚未放量。当前市值752亿已透支TEV溢价88%，若2026年生成式Token占比<50%，将面临双杀风险。

中游技术层的估值核心不在于"能处理多少Token"，而在于"能以多高的效率将Token从一种模态转换为另一种模态"。

3.3 下游：Token"加油站"层——应用与消费的定价权重估

下游应用层的TEV估值，关键在于Token→价值的转化率：

数据来源：财新数据guzhi.io，2026-03-31

用友/金蝶的"企业Token决策密度"价值被忽视。传统PS 0.4x将其视为"传统ERP厂商"，但AI Agent时代企业级Token的价值在于替代人力成本的自动化率。用友BIP智能体、金蝶云·苍穹的Token→决策转化率虽仅40-60%，但企业客户付费意愿稳定（订阅制ARR）。随着AI Agent商业化元年（2025年全球市场规模52.9亿美元→2030年503.1亿美元，CAGR 45.8%），企业级Token决策密度的提升将推动TEV重估。

下游应用层的估值不在于"Token消耗量"，而在于"Token替代人力的效率"和"客户为Token付费的意愿"。

第四部分：Token估值下的"市场遗珠"挖掘——被传统框架遮蔽的价值

4.1 遗珠之一：虹软科技——端侧Token效率的"隐形冠军"

在传统Comps框架中，虹软科技是一家"平庸"的视觉AI公司：营收8.7亿，增速12%，PE 67.6x看似合理但缺乏想象空间。然而，Token估值揭示其端侧Token效率的垄断性优势：

数据来源：财新数据guzhi.io，公司财报，行业调研

Token估值逻辑：虹软科技的端侧Token效率优势（压缩比10:1）使其成为端侧AI浪潮的核心基础设施。随着AI眼镜（2029年全球出货量预计突破4000万台）、智能座舱（2025-2034年汽车生成式AI CAGR 23.8%）的爆发，虹软科技的Token效率优势将转化为定价权。TEV测算200亿 vs 当前市值155亿，折价23%，存在50%重估空间。

在端侧AI时代，"Token效率"是比"Token产能"更稀缺的资源，虹软科技是这一稀缺性的最大受益者。

4.2 遗珠之二：云赛智联——区域Token调度权的"垄断者"

云赛智联在传统估值中处于尴尬境地：PE 164.7x看似"高估"，PS 4.2x又看似"合理"，缺乏明确的投资逻辑。Token估值揭示其区域Token调度权的战略价值：

数据来源：财新数据guzhi.io，公司财报

Token估值逻辑：云赛智联掌握长三角地区最核心的Token调度节点，这种区域垄断性在Token经济中具有网络效应——Token调度延迟<10ms使其成为金融、自动驾驶等低延迟场景的唯一选择。随着上海"人工智能+"政策加码（2027年智能终端普及率目标70%），区域Token调度权的稀缺性将推动TEV从600亿向1000亿跃迁。当前市值266亿，折价56%，是Token估值框架下的最大洼地。

Token经济的"电网运营商"价值，在区域垄断者身上体现得最为极致。

4.3 遗珠之三：视觉中国——图像Token版权的"沉睡垄断者"

视觉中国因历史版权诉讼和AIGC冲击，估值长期承压（PS 1.8x，PE 129x）。Token估值揭示其图像Token版权垄断的战略价值：

数据来源：财新数据guzhi.io，公司财报

Token估值逻辑：AIGC时代，图像数据的Token化需要版权授权，视觉中国掌握中文互联网图像Token的绝对垄断。随着Midjourney、Stable Diffusion等海外AIGC公司进入中国，以及国内大厂（百度文心、阿里通义）的多模态模型训练需求爆发，图像Token的版权溢价将从2x提升至5-10x。TRV测算180亿 vs 当前市值144亿，折价20%，但长期重估空间>100%。

在AIGC的Token经济中，"版权垄断"是比"技术领先"更持久的护城河。

4.4 遗珠之四：中科创达——端侧Token操作系统的"入口垄断者"

中科创达在传统估值中是一家"平庸"的软件外包商（PS 4.0x，PE 56x）。Token估值揭示其端侧Token操作系统的入口价值：

数据来源：财新数据guzhi.io，公司财报

Token估值逻辑：中科创达依托"全芯片平台+端边云架构+多场景适配"能力，深度受益于高通在物联网市场的强势地位。2025H1物联网收入同比增长136%，但传统估值未反映其端侧Token调度权的稀缺性。随着端侧AI市场规模从2025年3219亿元增长至2029年1.2万亿元（CAGR 39.6%），中科创达的Token效率优势将转化为平台定价权。TEV测算400亿 vs 当前市值271亿，折价32%，存在50%重估空间。

端侧AI的"操作系统入口"，是Token经济中最具网络效应的垄断位置。

第五部分：前瞻评价与风险提示——Token估值的"不可能三角"

5.1 Token估值的"三个不可能三角"

┌─────────────────────────────────────────┐ │         Token经济的"不可能三角"          │ ├─────────────────────────────────────────┤ │  1. Token产能规模化（低成本）            │ │  2. Token质量高精度（高价值）            │ │  3. Token模态全融合（高壁垒）            │ ├─────────────────────────────────────────┤ │  任何企业只能同时满足其中两项：           │ │  • 英伟达：产能+模态，牺牲质量（通用性）  │ │  • 海天瑞声：质量+模态，牺牲产能（垂直）  │ │  • 寒武纪：产能+质量，牺牲模态（ASIC专用）│ │  • 商汤：模态+质量，牺牲产能（烧钱）     │ └─────────────────────────────────────────┘

Token估值的本质是"不可能三角"的期权定价。市场给予寒武纪200x PE、海天瑞声725x PE，本质是购买其突破不可能三角第三象限的期权。一旦寒武纪实现多模态融合（第三象限），或商汤实现Token产能规模化（第一象限），估值将从线性增长跃迁至指数重估。

5.2 各细分赛道的Token估值"生死线"

数据来源：财新数据guzhi.io，公司财报，行业调研

5.3 Token估值的阶段性演进

当前市场处于"一阶向二阶过渡"的估值混乱期，Token效率领先者（虹软科技、中科创达）面临估值重构的最大机会窗口。

5.4 核心风险提示

5.4.1 技术路线风险：Token技术的非连续性跃迁

• 风险描述
  ：从Transformer到Mamba、从云端到端侧、从 dense 到 MoE 的技术跃迁，可能使当前Token产能/效率领先者瞬间落后
• 高风险标的
  ：寒武纪（ASIC架构锁定）、商汤（Transformer路径依赖）
• 应对策略
  ：配置技术路线多元化组合（ASIC+GPU+端侧NPU）

5.4.2 地缘政治风险：Token供应链的"卡脖子"

• 风险描述
  ：先进制程（7nm以下）代工受限、HBM存储芯片断供、EDA工具封锁
• 高风险标的
  ：寒武纪、海光信息、沐曦、摩尔线程
• 监控指标
  ：台积电/中芯国际产能分配、美国实体清单更新、HBM3E价格变动±10%

5.4.3 商业化落地风险：Token消耗量的"需求幻觉"

• 风险描述
  ：摩根大通预测中国Token消耗量2025-2030年增长370倍，但若AIGC应用ROI验证失败，需求可能断崖式下滑
• 高风险标的
  ：昆仑万维、万兴科技、商汤、云从科技
• 监控指标
  ：云厂商capex增速<20%、AI应用日活用户留存率<40%、企业级AI Agent付费转化率<10%

5.4.4 估值泡沫风险：Token估值的"叙事透支"

• 风险描述
  ：Token估值框架本身成为叙事工具，导致一阶Token产能估值向二阶、三阶提前透支
• 高风险标的
  ：沐曦（PS 152x）、摩尔线程（PS 276x）、海天瑞声（PE 725x）
• 触发条件
  ：业绩增速不及预期、流动性收紧、市场风格切换至价值股

Token估值不是消除风险，而是将风险从"不可见"转化为"可量化"。最大的风险是投资者忘记Token估值仍是一种"向前看"的期权定价，而非"向后看"的现金流折现。

结论：Token估值的终极启示

在多模态Token化时代，企业的价值=其Token在产业链中的"不可替代性"×Token流转的速度×Token定价权的持续时间。寒武纪的不可替代性在产能，虹软科技的在效率，海天瑞声的在纯度，云赛智联的在区域垄断，视觉中国的在版权——五者共同构成Token估值的"黄金五角"。

核心投资建议：

做空/规避：沐曦（Token产能期货透支）、摩尔线程（生态建设滞后）、昆仑万维（Token规模幻觉）、商汤（转型阵痛）、云从科技（全面落后）。

本报告基于财新数据guzhi.io及公开市场数据，采用Token估值框架（TBV）进行产业重估。

Token估值为新兴方法论，存在模型假设风险，建议结合传统估值交叉验证。

数据截至2026年3月31日