SpaceX 市值短暂越过 Amazon,并借高估值继续加码 Cursor 与 AI 编程
Guardian 把 SpaceX 越过 Amazon 的市值时刻和 600 亿美元 Cursor 交易放在同一篇里,真正的重点不是股价热闹,而是高估值如何反过来成为 AI 扩张工具。
SpaceX 越过 Amazon 的那一刻,真正被放大的不是股价,而是它用高估值继续买 AI 能力的方式
Guardian 在 2026 年 6 月 16 日把两件事放进了同一篇报道里:SpaceX 市值短暂越过 Amazon,成为全球市值第五高的公司;与此同时,这家公司还推进了对 AI 编程工具 Cursor 的 600 亿美元交易。把这两个动作放在一起看,新闻重点就不再只是“股价疯涨”,而是 SpaceX 已经开始把高估值本身变成扩张 AI 能力的工具。
市值短暂越过 Amazon,说明市场在重估 SpaceX 的身份
按照 Guardian 的报道,SpaceX 股价在 6 月 16 日盘中一度把公司估值推到约 2.97 万亿美元,短暂越过 Amazon 的约 2.65 万亿美元;收盘后涨幅回落到约 5%,但市值仍达到约 2.66 万亿美元,略高于 Amazon。
单看数字,这已经足够夸张。但原文更值得注意的,是它顺手提醒读者:SpaceX 在 2025 年仍然亏损约 49 亿美元,营收约 187 亿美元,而 Amazon 的营收与净利润规模远高得多。也就是说,这不是一场“传统财务意义上的超越”,而是市场愿意用完全不同的逻辑给 SpaceX 定价。
这种定价逻辑背后,包含的不只是火箭和 Starlink,还包括 xAI、X、数据中心和围绕 AI 基础设施形成的未来想象。SpaceX 在公开市场上被交易的,已经不是单一商业航天能力,而是一整套 Musk 体系的未来预期。
Cursor 交易让高估值直接变成并购能力
Guardian 提到,这次市值跃升出现的同时,SpaceX 也在推进对 Anysphere 旗下 Cursor 的 600 亿美元交易。原文回顾说,SpaceX 早在 4 月就为这项交易锁定了选择权:要么晚些时候完成收购,要么支付 100 亿美元继续合作。最新文件还显示,这笔交易预计在 2026 年第三季度完成,而且不是用 IPO 募资去支付,而是主要以股票作为交易货币。
这里的关键不只是“买不买得起 Cursor”,而是高估值带来的稀释成本下降。Guardian 文中引用的观点也在强调,SpaceX 股价越高,完成大体量收购时需要付出的股票比例就越低。换句话说,估值不是被动结果,而是主动武器。
为什么 Cursor 对 SpaceX/xAI 有现实价值
Guardian 对这笔交易的解释很清楚:SpaceX 是 xAI 的母公司,而 AI 编程已经被 Anthropic、OpenAI 证明是最能快速进入企业工作流、也最容易形成真实付费习惯的方向之一。Cursor 不一定能让 xAI 立刻追平 Anthropic 或 OpenAI 的模型能力,但它有现成的开发者用户、真实编码请求、设计决策与使用场景,这些数据和分发入口对 Grok 的企业能力建设都很重要。
报道里几位分析师的判断也指向同一个结论:直接拥有开发者已经日常使用的工具,比单纯继续卷底层模型排名,更接近企业收入。再加上 Cursor 本身受制于算力供给,而 SpaceX 恰恰拥有更大的数据中心和基础设施能力,两边拼在一起,形成的是“模型 + 工具 + 分发 + 计算”的组合。
这条前沿真正说明什么
如果只把这条新闻写成“SpaceX 股价太高了”,信息量其实很低。更重要的事实是:SpaceX 正在变成一家能把资本市场溢价继续转化为 AI 资产、开发者入口和企业交付能力的公司。
Starlink 仍是 Guardian 原文里点出的唯一稳定盈利支柱,但这并没有阻止市场继续把更高的估值给到 SpaceX。原因就在于,投资者显然不再只把它当火箭公司看待,而是把它看成一个正在同时拥有航天、卫星互联网、AI 基础设施和编程工具入口的复合平台。Cursor 交易只是这个趋势第一次被非常直白地摊开。
参考来源
本文为公开资料整理与技术学习参考,不提供采编、转载或发布服务。
17GB对100GB:Qwen3.8-27B与Flash-Next做同一批任务,省下的容量换来了什么?
同做89项终端任务,17GB的27B首轮完成35项,100GB的Flash-Next完成45项;最多两次是46对53,最多四次是48对60。本文追到9月13日后续结果,区分模型能力、环境故障和返工时间;测试为苹果MLX四位量化,不是GSQ-RCO IQ3_S,也不能套到16GB显卡。
Qwen3.8-Flash-Next每秒70词元?本地加速之前,先看模型究竟改了什么
同样叫Flash-Next,70词元/秒背后可能是另一条计算路径:每词元激活专家从10减到5,再训练共享专家补偿。本文对照单台DGX Spark的两套原始资料,拆开量化、MTP、输入速度、输出速度和并发吞吐,不把128GB统一内存结果套到16GB显卡。
NVIDIA PAIR:把家里的 RTX、DGX Spark 和 Mac 变成本地 AI 请求集群,但它不是“显存池化”
可以把 NVIDIA PAIR 理解成家里本地 AI 的“派单前台”:RTX 主机、DGX Spark、Mac 就像几名能力不同的员工,PAIR 看谁在线、谁装了对应模型、谁现在最空闲,就把下一份 AI 工作交给谁。它特别适合多 Agent 并发,但不会把 16GB + 24GB 显存拼成 40GB,也不会把一个大模型拆到多台机器上。