正文
之后，一大批像Netscape这样没多少资产、不盈利甚至还不知如何盈利的公司进入二级市场，上市公司越发早期化，传统的P/E、P/B估值法难以为继，连终身贴现估值法都力有不逮，米克尔于是
开始越来越多地使用非财务指标
：
在1998年针对Yahoo的报告中，她将
独立用户（
Eyeball）
、
浏览量（
Page View）
跟估值挂钩：
“4000万独立眼球以及浏览时间和数量的增长，这个价值应该比Yahoo现有的100亿美元市值更高才对。”
在分析Drugstore和HomeStore时，米克尔又提出了
Engaged Shopper
（
浏览超过3分钟的用户）和
Mind Share
（在同类网站中占据用户浏览时长的比例）两个指标。
这些新指标，看似符合互联网商业逻辑：用户量和使用时长越高，未来可能获得的收入也越高；如果市场占有率领先，就有机会统治细分领域，待条件成熟时大规模收割。
以电商网站为例，看互联网公司从用户到收入的转化链条
但如上图所示，
图中越靠右的指标的财务相关性越大，越接近公司能否盈利的真相。
米克尔却有意无意地忽略了这一点，主要采用靠左的指标
，因为这些数字更漂亮。
按道理，如果图中打问号的转化链条还不成熟，说明公司的商业逻辑尚不清晰，应该继续拿VC的钱，而不是上市。
但在热情高涨、信心四溢的泡沫形成期，米克尔这套大胆的做法显然更受欢迎。
与其把对非财务指标的滥用视为“扭曲事实”，更多人相信这是“合理想象”。
摩根士丹利的另一位分析师Steve Galbraith后来感慨道：
在网络泡沫中，证券市场的投资者实际干了风险投资的事儿。
最炙手可热时，米克尔要同时参与30家公司的研究报告编写；准备上市的网络公司会向摩根士丹利点名米克尔，否则就不让大摩承销。
硅谷的创业者会关注她的行程，猜测她搭哪一趟航班，好制造偶遇机会。
《华尔街日报》将她与格林斯潘、巴菲特并列为最有影响力的市场推手。
据说1996年，时任英特尔总裁的安迪·格鲁夫正是在夏威夷度假时看了米克尔300页的“互联网报告”后醍醐灌顶，做出了英特尔也要大力拥抱互联网的决定。
米克尔之所以受追捧，是因为互联网实在太新了，无旧规可蹈，所有人都需要一个新锐、有力的权威来告诉自己怎么办，也需要给自己的激进找一个名正言顺的理由。
但互联网给市场带来的这种推陈出新的冒险风格，却触发了不好的风气：
脱离盈利实际的估值倾向开始向非互联网领域蔓延，代表行业就是作为互联网上游的网络运营商。
发展到这步，华尔街与事实的背离，已不是“修饰”程度了。
以美国本地运营商Winstar为例，这本是一家有成熟商业模式的公司：以投资换收入，买设备建立并运营网络，再向用户收取网络服务费。
但在泡沫期，Winstar获得了来自微软和顶级PE Welsh、Carson等的大量资本。疯狂扩张之下，盈利是不可能盈利了，没法儿按P/E（股价除以收益，不盈利时是负的）估值，又要上市，那怎么办？
华尔街总有办法，
他们把利润换成了另一个口径：
EBITDA——税息折旧及摊销前利润。
EBITDA的妙处是，原本要在利润中扣除的投资并购资产、一次性购买的固定资产，在该算法下，会根据使用周期分N期折旧摊销后，不必从利润中扣除。
有EBITDA打掩护，Winstar玩起了一套神操作。
他们在2000年以1.45亿美元（其中现金是9500万）投资了一家B2B电商公司WAM!Net。该投资要求WAM!Net采购Winstar的网络带宽服务：先一次性支付2000万服务费，然后在后续7年中，再每季度递增支付500~2500万。
这相当于Winstar用9500万现金投资换来了2000万当期收入+7年约4.2亿的预估收入。
划重点：
这9500万的资产折旧摊销在EBITDA里不算成本，但凭空涨了收入！
Winstar还跟一家光纤提供商Williams Communications达成了类似的“默契”：以每年不计入EBITDA的0.92亿的资产折旧摊销为代价，套来了每年1亿的收入。
这样玩下去，
理论上收入可以想涨多少就涨多少，但真实亏损却越来越大，直至大厦崩塌。
难怪巴菲特会说：
“如果有CEO鼓吹用EBITDA来估值，就把他绑起来做个测谎吧。
“
这样简单的数字游戏，难道老练的分析师和投资者看不出来？
当时研究过Winstar的分析师曾说：“EBITDA唯一的好处，就是可以帮华尔街促成更多交易。”“分析师总希望推动下一单成交，因此他们会有意无意地蒙上自己的眼睛。”
2000年10月20日，美林证券前首席网络投资分析师布洛杰特在内部电子邮件中称InfoSpace是垃圾股，但他却并未向投资者发出警告，反而积极推荐买入。对韭当割，人生几何。
在事后反思中，美国SEC（相当于中国证监会）认为，在网络泡沫中频繁出现的分析师不顾投资者利益的行为，源头是
Chinese Wall（投行承销业务和证券分析师之间的防火墙）的倒塌
。
在投行、分析师、企业和投资者的四角关系中，原本的规矩是：分析师只为投资人负责，而不能跟企业有利益关系，也不能牵涉到投行面向企业的服务，否则研究报告就会失去中立性，造成投资者损失。
这有点像媒体规范中的“采编、经营分离”：分析师的角色类似记者，职责是监督市场；而投行服务业务则类似广告等媒体经营活动，目的是通过服务客户来赚钱。
比如米克尔女皇就私下把Netscape叫作“My baby”。她认为自己帮着搞上市的公司就要负责到底，不能说太多负面。
部分投行甚至进一步在激励制度上推了一把：使分析师的薪酬里含进了投行企业服务的收益，有些分析师还会个人投资企业。
证券分析与企业服务，以前有利益冲突，现在却形成了“协同增效”。
股票涨时，这种协同看起来没什么不妥，分析师、企业、投资者皆大欢喜。可下跌一旦开启，击鼓传花就玩不下去了。
此后，虽然美国证券业提出“分析师薪酬要与投行交易经纪业务脱钩”，“严格限制分析师的个人投资交易”等规定，但这些措施恐怕难以解决问题。证券研究报告如果坚持内容付费的商业模式，投资者的“打赏”并不足以支撑高水平分析师的投入——灰度永远存在。
层楼误“精英”，自由乱行业。泡沫循环上演，无非因为：
每当信心水涨，利益船高，聪明人会犯蠢，整个机制会产生打破规则的冲动。
一次又一次，人们并非不能发现真实已被过度美化，但整个市场却拒绝面对寡淡的素颜。
深度学习也落入了
“寻找银弹”
（银弹在欧洲民间传说中是吸血鬼和狼人克星，引申义为致命武器、杀手锏）
的陷阱，用充满“残差项”和“损失函数”等术语的全新数学方法来分析世界，依然局限于“奖励最大化”的角度，而不去思考，若想获得对世界的“深度理解”，整个体系中还需要引入哪些东西。
——Gary Marcus, 《Rebooting AI》，2019
2016年之后，新一轮技术浪潮AI进入大热阶段，一样的天真畅想、一样的乐观预计、一样的大胆冒险，一样的泡沫初现。
与上一轮被资本推起的互联网热潮稍有差异，这一次，AI大热以深度学习在学界的戏剧性翻身为先声，以工业界的重视为重要推力，最后以AlphaGo大胜李世乭为爆点，用奇观效应带动了资本热情和大众期待。
在科技智库「甲子光年」以往的文章《科创板，一瓶AI的卸妆水？》中总结了这波AI浪潮不同阶段的估值公式。我们可以此为线，来看过高的期望是如何累积的。
Phase-1：2012-2016
Value = f（算法，人才）
早在1986年，Geoffrey Hinton就发表了“Learning Representations by Back-Propagating Errors”，改进了诞生于70年代的神经网络反向传播BP算法。1989年，法国人Yann LeCun又在贝尔实验室开始用卷积神经网络识别手写数字。
但直到约1/4世纪后的2012年，深度学习才在日后崛起的大数据和大算力加持下，证明了其在超大规模数据集上的超强图像分类能力。
以Google为首的工业界第一时间看到了这项进展，Google花5000万美元买了Hinton和他学生的部分时间，仔细思考深度学习如何开启下一代信息技术革命。
当时，AI已在圈内引爆，但尚未被大众广泛认知，创业公司还没有产品甚至没有demo，估值主要看技术奖项、科学家名气和团队博士数量。此类公司的特点非常鲜明，绵延至今。
能源行业的一位资深咨询顾问老Z说：“（2019年）5月我去中石油搞的一个行业论坛，CV四小龙之一的某公司上台做报告，PPT前5页都是创始团队哪哪儿牛校毕业、赢过什么国际大赛、平台有什么先进算法、技术指标百分之多少……这率那率的，过了十多分钟才进入正题，一共就20分钟的讲话啊。
这气质，在这论坛里真是独一份。”
Phase2：2016-2018
V=f（算法，人才，市梦率↑，行业地位↑）
随着2016年AlphaGo横空出世，吸引眼球，全社会对AI颠覆世界的期望被迅速推高。
看到AI下棋赢了，就以为机器人很快会抢走人类工作；看到一个demo跑得不错，就以为能用在企业实际生产中；看到一个客户案例，就以为能快速复制到整个行业。
想象中的价值空间无限大，因为全行业、全人类的市值都可以算成AI产业的基数，市梦率由此上升。
这样美丽的“误会”，不仅发生在大众、媒体、资本和客户身上，也让部分身在此山中的AI从业者过于乐观——毕竟故事说了太多自己也信了。
Phase 3：2018至今
V=f（算法↓，人才↓，市场空间↑，数据↑，行业地位↑）
V平台=f（合作伙伴/开发者数量，调用次数，调用均价，数据量）
V应用=f（市场空间，客户数，客单价/单次调用价格，年订单总额，复购率）
V= V平台+ V应用
由于2018年资本市场萎缩，钱少了，更现实了，看市梦率的自然少了，市场逐渐回归价值。
