人工智能估值应以分层框架与情景分析为核心，结合现金流折现与倍数法交叉校准，通过拆解收入驱动（席位、请求、Token）与成本结构（算力、数据、交付），衡量数据与模型等无形资产以及合规风险，将技术优势转化为单位经济与可见现金流。中后期企业用DCF与EV/S、EV/GP等方法，并以增长质量、毛利、Rule of 40和净留存校准区间；早期聚焦产品市场匹配与生态位。国内外估值差异源于监管与资本偏好，应以同类对比和敏感性分析形成稳健的估值带宽。