把 AI 公司从故事还原成账本
本节学什么
本节只讲 Tanay Jaipuria 的总入口：怎样把 AI 公司从故事还原成账本。深研把他定义为“AI 真账本”型分析者，不是因为他悲观，而是因为他习惯先问收入质量、毛利主权和公开披露。这个视角来自三段经历的叠加：哥伦比亚计算机本科让他能理解模型、基础设施与产品体验之间的约束；麦肯锡和哈佛商学院训练让他习惯拆收入、成本、渠道和组织效率；Meta 产品经理经历让他对信息流排序、广告体验和 Instagram 创作者变现这类分发机制很敏感。进入 Wing Venture Capital 后，他站在私有市场最容易被 ARR、run-rate、AI-native 话术包装的位置，于是形成一个研究本能：先把漂亮增长词拆回会计口径，再判断这是不是可持续的软件收入。
核心框架
这一节的核心不是某个单项指标，而是三道闸门。第一道闸门是收入质量：一笔钱是不是年度承诺、是不是结构性续费、是不是公司净收入。第二道闸门是毛利主权：公司成本是由自己产品设计控制，还是“骑在别人价目表上”，被云厂、模型厂或重度用户牵着走。第三道闸门是公开披露：有没有财报电话会、S-1、官方定价页、审计数据或至少带日期的媒体口径可以校准。三道闸门合在一起，才把“AI 会创造巨大应用层机会”与“所有 AI 增长故事都值得相信”区分开。Tanay 的底层世界观可以压缩成一句话：AI 应用机会很大，但只有收入质量、毛利主权和公开披露能把机会和幻觉分开。
他怎么用(具体案例+数据+原话)
深研里最适合作为总入口的案例，是他在 2024-09-30 写《OpenAI and Anthropic Revenue Breakdown》。他没有只比较两家公司谁收入更大，而是把公开碎片拆成收入结构：OpenAI 更偏消费订阅，Anthropic 更偏 API、渠道和企业。这种拆法的价值在于，它把“模型公司增长很快”变成了可分析的问题：消费订阅意味着分发强、用户面广，但付费转化和推理成本要承压；API 与渠道收入意味着企业需求清楚，但客户所有权、渠道集中度和毛利归属要被追问。深研还记录了他 2025 年继续写 AI 全栈毛利、ARR 打假、agentic workforce、TAM 扩张，2026 年写护城河、S-1、AI 应用垂直整合与持续学习。标志性原话包括“Revenue quality ultimately decides who endures”，以及“ARR 有时既不 annual、不 recurring，也不是 revenue”。这些话不是修辞，而是他的账本入口。
常见误区
第一个误区是把 Tanay 理解成单纯看空 AI 应用。他其实相信 AI 会创造巨大应用层机会，只是不接受用模糊收入词替代商业质量。第二个误区是把融资新闻稿当披露。私有公司常用 run-rate、GMV、签约额、试点额或 annualized MRR 讲增长，不能自动等同收入。第三个误区是忽略他的身份折扣。Tanay 是 Wing 合伙人，关注 AI 应用与数据/AI 基础设施；当他论证应用层机会时，读者必须标注 VC 组合利益同向。第四个误区是把他当公开市场基金经理。他没有公开持仓净值，不能用“跟单”方式使用，只能学习其研究框架。
可迁移方法
拿到任何 AI 公司故事，先写一页“真账本卡”。第一行写公司声称的增长词，第二行拆成收入、成本、毛利、渠道、客户所有权五栏。收入栏问 annual、recurring、revenue；成本栏问推理、训练、云、模型 API、人工服务分别谁承担；毛利栏问是否有模型路由、定价分层、企业托管或非 token 收入；渠道栏问直销、平台、云市场、API aggregator 各占多少；客户所有权栏问续费关系在公司手里还是渠道手里。最后加一行证据等级：审计披露最高，S-1 和财报电话会次之，官方定价页再次，媒体泄露必须标日期和未经审计。这样做不是为了得出买卖结论，而是防止被增长语言带走。
小结
本节的核心是总方法：不要先问 AI 故事多兴奋，先问它的账本长什么样。Tanay 的价值在于把产品乐观主义和会计怀疑主义放在同一张桌上：他相信 AI 应用会打开新工作流，也坚持收入质量、毛利主权和公开披露必须经得起复核。合规使用这套框架，只做研究判断，不报目标价、不荐股。
ARR 三问：Annual/Recurring/Revenue
本节学什么
本节只讲 ARR 三问：Annual、Recurring、Revenue。Tanay 最有传播力的一篇代表作是 2025-10-28《When ARR is not ARR》，深研把它列为他的“封神之战”之一。AI 私有市场喜欢用“几天到几百万 ARR”“三个月翻数倍”讲速度，但 ARR 这个词一旦被滥用，就会把完全不同质量的收入混在一起：有的是年度合同，有的是月收入年化；有的是结构性续费，有的是一次性试点；有的是净收入，有的是 GMV、签约额或渠道流水。本节学的不是背一个反 AI 口号，而是用三个英文词拆穿增长标题里的口径偷换。
核心框架
ARR 三问要按顺序问。第一问 Annual：所谓 annual 是客户签了年度承诺，还是公司把某个月 MRR 乘以 12。前者有合同约束，后者只是把当前速度投影到未来。第二问 Recurring：收入是否会在没有重新销售、重新实施、重新验收的情况下重复发生。AI 应用很容易把 PoC、一次性服务、集成项目和试点预算塞进“经常性”叙事。第三问 Revenue：公司拿到的是自己的净收入，还是客户交易额、用量流水、渠道转售额、预期合同额。只有三问都过关，ARR 才接近 SaaS 语境中的高质量收入。任一环节站不住，增长速度仍可记录，但估值、留存和毛利解释都要降权。
他怎么用(具体案例+数据+原话)
深研写得很直接：Tanay 借“神圣罗马帝国既不神圣、不罗马、也不帝国”的句式，批判很多 AI 创业公司的 ARR 既不 annual、不 recurring，有时甚至不是 revenue。这个案例专属本节，因为它针对的是收入命名权，而不是毛利或渠道。他真正追问的是：一家 AI 公司宣布 ARR 破某个里程碑时，里面有没有月付用户被年化，有没有试点和项目制实施费，有没有把 GMV 或签约额说成收入，有没有把渠道 API 通过量说成自己可留存的客户关系。深研还把这篇文章的价值概括为“把 AI 私有市场最流行的增长战报重新拉回收入质量”。可引用的原话式表达是：“ARR 有时既不 annual、不 recurring，也不是 revenue”；另一句更底层的是“Revenue quality ultimately decides who endures”。数据层面，本节最重要的不是某家公司金额，而是三个口径标签：annualized MRR、run-rate revenue、net revenue。Tanay 要求把这些标签分开，而不是让它们共享 ARR 这个光环。
常见误区
第一个误区是把 ARR 当现金收入。年度承诺、已开票收入、已收现金、当前月收入年化，是四件事。第二个误区是把增长速度当收入质量。一个月内冲上去的用量可能来自补贴、免费额度、一次性试用或单个大客户实验，未必代表续费基础。第三个误区是把 recurring 误解为“客户下个月可能还会用”。真正的经常性要看合同、工作流嵌入、续费惯性和替换成本。第四个误区是把 Revenue 和 GMV 混同。平台撮合、市场抽佣、渠道转售都可能有很大的流水，但公司实际收入只是一部分。第五个误区是只质疑别人喜欢的公司，而对自己看好的 AI 应用放宽口径。
可迁移方法
建立一张 ARR 审计表。每看到一个 ARR 新闻，填六栏：披露日期、原文用词、计量周期、是否年度承诺、是否结构性重复、是否净收入。然后给每栏打标签：合同 ARR、年化 MRR、run-rate、bookings、GMV、pilot、services。若公司没有披露，不能替它补全，只能写“未知”。再加两条复核：第一，问这笔收入是否需要大量人工交付才能续上；第二，问重度用户成本是否已经被定价覆盖。输出时也要保留合规边界：这张表只能判断收入说法的可信度，不能直接推出买卖建议或估值结论。
小结
本节的核心是收入命名权。Tanay 的 ARR 三问让研究者在看到 AI 增长战报时先慢下来：Annual 是年度承诺吗，Recurring 是结构性续费吗，Revenue 是公司净收入吗。三问不是为了否定增长，而是为了把不同质量的增长分层。只有口径清楚，后续讨论毛利、留存、TAM 和估值才有地基。
收入混合：订阅/API/渠道/企业/广告
本节学什么
本节只讲收入混合：订阅、API、渠道、企业、广告。Tanay 在 2024-09-30 的 OpenAI 与 Anthropic 拆解里展示了为什么“收入规模”不是唯一问题。两家公司都在大模型层，但收入结构不同，导致分发能力、客户所有权、毛利压力和未来商业化路径也不同。学这一节，是学会把“某家公司收入很高”拆成“谁付钱、为什么付钱、通过谁付钱、成本由谁承担、未来还能卖什么”。同样的 1 美元收入，来自消费者订阅、开发者 API、云渠道企业合同或广告联盟，质量完全不同。
核心框架
收入混合要看五个维度。第一是付费主体：消费者、开发者、企业部门、云平台客户、广告主，不同主体的留存逻辑不同。第二是销售路径：直销订阅掌握用户关系，渠道 API 可能让云厂掌握客户入口，企业合同则依赖销售和部署能力。第三是成本触发方式：订阅收入在重度用户上可能亏损，API 收入按量收费更容易把成本传导出去，但客户对价格敏感。第四是毛利和议价权：渠道越强，分发越快，但抽成、折扣和客户所有权越要被审。第五是可扩展收入：广告、联盟、托管、治理、市场抽佣能否在主产品之外形成非 token 收入。本节只讨论结构，不评价哪家公司值得投资。
他怎么用(具体案例+数据+原话)
深研明确写道，Tanay 用公开碎片拆出 OpenAI 与 Anthropic 的镜像收入结构：OpenAI 更偏消费订阅，Anthropic 更偏 API/渠道。这个判断后来成为市场理解两家公司商业模式差异的标准语言之一。深研里的 persona 进一步给出口径示例：2024 年 OpenAI 收入结构可拆为约 73% 订阅、27% API；Anthropic 则由 API 主导，其中 AWS 渠道约 60-75%，订阅约 15%。这些数字必须标注为公开研究与媒体估算口径、未经审计、会过期；但结构启发很强。OpenAI 的消费订阅强，说明产品分发和用户心智强，也意味着要关注付费转化率、个人用户流失和推理成本。Anthropic 的 API/企业/渠道强，说明开发者与企业需求明确，也意味着要关注渠道集中、AWS 客户关系和大客户依赖。Tanay 的关键不是说谁赢，而是用收入混合解释为什么两家公司不能只按总收入排序。
常见误区
第一个误区是用收入规模遮住结构差异。消费订阅和渠道 API 都能贡献收入，但一个考验用户习惯和转化，一个考验开发者嵌入和平台分发。第二个误区是把渠道收入当完全等同于直客收入。云市场或战略伙伴能放大分发，却可能牺牲客户数据、定价权和续约控制。第三个误区是忽略广告和联盟的潜在路径。聊天机器人或 AI 浏览器如果进入广告，收入性质会再次变化，毛利和激励也会变化。第四个误区是拿单一收入占比做静态结论。模型公司商业化仍在演化，订阅、API、企业、广告之间可能迁移。第五个误区是忘记所有私有公司数字都不是审计披露。
可迁移方法
做收入混合图时，不要只画饼图。先列收入科目：消费订阅、专业版席位、API、云渠道 API、企业合同、托管治理、广告、联盟、市场抽佣。每个科目后面补四列：客户是谁、入口是谁、成本如何触发、续费由谁控制。再写一段结构判断：如果订阅占比高，就重点测重度用户成本、付费转化和流失；如果 API 占比高，就重点测价格弹性、模型替代和开发者锁定；如果渠道占比高，就重点测客户所有权和渠道集中；如果企业占比高，就重点测销售周期、部署成本和合规要求。所有数字加日期和来源，避免把旧口径当现状。
小结
本节的核心是收入结构决定商业含义。Tanay 拆 OpenAI 与 Anthropic，不是为了做排行榜，而是说明消费订阅、API、渠道和企业收入会带来不同的毛利、分发和客户所有权。研究 AI 公司时，先把收入混合拆清楚，再谈增长质量。私有数字要标口径，不能把估算当审计事实。
四层毛利与 COGS 控制权
本节学什么
本节只讲四层毛利与 COGS 控制权。深研把 Tanay 的研究链路概括为“公开碎片 -> 统一账本 -> 单位经济 -> 可证伪预测”，其中最硬的一步就是把 AI 栈拆成芯片、云、模型、应用四层，看每一层的成本由谁控制。AI 应用公司常说自己是软件公司，但如果主要成本来自外部前沿模型 API、云推理和重度用户用量，它的毛利就不一定像传统 SaaS。本节学的是：不要只看毛利率数字本身，要问 COGS 的控制权在自己手里，还是在别人的价目表上。
核心框架
四层毛利可以这样读。芯片层控制底层算力供给，毛利受产能、封装、内存、客户集中和资本开支影响；云层把芯片组合成可租用基础设施，成本包含折旧、电力、网络和利用率；模型层承担训练、推理、数据、研究和安全成本，收入来自 API、订阅或企业授权；应用层把模型嵌入工作流，收入来自席位、用量、结果、托管、治理或抽佣。关键不是哪一层天然好，而是哪一层能控制 COGS。若应用层只是把用户请求原样转给最贵模型，毛利就受模型价目表支配。若应用层能判断任务难度、路由便宜模型、缓存结果、限制重度用量、收取企业托管费，它才可能拥有毛利主权。
他怎么用(具体案例+数据+原话)
深研记录了 Tanay 在 2025 年《The State of AI Gross Margins in 2025》中的一次重要教训：他引用的模型层毛利估算偏乐观。公开二手口径曾估 OpenAI 约 50%、Anthropic 约 60%，但后续报道显示部分实际毛利可能明显更低，推理支出膨胀更快。这个案例的价值在于，它不是推翻四层框架，而是提醒输入数字会过期。框架仍然成立：必须分层看 COGS 控制权，不能把模型公司、云厂、应用公司放进同一个 SaaS 毛利模板。深研还保留了一句非常典型的原话式表达：“a company’s COGS rides someone else’s price card”。这句话专属于本节：如果公司的成本骑在别人的价目表上，增长越快未必越好，因为每个新增用户都可能放大外部成本暴露。
常见误区
第一个误区是用传统 SaaS 毛利率直接套 AI 应用。AI 应用可能有软件分发外壳，但推理成本、模型 API、人工验收和企业部署会改变成本结构。第二个误区是把低毛利一概判死刑。早期低毛利可能是换增长、买数据、训练用户习惯，也可能是结构性烧钱，要看 cohort 是否改善。第三个误区是只看收入层，不看成本层。一家公司从订阅赚来的钱，可能被重度用户的推理消耗吃掉。第四个误区是相信过期数字。Tanay 自己的模型层毛利估算被后续报道修正，说明私有公司财务必须带日期、来源和审计状态。第五个误区是把训练成本排除后就认为单位经济健康，推理成本才是规模化日常压力。
可迁移方法
建立“COGS 控制权表”。第一列写公司所在层：芯片、云、模型、应用。第二列写主要收入科目。第三列写主要成本驱动：芯片折旧、电力、云租赁、模型 API、推理 token、人工服务、部署支持。第四列写成本控制工具：自有算力、长期云合同、模型压缩、路由、缓存、限额、定价分层、BYOK、托管费。第五列写风险：别人降价、别人涨价、重度用户超用、渠道抽成、客户集中。最后单独写“证据”：有没有披露毛利、推理成本、用量结构或成熟 cohort。若没有，就只能说框架判断，不能装作有精确结论。
小结
本节的核心是 COGS 控制权。Tanay 的四层毛利框架要求研究者把 AI 公司放回芯片、云、模型、应用的成本链条里看。毛利率不是孤立数字，而是对成本主权的结果描述。尤其在私有模型公司和 AI 应用公司上，数字会快速过期，框架要保留，输入要不断更新。
应用层毛利主权：路由/验收/非token收入
本节学什么
本节只讲应用层毛利主权：路由、验收和非 token 收入。深研里的灵魂判断很清楚：“应用层赢家不是调用最强模型的人，而是拥有毛利主权的人。”这节不再泛泛讨论四层毛利，而是专注应用公司怎样从“模型包装器”进化成真正的软件业务。AI 应用的难点在于，用户愿意为结果付费，但结果背后的推理、搜索、工具调用、长上下文和多轮 agent 可能非常贵。能否把任务分派给合适模型、能否判断输出是否合格、能否把收入扩展到治理和工作流，是应用层能否留住毛利的关键。
核心框架
应用层毛利主权有三根柱子。第一是模型路由：不是所有任务都需要最强前沿模型，简单分类、抽取、格式化、检索、摘要可以用便宜模型、开源模型、本地模型或缓存结果。第二是验收标准：应用公司只有知道什么叫“完成任务”，才能放心把简单任务交给低成本路径；如果它无法评估输出质量，只能永远调用最贵模型。第三是非 token 收入：托管、部署、合规、权限、审计、工作流编排、市场抽佣、广告或企业治理费用，可以把收入从纯 token 差价中解放出来。三者合起来，才让应用公司不只是模型调用商，而是拥有工作流和结果定义权的软件公司。
他怎么用(具体案例+数据+原话)
深研在当前未来判断中点名了 Replit、Bolt、Perplexity 和企业 AI 应用，作为观察应用层毛利主权的案例入口。Replit 与 Bolt 代表开发者工具和代码生成工作流：用户需求强，但 agent 多步执行、代码生成、测试、部署都可能消耗大量推理。若产品只按低价席位卖无限使用，重度用户会压垮毛利；若能把简单补全、依赖安装、错误解释、测试生成路由到不同模型，并对部署、团队协作、企业治理收费，毛利结构才可能改善。Perplexity 代表搜索/答案型应用：每次回答可能触发检索、模型推理和引用处理，未来还可能接入广告或联盟。本节的原话式判断是：“赢家不是调用最强模型的人”，以及“COGS rides someone else’s price card”。数据上，深研要求验证头部应用是否披露毛利改善、重度用户被重新定价、BYOK/credits/企业治理收入上升；这些不是荐股信号，而是毛利主权的证据清单。
常见误区
第一个误区是认为“模型越来越便宜”会自动拯救所有应用。模型降价会帮助行业，但竞争也会把节省传给用户，不能替代产品自己的成本控制。第二个误区是把强模型调用次数当产品深度。调用越强、越频繁，若没有验收标准和路由，可能只是把成本转化成体验。第三个误区是忽略重度用户。AI 应用常出现少数用户消耗大部分推理资源，平均收入掩盖真实成本。第四个误区是把 BYOK 当万能解。让客户自带模型 key 可以转移部分成本，但也可能削弱体验控制和收入空间。第五个误区是把广告、抽佣、托管等非 token 收入看成旁枝；对某些应用，它们可能是毛利修复的关键。
可迁移方法
审一个 AI 应用时，画“任务成本路由图”。把用户工作流拆成步骤：输入、检索、推理、工具调用、生成、验证、交付。每一步标注可用模型、成本等级、质量风险和是否可缓存。再写验收标准：代码能否运行，文档是否符合模板，客服是否解决问题，搜索答案是否有来源。然后检查定价：是否有用量额度、积分、企业版限额、BYOK、托管费、治理费、市场抽佣或广告。最后问一个反证：如果前沿模型 API 价格不降反升，或者重度用户翻倍，这家公司还能保持毛利改善吗。不能回答，就不要把它轻易当高毛利软件公司。
小结
本节的核心是应用层毛利主权。Tanay 不是简单看多所有 AI 应用，而是看它们能否通过路由、验收和非 token 收入摆脱外部模型价目表。Replit、Bolt、Perplexity 等案例的研究价值，不在于给出投资结论，而在于观察应用公司如何处理重度用量、模型选择和收入扩展。
净利率终局：成熟 cohort 证明
本节学什么
本节只讲净利率终局：成熟 cohort 证明。AI 公司早期毛利低不一定坏，问题是低毛利到底是在换增长、换数据、换工作流嵌入，还是结构性烧钱。Tanay 的研究里，毛利只是中间层，真正的终局是成熟用户群能否呈现健康净利率。深研把他的判断纪律概括为：低毛利可以被解释，但必须用成熟 cohort 的改善证据证明。否则，“现在亏是为了未来规模化”只是一句无法证伪的融资叙事。本节学的是把时间维度放进单位经济，而不是用单期毛利率做静态判断。
核心框架
净利率终局要看三个变化。第一，用户 cohort 是否成熟后成本下降：同一批用户在第二年、第三年的推理用量、支持成本、部署成本是否相对收入下降。第二，定价是否跟上重度使用：席位费、用量费、credits、限额、企业合同、BYOK 是否能让高成本用户付更多。第三，组织成本是否规模化：销售、实施、客服、模型调优、安全合规和基础设施团队是否随收入线性膨胀。如果收入增长需要同等比例的人力、推理和部署成本，软件属性就弱。Tanay 的目标不是追求某个单独完美毛利，而是看 cohort 走向成熟时是否能给出健康净利率画像。
他怎么用(具体案例+数据+原话)
深研在金句部分记录了他的原话式表达：“The target is a healthy net margin profile as cohorts mature”。这句话专属于本节，因为它把注意力从当期毛利转向成熟 cohort。结合 2025 年 AI 毛利讨论可以看到，他并不把低毛利直接等同失败；模型层毛利估算被修正后，他的框架仍要求继续看成本是否可控、定价是否演化、成熟用户是否改善。深研还列出判断应用层毛利修复的验证点：头部应用披露毛利改善、重度用户被重新定价、BYOK/credits/企业治理收入上升。这些都是 cohort 证明的一部分。一个新用户刚开始大量探索产品，可能推理成本高、支持成本高；但如果半年后仍要同样多人工服务和昂贵模型，且不能提价，那么它不是“早期投入”，而是结构性单位经济问题。
常见误区
第一个误区是把毛利低自动判坏。新产品用补贴换习惯、用高成本模型验证体验、用人工服务学习流程，都可能是阶段性策略。第二个误区是把“未来会好”当证据。未来会好必须拆成 cohort 曲线、重度用户重定价、成本下降或非 token 收入提升。第三个误区是只看平均值。少数超重度用户可能吃掉利润，平均毛利会遮住尾部风险。第四个误区是把净利率问题只看技术成本。销售、实施、安全审查、企业集成、客户成功都可能让 AI 应用服务化。第五个误区是忽略客户分层。个人用户、团队用户、企业用户的成熟路径完全不同。
可迁移方法
做一张 cohort 单位经济表。横轴写用户进入月份或季度，纵轴写收入、推理成本、模型 API、云成本、人工支持、部署实施、毛利、销售和客户成功成本。每个 cohort 至少看三期：初始期、稳定使用期、续费期。再单独拉出重度用户：他们贡献多少收入，消耗多少成本，是否被更高套餐、用量费或企业合同覆盖。最后写净利率推演：如果同一 cohort 收入留存上升、单位推理成本下降、支持成本下降，低毛利可被解释；如果收入靠新用户填补、老用户成本不降、提价导致流失，就要降权。输出时明确这只是研究框架，不构成投资建议。
小结
本节的核心是用成熟 cohort 证明终局。Tanay 关注毛利，但不会停在毛利；他要看收入、成本和组织费用随时间是否走向健康净利率。AI 应用早期低毛利可以接受，但必须被数据证明正在改善。没有 cohort 证据的“规模化后会好”，在他的账本里不能算结论。
公开文件工程 + 激励折扣
本节学什么
本节只讲公开文件工程和激励折扣。Tanay 的信息优势不是半导体供应链线人，也不是公开市场持仓记录，而是把公开文件、媒体碎片、官方披露和 S-1 拼成一张可比较账本。深研把它称为“公开文件工程”。这节同时讲一个约束：因为他是 Wing Venture Capital 合伙人，覆盖 AI 应用与数据/AI 基础设施，读者必须给其观点加利益折扣。学这一节，是学会用公开锚校准私有市场叙事，并且在使用任何 KOL 框架时标注激励结构。
核心框架
公开文件工程有四类材料。第一类是强制披露：S-1、上市公司财报、财报电话会、审计数据，可信度最高但样本稀疏。第二类是官方材料：定价页、产品公告、合作伙伴声明、客户案例，能确认产品和商业模式，但通常选择性披露。第三类是媒体与第三方估算：融资报道、泄露收入、分析师估计，信息及时但必须标日期和未经审计。第四类是社交与访谈：X、播客、LinkedIn、创始人访谈，适合捕捉口径变化，不能单独定案。激励折扣则要问：观点是否与作者所在机构、组合方向、内容业务或人脉网络同向。Tanay 的 AI 应用乐观主义必须和 Wing 身份一起读。
他怎么用(具体案例+数据+原话)
深研列出的渠道包括 Tanay’s Newsletter、X @tanayj、LinkedIn、Wing 官网与研究文章、播客/视频访谈；更新频率是 Substack 约周更，财报季、S-1、重大融资或模型公司数据披露时加密。代表性用法包括 2024 年拆 OpenAI/Anthropic 收入结构，2025 年写 ARR 打假和 AI 毛利，2026 年进一步写 S-1 拆解、Moats in the Age of AI、AI 应用垂直整合和持续学习。深研还列出他关注的 S-1/IPO 类型：AI 实验室、机器人、太空/硬件公司，并把智谱、MiniMax、Unitree、SpaceX 等放入跟踪范围。原话式方法可以概括为：不用融资新闻稿当事实，用公开披露做校准锚。与此同时，深研也明确风险：Wing 身份使他天然偏好 AI 应用与数据基础设施；很多数字来自媒体和第三方估算，非审计；他不是芯片供应链深度专家，也没有可验证公开净值。
常见误区
第一个误区是把公开材料等同完整真相。财报和 S-1 有法律约束，但仍有会计选择、风险披露模板和管理层叙事。第二个误区是把媒体泄露当实时事实。私有公司收入、毛利、客户结构变化很快，任何数字都要带日期。第三个误区是只看作者结论，不看作者激励。Tanay 的框架有价值，但他所在机构投 AI 应用和数据基础设施，相关乐观判断要加折扣。第四个误区是把 KOL 的覆盖广度当单领域深度。他能搭账本，不代表每个芯片、机器人、云基础设施细节都最深。第五个误区是把框架当荐股。公开文件工程只能提高研究质量，不给目标价、仓位或买卖点。
可迁移方法
建立一个“公开锚台账”。每条数据必须有五个字段：来源类型、发布日期、原文口径、是否审计、可替代解释。S-1 和财报电话会放最高权重；官方定价页用来验证商业模式；媒体泄露只作为暂时估计；X 和访谈只作为线索。再建一列“激励折扣”：作者是否投资相关领域，是否与公司有合作，是否依赖订阅或赞助，是否只披露有利样本。每次写结论时，把事实、估算、推断分开标注。若用户问“能不能买”，合规回答应改成“这个公开账本目前能验证什么、不能验证什么”。
小结
本节的核心是公开锚和激励折扣。Tanay 的优势是把碎片资料拼成可比较账本，尤其适合私有 AI 公司披露稀缺的环境；他的限制也清楚：VC 身份、非审计数字、覆盖边界和无公开净值。学习他的方法，就是既用公开文件约束叙事，也用激励结构约束作者本人。合规边界不变：只做研究框架，不荐股、不报目标价。
本页整理 Tanay Jaipuria 公开材料中的方法论，用于投研学习，不构成证券买卖建议；个人观点；提及不等于持仓；引用以原文为准。
