盈利还在涨，倍数却从 18 倍跌到 13 倍

如果盈利在涨、现金流在涨、毛利率在涨，那跌掉的是什么？

市值 ＝ 盈利 × 倍数。盈利这一项在往上，所以跌的全部来自倍数。

而倍数反映的不是已经发生的事，是市场对未来的不确定性打的折。

所以真正该问的是：市场在担心什么，才把倍数从 18 打到 13。

答案在下一节：担心的是 AI 投入会把利润吃掉多少，而这个问题在过去没有边界。

「这份财报没有交付任何一个定义投资逻辑的催化剂。 管理层在业绩会和会后回访中都拒绝给出量化的 AI 目标、ROI 框架或旗舰模型时间表。」

然后它接着说：「财报交付的是另一样东西，在我们看来更有价值—— 一套季度披露框架，把 AI 摊薄之争从叙事争论变成一条有边界的损益线。」

这句话值得停下来想一分钟。

大部分人期待的「利好」是：一个数字、一个目标、一个时间表。
而这里发生的是：公司什么都没承诺，只是换了一种记账和披露的方式。

为什么这反而更有价值？因为一个目标可以不兑现， 而一条被单独列出来、每季都要披露的费用线，是可以逐季核对的。

这就是整门课的主线。第 3 节会把这条线完整拆开。

前十门课里，主角的收入结构要么很单一（台积电只有代工、SK 海力士只有存储）， 要么方向相反（阿里一半加速一半承压）。

这一家的三个分部方向是一致的——都在增长， 广告和企业服务甚至同为 +20%。

所以这门课不需要分部加总，也不需要「剔除某一块看真实增速」。 它的问题不在收入结构，在成本里的一条线。

① 问这个「某某」是谁定义的。 会计准则定义的（比如非国际准则剔除股份支付）可比性强；公司自己定义的，可比性取决于它稳不稳定。

② 问剔除出去的那部分是不是真的花了钱。 这里的 88 亿元是真金白银的成本费用，不是会计调整——剔除只是为了看清结构，不是为了让数字好看。

③ 问这个口径能不能一直用下去。 如果某个「新 AI 产品」哪天开始赚大钱了，它还会留在这条线里吗？那时候这条线的含义就变了。

这三个动作在第 10 门课（阿里的 contra-revenue）也用过一次， 在本系列里这是第二次——它们都属于「先确认口径，再比较大小」这一族。

核心业务在变强（43.0% 创新高），同时公司主动把一部分利润拿去投 AI（38.5% 停止扩张）——这就是本课说的有边界的 AI 投入。

这不是矛盾，是一个决策的两面。

关键在于：这两个数字被同时披露出来了。

如果只有 38.5%，你无法判断利润率停滞是「核心业务在变弱」 还是「核心业务在变强但被投入抵消」——这两种情形的估值含义完全相反。

第一种是基本面恶化，倍数应该跌；
第二种是主动投入，倍数不该跌，甚至该给期权价值。

毛利率上升有两种来源，含义完全不同：

① 同一门生意变便宜了（成本下降）——这通常有天花板；
② 高毛利的生意占比变大了（结构改善）——这可以持续很久。

这里是第二种：自研游戏比代理游戏毛利率高（不用给别人分成）， 云和企业服务规模上来后单位成本下降。

汇丰因此判断毛利率改善会继续，理由正是这两条会继续走。

可复用的动作：看到毛利率提升，先分清是「成本降了」还是「结构变了」。 前者要问还能降多久，后者要问结构变化的趋势还在不在。

因为玩家充了 100 元买了一包点券，公司并没有立刻「赚到」这 100 元—— 它欠玩家 100 元的游戏服务。

所以这 100 元先记成负债（递延收入）， 等玩家真的把点券花掉、或者按预计的使用周期摊完，才一点点转成收入。

这不是游戏行业特有的花招——所有「先收钱后服务」的生意都这么记： 年费会员、机票、健身卡、云服务的预付套餐。

关键结论：收入这一行是滞后的、被平滑过的； 递延收入这一行是领先的、更接近当期真实的销售情况。

共同结构：一个看起来变差的数字，背后是一个会计口径的问题，而不是经营事实的变化。

但这一次和前三次有一个差别值得注意：

前三次是「口径本身的选择」（重分类、分母年份、冲减 vs 计费用）—— 是可以争论的；
这一次是「时间的错位」——春节是哪一天不由公司决定， 它是一个纯粹的日历问题，没有任何解释空间。

所以这一次的验证也最简单：下一个季度补回来了没有。 时间错位造成的差，一定会在下一期还回来；口径选择造成的差，不一定。

阿里的 AI 收入是一个新科目（MaaS ARR >80 亿元），可以单独拿出来说。

腾讯的 AI 收入没有单独科目——它藏在「营销服务 +20%」这个数字里。

这带来一个直接后果：腾讯的 AI 变现更难被叙述，也更难被投资者「看见」。

这就是第 1 节讲的那件事的一半原因—— 倍数从 18 打到 13，部分是因为它的 AI 收益被藏在既有科目里，讲不出一个独立的故事。

但 Bernstein 的判断正相反：它认为腾讯「通过广告和游戏持续交付实实在在的 AI 投资回报」—— 这恰恰是比模型排名更硬的证据。

传统投广告：广告主要自己选人群、定出价、写创意、看数据、反复调。

自动化投放：广告主只给目标（比如「一个新客户我最多出 50 元」）， 剩下的选人、出价、换素材全部由系统自动做。

「AIM+ 支撑约 30% 的广告主总投放额」的意思是： 现在每 100 元投在腾讯的广告费里，有约 30 元是通过这套自动化系统花出去的。

为什么这能提升收入：系统调得比人好、比人快， 同样的预算带来更多转化 → 广告主愿意加预算。

高盛把这称为「闭环能力的验证」—— 因为转化发生在微信生态内（小程序、小店、视频号），系统能直接看到结果， 而不是把用户送到站外之后就失去追踪。

这就是「AI 提效」最典型的形态：不新增收费项目， 但让同一批广告位卖得更贵。

MoE（Mixture of Experts，混合专家）的做法是：模型里有很多组「专家」， 但每处理一个 token 只激活其中一小部分。

所以这个模型「装了」2,950 亿参数，但每次只「用」210 亿—— 大约七分之一。

为什么要这么设计：知识容量看总参数，推理成本看激活参数。 MoE 让模型既能装很多知识，又不必为每个 token 付全额的算力。

这直接对应 API 定价——输入 1.0 元、输出 4.0 元每百万 token， 在国产模型里属于便宜的一档。摩根士丹利用的词是「务实、性价比高的路线」。

而缓存命中输入只要 0.25 元——四分之一价。 这条对 agent 类应用特别重要：agent 会反复带着同一段长上下文去问， 缓存命中率高，实际成本就远低于标价。

管理层的表态是：变现仍在早期，但会优先高价值使用场景，而不是追求 DAU 增长—— 因为可变推理成本很高。

这句话在本课里非常重要，它解释了两件事：

① 为什么元宝的 DAU 远不如千问（第 8 节会给数字）—— 不是打不过，是不打这个仗。

② 为什么微信 AI 助手用灰度试点而不是一次性全量（第 8 节）—— 因为 14 亿人同时用，推理成本是要按人头乘的。

管理层还点了一条自己的独有优势：小程序生态—— 它连接了数百万第三方商家，是腾讯在 agent 时代的排他性入口。

可复用的判断：当一家公司说「我们不追 DAU」时， 先问它是「打不过」还是「不划算」。这两者的报表含义完全不同—— 前者是竞争力问题，后者是单位经济学的选择。

第 6 节讲过：基准分数可能被刷分，公司自己都说「评估重心要转向真实使用场景」。

留存率是另一类证据—— 它衡量的是「用过的人还回不回来」。

而且这里给的是两档：

活跃用户留存 60%+——用过的人里有六成还在用；
付费用户留存 80%+——掏过钱的人里有八成继续掏钱。

第二个数字才是关键。免费用户留下来可能只是懒得卸载； 付费用户续费，说明它确实在替人省时间或省钱。

回到证据阶梯：基准分数是「实验室指标」，DAU 是「运营指标」， 付费留存是「实际行为」——最硬的一档。

「WorkBuddy 在白领与学生用户中获得了令人印象深刻的关注度。 第三方研究机构易观报告称，截至 2026 年 3 月，WorkBuddy 是中国最受欢迎的桌面 AI agent， 月访问量达 885 万。

但该调查同时指出，这是一个高度拥挤的赛道—— 主要 AI 平台，尤其是阿里巴巴和字节跳动，都推出了竞争性的桌面 agent。 鉴于中国线上消费者通常表现出低切换成本和较低的付费意愿， 未来几个月竞争可能仍然激烈。目前还没有任何一款桌面 agent 在企业用户中建立起明确的领先地位。」

这段话要和上面的 60%+/80%+ 放在一起读。

留存率高，说明产品对留下来的人有用；
赛道拥挤、切换成本低，说明「留下来的人」这个池子本身随时可能被别人抢走。

两件事都是真的，它们描述的是「现有用户的黏性」和「新增用户的争夺」两个不同的战场。

「支付这一步仍需用户自己完成」—— 这说明现在的 agent 还停在「帮你操作」，没有到「代你交易」。

为什么这一步最难：一旦 agent 能自己付钱，责任归属、风控、退款全部要重新设计。 它不是技术问题，是产品和合规问题。

「生成的小程序只有创建者自己可见，不能对外分享」—— 同样是一条克制的边界。

高盛指出：如果哪天允许分享，这个功能可能解锁微信生态里 AI 增强的用户生成内容。但现在没有。

这两条限制和第 6 节管理层那句「优先高价值场景而不是 DAU」是一致的： 这是一家在 AI 上刻意慢的公司，慢的原因是它的产品承载着 14 亿人的日常通信。

解释一（技术 / 产品）：微信的场景要求不一样。 日常对话、意图识别、功能调用这些任务，需要的是快和准，不是最强推理； 用一个小而专的模型，成本更低、延迟更短。而复杂推理再外调——这是合理的分工设计。

解释二（组织）：两个团队各做各的。 微信事业群历史上一直独立性很强，并行运行两套模型意味着重复的训练与人力投入。

目前的公开信息不足以判断是哪一种——两种可能都存在，也可能同时存在。

可验证的信号（写进第 17 节清单）： 如果未来小微改用 Hy，说明是组织问题且已经解决； 如果长期并行且各自迭代，说明是设计选择。

这是本课教的一个通用动作：遇到无法判断成因的现象， 不要选一个解释去相信，而是找出「哪个未来事件能区分这两种解释」。

原话（意译）：「关于增量收入，我们仍然认为长期收入上行将主要与现有的在线广告市场规模挂钩 （尤其是围绕交易的部分），因为微信 AI agent 会更充分地进入本地生活、发现和购物场景。」

这句话要读两遍。

第一遍：它没有说微信 AI 助手会开辟一个新的收费市场。 它说的是——AI 助手会让微信在已有的广告市场里拿到更多份额。

第二遍：那么这条线的天花板就是「在线广告市场的规模」， 而不是「AI 服务市场的规模」。

这就把本课第 5 节那条分岔说到底了： 腾讯的 AI 路线是「把已有的生意做得更好」——好处是确定性高、见效快， 代价是天花板由已有市场决定。

对照第 10 门课（阿里）：MaaS 是一个新市场， 天花板未知；但也正因为未知，它需要更长时间被验证。