一条关于“商汤2026上半年首次实现盈利”的说法最近在AI行业讨论里被反复提到。如果这个节点真的出现它不一定是AI大模型故事一夜变甜的证明而更像一个信号AI公司的竞争重点已经从前几年的“拼参数、拼榜单”慢慢转向“拼毛利、拼现金流、拼客户续费”。这篇不是商业分析报告也不是投资建议。我更想从一个长期做AI落地的技术博主视角把这件事拆成几个大家能自己判断的问题AI公司为什么之前一直不赚钱成本到底集中在哪从亏损到盈利是靠技术优化多一点还是靠商业模式调整多一点如果商汤真的在2026年上半年实现首次盈利哪些数据能证明它是真转好哪些只是财务口径带来的账面改善。开发者和技术团队又能从里面学点什么。下面直接按实操思路拆。1. 盈利故事要先分清“口径”否则容易被数字带偏1.1 账面盈利和经营盈利不是一个概念很多朋友看到“首次实现盈利”会默认理解成“公司不烧钱了开始赚钱了”。实际上这里的水很深。一家公司的利润表里“净利润”为正可能来自三个完全不同的原因主营业务收入大于主营业务成本这是大家通常理解的“赚钱”。投资收益或资产变现带来一次性收入比如卖掉一块资产、股权增值账面也能盈利。成本项调整比如减少研发投入、压缩人力、降低摊销或者调整折旧政策同样能让利润表变正。所以看到“首次盈利”四个字先别急着下结论。真正要确认的是利润来源里有多少来自主营业务有多少来自非经常性损益。商汤如果真在2026上半年实现盈利我也会先去翻报表附注看是不是靠一次性项目或在手订单集中确认收入撑起来的数据。1.2 看盈利质量比看“是否转正”更关键检验“是否真的转好”有几个更硬的指标毛利率是否稳定、经营性现金流是否为正、应收账款有没有同步增加、客户是否愿意续费。如果利润表长期亏损、经营现金流持续为负只有某一年因为特殊原因账面盈利那就不能作为趋势判断。从行业习惯说我一般会同时看“归母净利润”和“经调整净利润”。两者差距很大时往往说明表里有不少非现金项或被剔除的一次性费用。比如股权激励、资产减值、汇兑损益这些项目和日常经营关系没那么大但对利润数字影响很大。对普通读者来说不用建模只要记住一个原则利润越多来自日常经营和客户付费越接近真实的盈利。1.3 单季度转正不代表全年稳定哪怕某一年企业宣布“上半年盈利”也还要看下半年和次年Q1的数据。AI行业的政企项目存在很强的季节性上半年合同确认偏少年底集中验收的情况很常见。如果只是某个半年的盈利后面几个季度又亏回去那就只能叫阶段改善不能叫稳定盈利。判断稳定盈利的简单标准是连续几个季度都能维持正向利润并且现金流同步改善而不是靠某一笔大额订单把报表拉正。这个标准对商汤适用对其他任何做AI政企项目的公司也都适用。2. AI公司为什么难盈利成本项必须一项项拆2.1 训练成本是一次性投入推理成本才是持续黑洞商汤这类公司走的是大模型加多行业落地路线。在早期重投入主要花在训练上数据采集、数据清洗、算力集群、模型实验一次训练跑下来成本非常可观。但训练成本有一个特点它是一次性投入。模型训练完之后只要不再做大规模迭代这笔支出会逐步摊薄。真正的持续支出在推理阶段。用户每一次调用服务器都要重新计算一次生成一段文字、一张图或一段视频背后是GPU占用和电力消耗。用户规模越大调用次数越多推理成本增速越快。这里有个很常见的误判模型做出来之后以为边际成本接近零。实际上对生成式AI来说边际成本非常明显每个请求都在花真金白银。2.2 算力、电力、带宽和人力构成隐性负担除了GPU采购和云资源租用AI公司还有几笔容易忽略的成本。机房电力支出随着负载增加非线性上升带宽费用在视频类任务里尤其高数据标注和人工审核还需要维持团队。更贵的是人才。算法工程师、系统工程师、销售和交付团队会同时吃利润报表上的经营成本不只是“研发费用”一个数字。像商汤这种既有算法又有硬件和行业解决方案的公司成本结构会更复杂。它需要在研发、交付、运营三条线同时花钱。客户定制需求一多交付成本会非常难控制。你可能觉得同一个模型卖给十个客户很划算实际上每个客户都要做数据标注、接口适配、私有化环境部署这些费用会一直摊在毛利上。2.3 研发费用资本化会直接影响利润表这里要补一个财务常识。研发投入在会计处理上有两种方式费用化和资本化。费用化就是当年全部计进成本利润表马上变难看资本化则是把研发投入当成资产分年度摊销当年利润会好看一些。不同公司对研发投入的会计政策不一样所以单看“是否盈利”很容易被财务口径影响。这不算财务造假而是不同公司的选择。但看盈利信号时最好多看几年趋势而不是只盯某个半年的利润转正。如果一个公司今年宣布盈利但研发费用资本化比例明显调高或者资本化条件放松了那利润数字就要打个折扣。2.4 亏损不是问题问题是亏损有没有收窄AI公司亏钱是常态尤其在大模型竞争阶段。亏钱不是原罪关键是亏损是否在收窄、收入是否在增长、单位经济模型是否在改善。如果收入增长比亏损增长更快路径是有说服力的如果收入原地踏步亏损靠裁员和砍项目来压那就很难说进入了正循环。商汤这类公司的价值不在于某一年会不会盈利而在于盈利之后还能不能保持技术投入。AI行业不进则退研发投入一旦大幅萎缩后面很可能连盈利都维持不住。3. 从技术领先到商业闭环AI公司可行的盈利路径3.1 政企和私有化部署交付重但客单价高商汤早期很大一块收入来自智慧城市、安防、交通等领域。这类业务的特点是客单价高、交付周期长、定制化程度强。一个项目从招标到落地经常要半年甚至更久。好处是合同金额足够覆盖研发成本坏处是回款周期长验收环节容易拖。想在这里赚钱必须把交付流程标准化。比如同一套视觉识别能力在园区、社区、医院三个场景里能不能复用80%的模块只做20%的定制。比例反过来利润就会被人力成本吃掉。很多AI公司看着合同额不小年底一算项目成本发现钱都花在开发和实施人员身上了。3.2 大模型API服务收入增长快但价格竞争激烈随着大模型开放平台越来越普及按Token或按次收费已经成为主流。这种模式的优点是现金流稳定、边际交付成本低缺点也很明显国内模型API的价格竞争非常激烈很多厂商为了抢客户把价格压到很低的水平。如果推理成本没有做到足够低API卖得越多亏得越多。所以API收入增长很快不能直接等同于盈利能力提升。要同时看单位成本每100万Token的推理成本是多少和售价差多少。差距越大利润空间越大。这里没有直观的公开数据能对标但商业模型大致就是这样。3.3 端侧和云端协同把成本摊到更多场景单纯靠云端推理成本压力太大。现在很多公司会把一部分任务放到端侧比如手机、门禁、边缘盒子。简单识别或轻量生成放在终端完成云端只负责重计算。这样既能降低单次推理成本又能提升响应速度用户体验也更稳。对于商汤这类同时具备算法和硬件方案能力的公司端、边、云协同是很自然的成本优化路径。前提是硬件出货量要够大否则设备生产、驱动适配、售后维护的成本也会拖累利润。硬件不是不能做但一旦出货量上不去库存和物流成本会直接侵蚀毛利。3.4 从“做项目”变成“卖订阅”产品化是盈利必经之路项目制收入的最大问题是不稳定。客户今天买一个项目明天可能就不来了。订阅制或SaaS化的核心优势在于把一次性的项目交付变成可重复的软件服务客户按月或按年付费。客户留存率会直接影响盈利能力。AI公司做订阅制最难的地方不是技术而是如何把客户需求抽象成标准产品。每个客户都说自己的业务不一样这时产品团队要敢于做减法把核心功能做到90分长尾需求放到定制服务里另收费。没有这种取舍产品化就永远是讲故事。4. 成本优化才是AI公司盈利的技术底座4.1 推理优化量化、蒸馏、缓存怎么选AI公司要盈利成本优化不是行政层面的“节省”而是技术层面的系统性改造。第一类手段是量化。把模型权重从FP16压到INT8或者INT4推理时的显存占用和计算量都会明显下降。代价是极端情况下精度会掉一点。实际项目里通常不会拿着量化后的模型直接上线而是先在离线测评集上跑一轮确认精度损失在可接受范围。商汤这类业务覆盖视觉、语音、多模态的公司不同任务对精度的敏感度不一样量化方案也要分开做。第二类手段是蒸馏。大模型当老师小模型学知识把能力压缩到参数量更小的模型里。比如日常客服问答不一定每次都要调用千亿参数模型一个几十亿参数的蒸馏模型往往就够了。推理成本能下降一个量级。第三类手段是缓存。很多用户请求是高频重复的比如常见问题、固定模板、热门内容摘要。系统里加一层语义缓存命中之后直接返回结果不用重新计算延迟和成本同时下降。缓存设计要特别注意和业务逻辑的耦合避免用户拿到语义相似但实际内容过期的旧结果。4.2 算力调度和GPU利用率是盈利的隐藏变量很多人只看模型效果忽略了一个关键问题一台GPU服务器的利用率到底是多少。如果利用率只有10%不管模型多强单次推理成本都会非常高。公司要盈利需要像管理系统一样管理算力资源。常见做法包括把不同优先级的任务分时调度离线批处理任务放到夜间低峰期在线任务预留低延迟资源池。通过自动伸缩控制GPU池大小避免在非高峰时间也维持大量空闲资源。用队列管理偶发的大规模请求宁可排队几秒也不要为瞬时峰值配置全天候的冗余算力。建立可观测体系按模型、按接口、按用户维度统计GPU消耗和请求延迟让成本看得见。我实际见过不少项目模型本身没有问题但推理服务部署在固定的GPU实例上负载高了就扩容负载低了也不缩容月底一看资源账单非常刺激。这个问题不是架构难度高而是很少有人在日常运维里持续关注资源利用率。4.3 小模型优先适合任务就不要硬上大参数现在有种风气一提到AI能力就默认要上多大参数的模型好像参数越大越好。真实业务里完全不是这样。关键词提取、文本分类、实体识别、安全审核这些任务用中小模型就能做得又快又稳。只有复杂推理、创意生成、长上下文理解这类任务才需要更大规模的模型来兜底。从成本角度看模型每大一个数量级推理成本和响应时间都会显著上升。正确的做法是先定义任务边界再用最小可用模型跑通最后根据效果瓶颈决定要不要换大模型。这比一开始就追求“用最强大的模型”要理性得多。4.4 训练流程里的成本控制点训练阶段的成本也不容忽视。数据清洗和去重看起来不起眼但能直接减少无效训练训练超参要提前做小规模消融实验而不是直接在全量数据上试错断点续训和Checkpoint管理要做得规范避免训练到一半因为环境问题反复重来。这些都是很基础的事情却决定了训练成本是可控还是失控。对AI公司来说每一轮训练跑通又跑废烧掉的都是真金白银。技术团队如果能建立标准训练流程就是在帮公司改善利润结构。4.5 推理引擎和硬件选型要跟着业务走推理引擎的选择也很关键。同样的模型在不同推理框架上的显存占用和吞吐可能差出一倍以上。项目组如果只按模型框架默认配置上线很可能错过了已经成熟的编译优化能力。换引擎不是小事要重新跑压测和精度校验但在高并发业务里这笔投入很值得。硬件选型同样如此。不同任务对算力、显存、内存带宽的需求不一样。文本生成任务吃算力视频分析任务吃显存和带宽。如果所有业务都跑在同一个型号的GPU上资源浪费是必然的。在成本敏感的业务里CPU推理、边缘NPU、T4、L20、H20这些方案都要分别测过再决定采购策略。5. 真假改善的排查清单用业务数据看公司状态5.1 先看毛利再看净利利润表上毛利是收入减直接成本净利是再扣掉研发、销售、管理、财务费用和税费。AI公司如果毛利率很低说明每接一单业务直接成本就吃掉一大块收入后面的费用压缩压力会很大。如果净利润转正靠的只是削减研发人员这种盈利没有多少可持续性。我更建议把关注点放在毛利率趋势上。一家AI公司毛利率从40%慢慢涨到60%比单纯“净利转正”更有信号价值。毛利率提升往往意味着产品标准化程度上升、定制化成本下降或者高毛利业务占比提高。5.2 营收增速和客户留存哪个更重要当公司还处在亏损扩张期大家会看营收增速。一旦进入盈利验证阶段客户留存率和复购率会比获客速度更重要。今天的AI产品付费客户半年后还有多少在续费一年后有没有加购这些数据决定收入的确定性。只埋头拉新客户老客户不断流失营收增长再快也没办法形成稳定利润。商业模式建立初期留住一批高质量的种子客户比追求签约总量更重要。尤其对于做企业服务的AI公司客户续费意愿直接反映产品是否真的解决了问题。5.3 应收账款和政府补贴要单独剥离做政企项目经常面临的情况是收入已经确认但现金还没到账。应收账款增长速度如果超过营收增速利润表上看着赚钱实际现金流吃紧。AI公司在很多行业都靠项目交付这个问题尤其值得关注。另一个因素是补贴和税收优惠。如果企业利润里有大量政府补贴或退税那它属于外部输血不是完全依靠业务造血。不是说补贴不重要而是看盈利质量时要分清哪些是客户愿意付的钱哪些是政策环境带来的红利。这里可以按下面这个框来看数据指标看什么常见误解净利润是否来自日常主营业务一次性收入或费用压缩也能让净利为正毛利率直接成本在收入里的占比单看收入增长会漏掉成本结构经营性现金流公司能不能靠业务回款利润为正不等于现金充裕应收账款收入有没有变成真金白银政企项目回款慢坏账风险容易被忽略研发费用是否保持技术投入盈利可能是靠砍研发硬做出的客户留存率收入是否具备可持续性拉新增速再快流失快就没有利润5.4 研发投入趋势比单季盈利更有说服力判断AI公司有没有真的进入良性循环最核心的信号不是某一个季度的盈利而是盈利的同时研发投入是不是还保持在一个比较高的水平。如果为了利润转正而大幅砍掉研发本质上是把未来的竞争力抵押换了今天的报表数字。商汤这种公司能走到现在靠的始终是研发能力。如果2026年上半年实现盈利的同时研发投入仍保持高位说明它是通过收入增长和成本优化走出来的盈利如果研发投入明显跳水那就要谨慎理解这个盈利的质量了。6. AI公司盈利这件事对普通开发者和技术团队的启发6.1 做自己的项目也要算成本账很多开发者在做个人项目或团队内部工具时只关注“能不能跑”很少问“跑一次多少钱”。等到API账单出来才发现模型调用费用比服务器费用还高。我平时做调研型Demo第一件事就是给模型调用价格算一笔账每天测试100次一个月多少钱如果迭代参数重复调用费用会不会翻倍。这种成本意识用在自己项目上也能让技术选型更务实。能用规则或小模型解决的问题不要动不动就上大模型。省下来的不只是钱还有运行速度和维护复杂度。6.2 不要只用模型大小衡量技术能力大模型不等于强模型参数规模只是一个维度。真正决定业务价值的是模型在特定任务上的准确率、延迟和单次成本。AI公司要实现盈利也需要在这三者之间找到平衡点。普通开发者在面对各种新模型时也应该建立自己的评估框架而不是只看发布稿上的数字。一个团队如果能证明“用一个小模型加一套好的数据流程达到了大模型80%的效果”其工程能力往往比只会调用大模型API的团队更强。这种能力放到AI公司盈利语境下就是实打实的竞争力。6.3 从“能用”到“能交付”之间隔着工程化学术界和竞赛里的模型解决的是“能不能用”的问题但公司盈利靠的是“能交付”的问题。可交付意味着推理接口稳定集群资源足够监控报警完善日志可追踪遇到模型幻觉或输入异常时有降级方案。这些工程细节不会出现在模型榜单上却是客户愿意续费的核心原因。如果商汤这类公司的盈利路径真的走通了其中一大半功劳要记在工程化和交付能力上而不只是算法模型本身。对普通开发者来说这也是一个提醒别只盯着最新模型要把更多精力放在“如何稳定的跑起来”和“如何让客户用得明白”上。6.4 把ROI意识带入日常技术决策最后说一个比较反直觉的观点。技术团队想为公司盈利做贡献不一定要直接参与销售和定价。只要在日常工作中多问一句“这个方案会不会太贵”“这个模型有没有更轻量的替代”“这个架构是不是为偶尔才出现的峰值付出了太多成本”就是在帮公司改善利润结构。AI行业正在从拼概念转向拼经营质量。越早具备ROI意识的技术人越能在下一阶段拿到更核心的位置。等习惯把成本、效果、交付难度放在一起评估时再看“商汤2026上半年首次实现盈利”这类消息就不会只盯着标题而是会自然去想它背后到底做对了哪些事哪些事我也能复用到自己项目里。