如何做基本面分析？從「龍蝦」熱潮看智譜與MiniMax的崛起

基本面分析（Fundamental Analysis）是價值研究的核心方法，傳統做法通常包括：

閱讀財報：關注收入、毛利率、淨利、研發支出、現金流等指標。
行業研究：分析市場規模、成長率、競爭格局。
定性評估：產品力、用戶黏性、護城河（如技術壁壘、數據優勢）。

但在快速變化的 AI 產業裡，僅靠財報數字往往滯後。如果研究對象本身還處於高投入、高迭代期，報表固然重要，卻未必能即時反映需求拐點究竟出現在什麼地方。

「龍蝦」是什麼？為什麼它讓 Token 消耗「爆炸」？

「龍蝦」指的是開源 AI 智能體框架 OpenClaw（因圖標是一隻紅色龍蝦而得名）。它不同於傳統聊天 AI（如 ChatGPT），而是更接近「主動式 AI 員工」：能 24 小時自動運行、規劃多步任務、調用工具、操作電腦或手機，甚至幫用戶寫代碼、處理郵件、爬取數據、生成報告。

傳統聊天 AI：你問一句，它答一句，Token 消耗線性增長。龍蝦 AI：它像真人一樣「工作」，涉及長鏈路推理、多輪規劃、工具調用，單次任務的 Token 消耗可達傳統對話的數十至數百倍。例如一個「自動監測股市並生成報告」的任務，背後就可能動用龐大 Token。

結果是：2026 年初以來，OpenClaw 用戶激增，全球 Token 調用量從每月數十億暴增至數萬億。中國模型在其中佔據主導，原因不只是便宜，也在於它們在 Agent 場景的穩定性與工具調用能力已有明顯提升。

為什麼普通人容易低估智譜與 MiniMax 這類公司的業務變化？

如果只盯著財報：

智譜與 MiniMax 多數仍處於高研發投入階段，淨利可能為負或微薄。
收入增長看似「不錯」，但你看不到 Token 用量暴增 6 倍、10 倍 的即時動能。
毛利率改善（例如 MiniMax 單位 Token 成本降超 50%），但你未必能立刻量化這背後的開發者切換潮與使用場景變化。

財報很多時候像是「後視鏡」，反映的是過去 6 至 12 個月的事實。但「龍蝦」熱潮屬於 2026 年 1 至 3 月才真正爆發 的結構性變化：使用者從「聊天」轉向「讓 AI 幹活」，Token 消耗因而被放大。若只看報表，容易得出「成長不錯，但還沒全面爆」的結論；若再結合產品使用情境，則會看到推理業務與 API 收入的驅動因素其實變得更清楚。

親自理解產品，往往比只看報表更接近業務脈動

若想真正掌握這類業務變化，親自理解產品形態與使用成本，通常比單看財報更有幫助。

以 OpenClaw 這類 Agent 工具為例，可從以下幾個角度研究：

它能否穩定完成多步任務，而不是只會聊天。
在長鏈路推理與高工具調用情境下，Token 消耗大約落在哪個量級。
哪些模型在真實任務中更穩定，哪些模型雖然能力強，但成本偏高。

當你真的去理解這類產品後，通常會更容易明白幾件事：

一個中等複雜任務，就可能消耗大量 Token。
能穩定支撐長鏈路、高工具調用而不崩潰的模型，其商業價值會快速上升。
海外旗艦如 Claude、GPT 系列雖然能力強，但若成本高出許多，在大規模 Agent 場景下就可能面臨採用門檻。

換言之，Token 消耗量不只是技術指標，也是在理解收入天花板與單位經濟時的重要線索。誰的模型更常被 Agent 類產品選用，誰在業務數據與市場關注度上就更可能先出現變化。

結論：眼界決定你如何理解基本面

基本面分析不是死盯報表，而是把數字背後的業務邏輯搞清楚。

很多研究者之所以後知後覺，往往不是因為不會看財報，而是因為：

只看報表，低估了需求變化發生的速度。
不理解產品，難以判斷 Token 消耗為何會指數級放大。
視角停留在舊框架，因而低估特定模型在全球開發者中的替代速度。

真正有用的基本面洞察，從來不只是把財報念一次，而是盡量走近產品現場，理解用戶到底在為什麼付費、成本又如何擴大。只有把這些脈絡一起放進來，研究才比較不會停留在表面數字。