如今，对尚未盈利的科技初创企业进行估值已成为成熟流程，但这些方法是否适用于采用新型人工智能的未盈利公司？当应用于能迅速扩展至数百万用户的AI初创企业时，会出现哪些问题？这已不再是单纯的学术探讨。
本文介绍了评估未盈利初创企业的传统方法，分析了其在新型AI初创企业应用中的局限性，并提出降低风险的建议。
首先来看三种普遍接受的未盈利或早期阶段公司估值方法：评分法（Scorecard Valuation）、风险投资法（Venture Capital Method）和伯克斯法（Berkus Method）。随后将深入探讨将这些方法应用于拥有新型AI应用的早期公司时所面临的挑战。
评分法
该方法旨在将初创企业与市场同类企业进行对比。
首先确定同一市场中其他初创企业的投前估值中位数（Median Pre-money Valuation），以此作为基准比较目标企业，并综合考量管理团队实力、机会规模、产品/技术、竞争环境及营销/销售渠道等因素。
尽管因素具有主观性，但每个因素都会被赋予数值。若市场投前估值中位数为100万美元，而某初创企业各项因素合计系数为1.125，两者相乘即得出该企业的投前估值。
风险投资法
此方法通过推算投后估值来确定投前估值。与评分法类似，需将初创企业与同市场基准公司进行比较以做出假设。
确定投后估值时，需将目标公司的预期价值除以预期投资回报率。预期价值取同市场公司在预测期（4-7年）结束时的平均销售额乘以2；投资回报率通常在10倍至30倍之间。
获得投前估值的方法是将投后估值除以拟募集资金金额。
伯克斯法
该方法包含五个定性和定量因素：创意质量、原型价值、管理团队质量、战略关系以及产品发布/销售。
每个因素均被赋予货币价值。与其他两种方法一样，确定创意质量和原型价值时需涉及与基准公司的比较。
传统方法应用于新兴AI初创企业的挑战
AI扩展速度远超其他技术。在测试版或最小可行产品（MVP）阶段有效的做法，当产品扩展至数百万用户时可能不再适用，原因包括：
- 数据量较小时，扩展（Scaling）更难预测；
- 测试目的的数据清洗相对容易，大规模应用时则更为困难；
- 内部员工微小失误可能导致灾难性问题。
因此，对于原型或新兴AI初创企业，传统的前营收估值方法应用并不直接。若AI与现有产品高度相似，对比评估会更准确；但由于需做主观假设，在AI市场中进行此类比较更为复杂。
监管问题
许多市场的AI法律尚不具体。例如欧盟近期提出规范自动驾驶汽车AI使用及相关责任的法规；美国《算法问责法案》于2022年初提出，若通过将要求前三年收入超5000万美元的公司提供影响声明。
虽不影响前营收阶段公司，但对于完全规模化运营的公司（如采用风险投资法），其影响取决于市场环境。监管不确定性会在AI规模扩张时引发责任敞口（Liability Exposure）变量，进而影响对未来价值的假设。
建议方法
模仿型AI创意的价值更易衡量，但竞争优势通常意味着新颖创新或AI应用正在寻求投资，这使得上述方法难以准确衡量其价值。
虽无万能解决方案，但可通过多种方式减少不确定变量：考察可比AI在更大数据集上的扩展情况；审查在其他地方大规模清洗类似数据的成本是否过高；评估内部质量控制措施以降低员工出错风险。至于监管问题，密切关注AI提案及其对责任的影响是减少不确定性的有效途径。
公司估值本身是一个独立行业。投资者最好寻求专业意见并咨询熟悉常见问题的法律顾问。本文仅作为概述部分议题的一般性路线图。