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. 核心信息速览维度说明公司商汤科技SenseTime核心事件2026年上半年首次实现盈利主要业务板块生成式AI、智慧商业、智慧生活、智能汽车技术底座SenseCore大装置 日日新大模型体系盈利驱动力生成式AI高增长、算力利用率提升、研发费用结构优化需要以官方财报为准的数据具体营收金额、净利润额、毛利率、现金储备适用分析框架收入结构、毛利率、研发费用率、算力利用率、客户复购率可借鉴的技术方向大模型训推一体化、智算中心运营、模型私有化部署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。观察维度核心指标判断标准收入增长生成式AI业务同比增速是否能持续跑赢行业平均增速毛利水平整体毛利率、生成式AI毛利率毛利率是否能维持或环比提升算力效率SenseCore整体算力利用率利用率越高单位折旧成本越低费用控制研发费用率、销售费用率收入增速是否持续高于费用增速客户质量头部客户复购率、十大客户集中度依赖少数大客户会带来收入波动风险回款效率经营现金流、应收账款周转天数应收账款过高说明回款和现金流存在压力模型迭代日日新版本更新节奏与评测表现模型效果下滑会直接影响API收入和订阅续费国际环境先进GPU采购与供应链稳定性芯片供给变化会直接冲击算力基础设施扩张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。
