当 OpenAI 前员工开始劝人套现

一位刚从 OpenAI 离职的员工，凌晨五点不睡觉，上网喊话老同事：能套现就赶紧套现，别等 IPO 了。

Andrew Ho 在 2025 年底加入 OpenAI 技术团队，工作了大约八个月。2026 年 7 月 29 日离职当天，他做的第一件事是连夜发文。他自己账上压着大约 70 万美元的 OpenAI 股权——对于一个只待了八个月的研究员来说，这从侧面反映出当前 AI 行业员工股权价值的膨胀程度。

但他劝人套现，不是因为他看不上这笔钱。恰恰相反。他的原话是："翻倍不太可能，可一旦市场回归理性，腰斩倒是很有可能。"

他的逻辑很简单。私募市场讲故事——投资人愿意为遥远的 AGI 梦想买单，容忍企业常年亏损，全靠乐观预期推高估值。但一旦上市，二级市场只认现金流、利润和真实增长，没有多余耐心为虚无的远期叙事买单。更何况，即使公司顺利 IPO，员工手里的股票还要经历几个月锁定期。等锁定期结束，大量员工集中卖出，市场往往还会面临一轮新的抛压。

所以他的建议直白到残酷：能参加要约收购的，先把钱拿到手。

---

劝人套现只是表面。Andrew Ho 真正看衰的，是整个头部大模型赛道的估值逻辑。他算了一笔账：假设一家 AI 实验室未来能够长期保持 80% 的毛利率，同时资本市场愿意给予 20 倍市盈率，那么要支撑 1 万亿美元的市值，公司每年需要创造 1000 亿至 2000 亿美元左右的收入。

问题在于，AI 实验室根本不是一家只负责提供推理服务的软件公司。为了保持领先，它们必须不停砸钱训练下一代模型。而且这笔投入几乎没有暂停键——今天是 OpenAI 领先，明天可能就是 Anthropic。在另一侧，成本越来越低的开源模型也在不断压低整个市场的 API 价格。这就是 AI 圈逃不掉的红皇后竞赛：拼尽全力砸算力、堆数据、扩团队来迭代模型，不是为了甩开对手，只是勉强守住自己的市场份额。

模型变强确实能拉高收入，但下一代模型的训练成本涨得更快。收入存在不确定性，支出却越来越确定。这也解释了为什么 AI 实验室估值越来越高，却依然需要不断融资、不断烧钱。

---

Andrew Ho 的逻辑是自洽的。但更令人不安的，是已经摆在桌面上的硬数据。

截至 2026 年中，全球头部云厂商合计已投入超过 1 万亿美元的 AI 相关资本开支。五家科技巨头累计投入约 5600 亿美元，但产生的可量化 AI 收入仅有 350 亿美元。投入产出比高达 16:1。 微软 AI 业务投资回报率为 -9%，谷歌为 -15%，Meta 低至 -28%。换算下来，每投入 1 美元，换回来的只有 6 美分。

红杉资本合伙人 David Cahn 在 2026 年 7 月更新的测算中指出，2026 年 AI 基础设施支出将达到 1.5 万亿美元，而要让这些投资回本，行业需要产生 3 万亿美元的年收入——当前实际收入远不及此。他同时指出这个估算可能偏低，因为内存成本上升和专用推理芯片的增加正在推高每单位资本开支所需的收入门槛。

即便是赛道最耀眼的明星，也未能逃脱增收不增利的困局。2026 年 6 月，《金融时报》独立核实的审计文件首次完整披露了 OpenAI 的财务状况：2025 年营收 130.7 亿美元，总成本与费用 340 亿美元，运营亏损 209.2 亿美元。净亏损高达 385.3 亿美元——其中包含 415.5 亿美元与非营利转营利架构相关的非现金会计费用，基础现金消耗约 80 亿美元。仅支付给微软的算力费用就达 172 亿美元，而微软付给 OpenAI 的钱仅为 3.03 亿美元。预计 2026 年全年烧钱 250 亿美元，2027 年将增至 570 亿美元。

表现相对亮眼的 Anthropic，年化收入从 2025 年底的 90 亿美元飙升至 2026 年中的超 400 亿美元，十四个月增长逾四倍。但当它以 9650 亿美元估值完成 650 亿美元 H 轮融资时，市场对其收入/估值比的质疑从未停止。

Gartner 在 2026 年技术成熟度曲线中，将生成式 AI 正式定位在"幻灭低谷期"。其预测显示，2026 年全球 AI 总支出将达 2.52 万亿美元，较上年增长 44%。但 MIT 研究数据表明，95% 的企业生成式 AI 试点项目未能交付可衡量的商业价值。Gartner 同时预测，到 2028 年至少 50% 的 GenAI 项目将因架构选择和运营经验不足而预算超支。

一边是 2.52 万亿美元的史上最大 AI 投资潮，一边是 95% 的试点失败率和"幻灭"的定性——这个反差，构成了当下 AI 行业最深刻的悖论。

---

既然数据如此刺眼，为什么投资人还愿意给出如此高的估值？

因为他们赌的是一个更根本的假设：随着模型规模不断扩大，未来某一天可能会出现能力跃迁——AI 能够自主完成绝大多数知识工作，甚至自己经营企业、管理智能体团队，从而创造远超今天软件行业的商业价值。

Andrew Ho 的判断是：这个假设未必会像市场预期那样顺利兑现。模型能力目前仍然主要提升在那些容易验证结果的任务上——数学证明对不对、代码能不能跑通。而大量现实世界中难以验证的复杂任务，进展依然缓慢。就算这种爆炸式增长真的会来，时间线也是几十年起步。

不看好前沿实验室的估值，并不意味着他不看好 AI。恰恰相反，他认为 AI 仍会继续发展，只是下一阶段竞争的焦点会发生变化。随着 Scaling 带来的收益逐渐放缓，真正稀缺的资源将不再只是算力，而是能够持续提升模型能力的高质量训练数据。他预测，未来几年前沿实验室可能会投入超过 1000 亿美元采购数据资源。也正因此，他离开 OpenAI 后选择创业，专门为前沿实验室提供强化学习数据集。

---

Andrew Ho 的判断是否正确，时间会给出答案。但他提出的问题——当前 AI 行业的估值逻辑建立在极其乐观的预期之上，如果市场开始重新定价，会发生什么？——值得每一个持有 AI 股权的人认真思考。

而 16:1 的投入产出比、385 亿美元的净亏损、Gartner 的"幻灭低谷期"定性——这些数字叠加在一起，指向的已经不只是估值泡沫的问题。它们指向一个更根本的结构性缺陷：AI 行业正在大量生产能力，却大量缺乏验证能力。

模型可以解数学题、写代码、生成文本。但这些输出的可靠性如何被独立审计？当模型犯了一个理解层错误——误解了题意、绑错了验证条件——目前没有任何机制能系统性地发现它。正如红杉资本的测算所示，要让 1.5 万亿美元的基础设施投资回本，行业需要 3 万亿美元的年收入。而在教育、金融、医疗这些真正能产生万亿级收入的市场中，AI 被大规模采纳的最大障碍不是能力不足，而是不可审计。一个无法被独立验证的 AI 系统，即使能力再强，也不可能进入高风险的合规场景。

95% 的企业 AI 试点未能交付商业价值——这个数字的背后，不全是技术不成熟。至少有一部分，是因为企业无法判断 AI 的输出是否可以信任，因此不敢部署。

Andrew Ho 的离职和创业方向——为前沿实验室提供高质量训练数据——本身也指向同一个判断：AI 的价值创造，正在从"谁有更大的模型"转向"谁能让模型变得可靠"。

而可靠的基础，不是更强的推理，而是可审计的理解。当模型做出一个影响人类生活的决策时，它必须先把"我理解了什么"写下来，以人类可读的方式签字画押。

这不是泡沫破裂之后的退路。这是泡沫破裂之前应该建立的底线。