4、收入预测与增长模型：AI芯片收入驱动因素分析、TAM/SAM/SOM市场测算、收入增长率假设的合理性检验、多情景收入预测模型

收入预测这事儿，说难也难，说简单也简单。

我做了十几年芯片估值，见过太多人把预测做成「拍脑袋」。你想想看，一个AI芯片公司，凭什么说它明年能翻三倍？凭创始人嘴皮子？还是凭PPT上的曲线？

嗯，咱们得把这事拆开来看。收入预测不是玄学，是工程。

4.1 AI芯片收入驱动因素分析

先搞清楚一件事：AI芯片的收入到底从哪来？

我个人习惯把驱动因素分成三层：

• 底层驱动力：算力需求增长。说白了，大模型训练一次烧掉几万张卡，这需求是实打实的。我去年跟一家数据中心聊过，他们采购AI芯片的预算翻了四倍——不是吹牛，是真缺算力。
• 中层驱动力：产品竞争力。包括性能（TOPS、能效比）、生态兼容性（CUDA兼容？PyTorch适配？）、客户迁移成本。你芯片再牛，客户换平台要花半年，这收入就起不来。
• 顶层驱动力：供应链与产能。台积电的CoWoS封装产能，今年排到明年去了。拿不到产能，订单再多也是白搭。

我曾经犯过一个错：只看需求，没看产能。当时一家AI芯片公司订单爆满，我按订单量预测收入，结果产能跟不上，交付延迟了三个季度。嗯，从那以后，我每次预测都会先问一句：「产能锁定了吗？」

4.2 TAM/SAM/SOM市场测算

市场测算这事，很多人喜欢往大了吹。TAM（总可寻址市场）动不动就千亿美金，但落到自己碗里能有多少？

我建议这样拆：

层级	定义	AI芯片案例（2025年估算）
TAM	所有可能用AI芯片的市场	数据中心+边缘+汽车+IoT ≈ 1200亿美元
SAM	公司产品能覆盖的市场	假设只做数据中心推理芯片 ≈ 300亿美元
SOM	实际能拿下的份额	按技术差距、客户关系估算 ≈ 15-30亿美元

这里有个坑：很多人把TAM当SOM算。你想想看，一家初创公司，说「我们面对千亿市场」，但实际能拿到的可能不到1%。

4.3 收入增长率假设的合理性检验

增长率假设，是估值模型里最容易被「美化」的地方。

我见过一个案例：某AI芯片公司预测未来三年收入增长率分别为200%、150%、100%。听起来很性感对吧？但你算一下，第三年收入是第一年的12.5倍。这合理吗？

我个人习惯做三件事来检验：

• 行业对标：找同阶段公司对比。NVIDIA在2016-2018年AI爆发期，增长率也就80%-120%。你一个新玩家，凭什么比龙头还猛？
• 产能约束检验：按晶圆产能倒推。一片12寸晶圆能切多少颗芯片？良率多少？封装产能够吗？算出来上限，增长率自然就压下来了。
• 客户渗透率检验：假设你目标客户有100家，第一年拿下5家，第二年15家，第三年40家。这渗透率曲线是否符合行业规律？

4.4 多情景收入预测模型

单点预测是算命，多情景预测才是工程。

我一般建三个情景：

• 基准情景：按现有订单+合理Pipeline转化率。假设产能按计划爬坡，客户验证周期正常。
• 乐观情景：假设大客户提前放量，产能超预期释放，竞争对手掉链子。这个情景概率通常给20%-30%。
• 悲观情景：假设产能延期，客户验证出问题，或者需求放缓。这个情景概率给20%左右。

具体怎么算？我举个简化例子：

# 多情景收入预测（简化版）
base_revenue = [100, 250, 500]  # 单位：百万美元
optimistic_revenue = [100, 350, 800]
pessimistic_revenue = [80, 150, 250]

# 加权期望
weights = [0.5, 0.3, 0.2]  # 基准、乐观、悲观
expected_revenue = [
    sum([base_revenue[i]*0.5, optimistic_revenue[i]*0.3, pessimistic_revenue[i]*0.2])
    for i in range(3)
]
print(expected_revenue)
# 输出: [94.0, 230.0, 510.0]

你看，加权之后，第三年收入从500万变成了510万？不对，这里乐观情景拉高了期望值。但更重要的是，你要看三个情景的差距有多大——差距越大，风险越高。

最后说一句：收入预测不是越复杂越好。我见过有人用蒙特卡洛模拟跑一万次，结果输入参数全是拍脑袋的——那叫「精确的错误」。

我个人习惯是：先把简单模型跑通，再逐步加复杂度。核心是搞清楚「什么情况下收入会超预期，什么情况下会低于预期」。这才是多情景预测的真正价值。