企业官网建设流程全解析

2026年上半年，商汤科技首次实现盈利。这个信号放在AI行业里比较特别。过去几年，国内AI公司普遍被贴上“高研发投入、高亏损、商业化路径不清晰”的标签，而商汤作为“AI四小龙”中体量最大的公司，一旦扭亏，意味着它已经从纯烧钱阶段走出来，进入收入和成本结构再平衡的新阶段。这篇博客不写财报炒作，只从技术公司的角度看几个问题：商汤靠什么盈利，生成式AI在其中占多大比重，大装置和大模型的协同关系是什么，以及这轮盈利的可持续性该怎么观察。

商汤的主营业务早就不是单纯的人脸识别。它现在有四大板块：生成式AI、智慧商业、智慧生活、智能汽车，其中生成式AI是近两年增长最快、收入占比持续提升的板块。盈利背后通常对应三条线的改善：收入端的高增长、成本端的算力利用率提升、费用端的研发投入产出比优化。这三条线正好是多数AI公司商业化的三道坎。

这篇文章会先从盈利信号切入，再拆商汤的业务结构、技术底座、付费场景、盈利能力观察框架，最后给出几个持续跟踪的判断指标。适合关注AI公司基本面、大模型商业化、以及想理解“AI公司到底怎么赚钱”的读者。

1. 核心信息速览

表格里没有填具体金额，因为商汤2026上半年的完整财报要以官方披露为准。这篇更多是讨论盈利背后的技术逻辑和观察维度。

2. 盈利信号解读：为什么“2026上半年”值得关注

AI公司实现盈利，时间点很关键。

从2023年大模型热潮开始，几乎所有头部AI公司都在做同一件事：把大模型能力送进真实业务场景。这个阶段的共同特点是收入涨、亏损也涨。因为市场还在教育期，客户预算有限，而算力成本和研发人力成本刚性上涨，利润很难出来。

到2025年到2026年，行业慢慢分化的标志性信号开始出现：

第一，生成式AI从“概念验证”切换到“预算科目”。企业客户不再问“大模型能干什么”，而是直接提“这个场景我要这个效果，你报价”。交付变得标准化，毛利空间随之改善。

第二，算力资产进入折旧摊销稳定期。商汤这类自建智算中心、持有大量GPU的公司，前几年买卡建设SenseCore大装置，成本压力集中在资本开支和折旧上。当算力平台进入稳定运行期，单卡利用率提升，单位算力成本下降，毛利率会被数据中心的规模效应拉起来。

第三，研发投入从“全面铺开”转向“聚焦主线”。大模型赛道早期是模型参数、Benchmark分数到处刷，2025年以后竞争重心变成推理成本、私有化交付效率、真实场景效果。研发费用率不再无限上升，收入增长开始跑赢费用增长。

商汤在2026上半年首次盈利，大概率是这三条线同时改善的结果。拿这个时点做观察对象，比单纯看某季度的净利润数字更有价值。

3. AI公司盈利的普遍难题：算力成本、研发投入与商业变现

AI公司为什么普遍难盈利，根本上是一个成本结构问题。

大模型公司一年的支出主要由三块组成：算力成本、研发人员成本、销售交付成本。算力成本最特殊，它不像软件公司那样有“复制一份给下一个客户，边际成本接近零”的特性。大模型服务每个客户都要消耗实际算力，推理次数越多成本越高，甚至出现“客户越多，亏得越多”的倒挂。

再叠加大模型尚处于快速迭代阶段，模型版本每年甚至每半年一换。每次升级都意味着重新做训练、重新做评测、重新适配客户场景。研发投入是刚性支出，很难砍。

那怎么盈利？路径通常是这么几条：

一是把推理成本降下来。通过模型蒸馏、量化、MoE结构、推理加速框架，把每个Token的成本不断压低。单位成本降到一个客户愿意付费的水平，利润就能出来。

二是让高价场景覆盖高成本。不是所有客户都用统一API按Token付费，而是进入金融、医疗、政务、工业等高价值场景做私有化部署、定制化解决方案。这类项目客单价高，但需要大量交付工程师和行业Know-how。

三是提高算力资产利用率。自建算力平台不能只被内部研发占用，还要对外提供训练和推理服务。算力平台一旦有外部收入，折旧成本就被摊薄了。

四是控制人员规模，用工具提升人效。AI公司天然有扩大研发编制的冲动，但在商业化阶段，会用“增效工具”压缩重复性岗位，把人力集中到模型迭代和交付标准化的刀刃上。

商汤的盈利，本质上就是这四条路径组合起来的结果。

4. 商汤的业务结构与收入质量：谁在贡献利润

商汤的业务从ToV（面向消费者）到ToG（面向政府）再到ToB（面向企业），早年被市场诟病最多的是政企项目占比高、回款周期长、交付利润低。但从商汤近几年的营收结构变化看，重心已经在转移。

核心可以拆成四个收入方向：

第一块是生成式AI，这是最贴近大模型浪潮的收入来源。主要形式包括大模型API调用、私有化部署、行业大模型定制、智算中心对外服务。生成式AI的特点是收入增速很快，且一旦形成标杆客户，复购和扩容需求会持续产生，属于当前商汤最值得跟踪的板块。

第二块是智慧商业，偏向传统AI视觉在零售、园区、工业质检等场景的落地。这类业务市场成熟但天花板清晰，毛利率相对稳定，核心价值是现金流和客户基础。

第三块是智慧生活，包括手机、移动互联网、IoT设备上的AI能力，比如人脸解锁、美颜、内容审核。这类业务单笔金额不大，但续费率高，能把成本摊得很薄。

第四块是智能汽车，以智能座舱、辅助驾驶感知为主。汽车行业的导入周期长，但一旦进入车企供应链，后续车型、后续项目会持续放量，属于高确定性的长线业务。

从盈利质量角度判断，我更关注商汤收入结构中“高毛利、可复制、高复购”部分的占比。如果2026上半年的盈利来自生成式AI和智算中心这类基础设施型收入，那说明盈利的根基比靠一次性项目交付扎实得多。

5. 技术底座拆解：SenseCore大装置与日日新大模型如何协同

商汤的技术底座，核心是两层：底层算力基础设施SenseCore大装置，上层模型体系日日新（SenseNova）。这两层的协同关系决定了商汤的盈利上限。

SenseCore大装置本质是一个大规模AI算力平台，把GPU集群、数据管理、训练框架、推理服务整合成一个可对外输出的算力池。它的价值不只是“有多少张卡”，而是“每张卡的利用率有多高”。

大模型公司最容易踩的坑，就是买了大量GPU，但训练和推理任务不饱和，算力空转，折旧还在烧。SenseCore如果能做好两件事，盈利就能改善：第一，内部研发和外部客户任务共享算力；第二，通过调度系统让训练任务和推理任务错峰使用资源。

日日新大模型体系的价值，则体现在模型效果与成本的可控性上。商汤从哲学研究起步，早年主要做视觉模型，后来切到大语言模型。它的策略不是只做一个最大的基础模型，而是通过“大模型+行业微调”的方式，覆盖金融、医疗、政务、司法等垂直领域。垂直化带来两个好处：一是场景付费能力强，二是模型参数量可以控制，推理成本不会失控。

这两层放在一起看，商汤的盈利模型可以简化成：平台摊薄固定成本，模型提高单客户收入，解决方案带来规模化交付。

6. 从技术到商业：生成式AI现阶段的主要变现方式

如果只看商汤的生成式AI业务，变现方式大体可以分成五类。

第一类是标准API调用。客户按Token付费，调用商汤的日日新模型能力，比如文本生成、多模态理解、代码生成。这类业务毛利还不错，但对模型质量和推理成本极其敏感。

第二类是私有化部署。企业客户不希望数据出域，要求把模型部署到自己的私有环境。商汤交付一个或多个参数量合适的模型镜像，配合推理服务一起交付。这种模式客单价高，但交付成本也比较高。

第三类是行业大模型定制。针对金融、医疗、政务等特定行业，用基础模型加行业数据做微调，生成一个“专属版本”。这类业务一旦落地，客户粘性通常很高，而且后续优化需求会持续带来合同。

第四类是智算中心服务。商汤把自己的算力平台对外出租，帮客户完成模型训练、微调、推理任务。智算中心是典型的“共享经济”逻辑，关键在于算力复用率。

第五类是AI基础设施结合解决方案，比如大模型调用前置一体机、推理加速硬件配套。这种产品化的交付，可以把高昂的交付人力成本转换成标准化产品。

这几条变现路径对应的不是同一个客户群，也不是同一个毛利水平。观察商汤盈利质量时，可以重点看它的生成式AI收入中，有多少来自标准化产品，有多少来自高定制项目。

7. 盈利可持续性怎么观察：一个可执行的跟踪框架

盈利不是一次性结果，而是经营能力的体现。跟踪商汤后续盈利质量，可以从这组指标入手。

值得反复提醒的是，单个季度或半年的盈利，可能来自一次性因素，比如政府补助、出售资产、资产重估。如果要确认商汤的盈利是“经营性盈利”，一条最简单的判断路径是看扣非净利润和经营现金流。如果扣非后还是正的，那说明盈利质量更扎实；如果只是账面盈利而经营现金流仍是负的，那就要保持谨慎。

8. 给AI从业者的技术启示：商汤盈利背后做对了什么

商汤首次实现盈利，对AI行业有技术层面的参考价值，不只是财务信号。几个方向值得摘出来：

第一，算力资产要当作运营对象，而不是一次性采购。AI公司买GPU是一项长期资本开支，不是简单的“我买来跑模型”。GPU集群需要调度、监控、弹性伸缩，训练任务和推理任务要混合部署。能从买卡变成“运营算力”的公司，净利率会逐步改善。

第二，模型效果和推理成本必须一起优化。一个模型可能在Benchmark上分数很高，但推理成本降不下来，商用收不回本。商汤这类公司更关注单位成本下的效果上限，这决定了商业化边际利润。

第三，行业数据壁垒比模型参数更有价值。基础模型能力会不断趋同，真正的差异在于能不能把客户的行业数据和业务流程嵌进模型交付。私有化部署、微调服务、领域知识库，这些才是高毛利来源。

第四，工具链和交付平台是隐形成本节省点。做生成式AI生意，不只是把模型给客户，还要配套数据集管理、评测服务、模型生命周期管理。工具链越成熟，交付人员越少，毛利越好。商汤这类早期做AI平台起家的公司，在交付工具化方面有天然积累。

这几个启示不只适用于大模型公司，也适用于传统行业里想引入AI的团队：先算清楚算力成本，再做小范围验证，最后才谈规模化投放。

9. 盈利分析实战：用Python脚本搭建财报观察工作台

对于关注商汤后续财报的人，可以自己搭一个轻量观察脚本，把关键财务指标拉下来做同比和环比计算。这里给一个Python模板，数据需要替换为实际财报数据。

import pandas as pd data = { "指标": ["总收入", "生成式AI收入", "毛利", "净利润", "经营现金流", "研发费用"], "2025H1": [None, None, None, None, None, None], "2025H2": [None, None, None, None, None, None], "2026H1": [None, None, None, None, None, None], } df = pd.DataFrame(data) df["同比增速"] = (df["2026H1"] / df["2025H1"] - 1) * 100 df["环比增速"] = (df["2026H1"] / df["2025H2"] - 1) * 100 print(df.to_string())

拿到商汤财报后，替换DataFrame里的None为真实数值，就能快速算出各条业务线的增速。更细一点，可以把“生成式AI毛利率”和“整体毛利率”单独拆出来做趋势曲线。

下面是一个观察指标的JSON配置模板，方便后续批量分析多个季度。

{ "target_company": "SenseTime", "report_cycle": "H1 2026", "metrics": [ "total_revenue", "generative_ai_revenue", "gross_margin", "net_profit", "operating_cash_flow", "rd_expense_ratio", "account_receivable_turnover_days" ], "analysis_method": "YoY_Change_And_Margin_Trend" }

再补一个轻量SQL查询示例，适用于把财报数据导入数据库后的分析：

SELECT report_period, SUM(case when business_line = 'Generative AI' then revenue else 0 end) AS genai_revenue, SUM(revenue) AS total_revenue, ROUND(SUM(case when business_line = 'Generative AI' then revenue else 0 end) / SUM(revenue) * 100, 2) AS genai_revenue_ratio FROM financial_data WHERE company = 'SenseTime' AND report_period IN ('2025H1', '2025H2', '2026H1') GROUP BY report_period ORDER BY report_period;

这类脚本不复杂，但能确保盈利观察是系统性的，而不是盯着某一个季度数字。

10. 风险提示：盈利背后还需要关注什么

认可盈利信号的同时，也要把风险点摆在台面上，避免形成“盈利就必然高枕无忧”的误判。

第一，收入结构集中度。如果某半年收入明显依赖少量大客户，那这轮盈利的含金量需要打折。客户预算收缩或项目延期，盈利很可能快速回落。

第二，研发投入压缩的代价。盈利除了来自收入增长，也可能来自研发费用压缩。如果为了追求利润大幅削减关键研发项目，短期财报好看，中长期竞争力会受损。

第三，算力供应链波动。先进GPU的采购、囤货和折旧策略会直接影响利润。国际芯片供应一旦收紧，商汤要维持算力规模，可能被迫采购价格更高或性能更低的替代品，毛利率会受到拖累。

第四，行业竞争白热化。国内大模型赛道是多家巨头和创业公司同时在打，价格战几乎无法避免。API降价会一路压到毛利，市场策略稍有不慎就会从盈利滑回亏损。

第五，长尾交付成本。大模型项目越做越深，客户需求越来越个性化，如果每次交付都要重新开发配套组件，边际利润就会很薄。产品化是破解之道，但产品化本身需要时间。

这几个风险不只是商汤的问题，而是整个AI商业化周期里都会遇到的共性问题。

11. 总结与下一步

商汤2026上半年首次实现盈利，可以看作国内AI公司商业化成熟度提高的一个坐标点。它的意义不在于“某一家公司赚钱了”，而在于验证了一条从高研发投入到规模化商业回报的路径是否走得通。接下来最值得做两件事：一是拿到商汤完整财报后，按照上文提到的跟踪框架，逐项核对收入质量、利润来源和现金流表现；二是把同类AI公司的财务周期放在一起做横向对比，判断商汤的盈利是孤例还是行业拐点。

对于读者来说，如果没有精力跟踪完整财报，就先盯住三个最直接的指标：生成式AI收入增速、毛利率趋势、经营现金流是否转正。这三个数一出，就能大致判断这轮盈利成色。