过去十年AI行业一直有一个“魔咒”公司技术越领先、算法团队越强亏损反而越大。算力是吞金兽研发是无底洞客户验证流程动辄半年起跳。所以当“商汤2026上半年首次实现盈利”这种信号出现时值得关注的绝不只是新闻标题本身而是它背后代表的一条正在被打通的 AI 商业化路径。商汤是国内最早一批做大模型基础设施和生成式 AI 的平台型公司如果它真的在 2026 年上半年实现利润转正这件事对行业的意义可能比“某家大模型公司融资多少亿”更大。这篇文章想和你聊的是一家以深度学习起家的 AI 公司到底要通过什么样的业务结构调整、技术平台沉淀和成本控制手段才能把“盈利”两个字从 PPT 推进到真实报表。同时我会从技术工程化的角度拆解算力平台、生成式 AI、智能驾驶这几个关键板块中真正影响盈利质量的细节。不需要你完整理解商汤的全部业务只需要带着“AI 公司到底怎么赚钱”这个问题往下读。如果你是正在做 AI 产品或平台的技术负责人、关注大模型商业化的创业者或者单纯对“AI 烧钱时代何时结束”感到好奇的开发者这篇文章会提供一个比较完整的分析框架。读完你至少能回答三个问题AI 公司的盈利拐点到底靠什么触发大模型和传统 AI 商业化的本质区别在哪我们自己做的 AI 项目可以借鉴哪些降本增效的思路1. 这篇文章真正要解决的问题AI 公司盈利难不是单靠经营能力就能解释的它本质上是商业模式和成本结构共同作用的必然结果。过去十年大多数 AI 公司都踩在同一条路上先做算法再做项目最后发现项目越做越亏。原因很简单定制化项目没有规模效应每交付一个客户就要重新投入一批算法工程师、数据标注团队和现场实施人员人力成本会吃掉所有毛利。再加上 GPU 采购、机房建设等资本开支利润表自然很难看。大模型出现之后局面发生了变化但变化的方向需要仔细辨别。大模型确实提升了算法能力的泛化性一个底座模型可以覆盖几十个业务场景不再需要“一个场景训练一个模型”。但大模型的训练和推理成本同样惊人尤其是推理环节每一次 API 调用都在产生真金白银的电费和算力损耗。所以 AI 公司想盈利缺的不是技术而是一整套“把固定成本变成可复用资产把项目制交付变成标准化服务”的工程能力。商汤如果真的在 2026 上半年实现首次盈利背后一定不是某个单一因素的功劳而是结构性优化的结果。本文要拆解的正是这个结构算力从成本中心变成可复用资产大模型从技术 Demo 变成企业级服务智能驾驶和垂直场景业务从“卖方案”变成“卖标准化产品”。换句话说盈利拐点的本质是商业模式从“人力密集”转向“算力密集资产复用”。这个判断会在后面几个章节里展开。2. 先说结论盈利不是“省”出来的是“效率”换来的很多人一听 AI 公司盈利第一反应就是裁员、砍研发、压缩成本。实际上这是一个非常大的误解。AI 公司不是一个靠节流就能活好的行业因为它的核心资产是人才和算力过度压缩研发投入会导致技术代差被拉开长期看反而死得更快。从业务结构看盈利公式很简单净利润 收入 - 成本 - 费用但 AI 公司真正的难点在于收入增长和成本增长往往是非线性的。过去接一个客户就要搭一套算力环境、配一组算法工程师、做一轮定制调优收入和成本几乎是 1:1 的关系这种模式下规模越大亏损越多。而大模型和算力平台出现之后成本结构变成了“前期高强度投入 后期边际成本递减”只要前期的资产能被复用到足够多的业务上盈利就会自然出现。所以商汤如果真的实现盈利更值得关注的是它收入结构的变化标准化产品和服务的收入占比提升算力平台和 GPU 集群的利用率提升大模型服务的边际交付成本降低智能驾驶等垂直场景形成可复制的交付工具链。这些变化在财务上的表现是毛利率提升、费用率下降、经营现金流改善。请注意一个关键点净利润转正只是结果毛利率和现金流才是先行指标。如果你在一份财报里看到营收增长、毛利率提升、经营现金流改善那么净利润转正是迟早的事。反过来如果只是靠一次性的资产处置收益或政府补贴把净利润做正那不能证明盈利拐点已经到来。从技术工程角度看盈利效率对应的是一系列具体指标GPU 集群利用率是否从 30% 提升到 60% 以上推理服务的单 token 成本是否在持续下降项目交付周期是否从几个月缩短到几天这些指标每一项背后都是一个工程问题。3. 驱动力一算力平台化从“买机器”到“卖算力”商汤的 SenseCore 大装置是过去几年投入最重的基础设施。它本质上是一个 AI 基础设施平台把 GPU 资源、数据管理、模型训练、推理服务封装成标准化能力。这个平台在公司内部支撑算法研发走出盈利拐点时它的定位已经变成了对外提供服务的算力平台。它相当于一家公司自己建了发电厂然后发现除了自己用电还可以把电卖给其他企业。盈利的关键不是发电成本本身而是“开工率”。一个 GPU 集群如果利用率只有 30%那它就是沉重的折旧负担利用率如果能做到 70% 甚至 80%那它就是利润中心。在技术工程上算力平台化有几个核心指标集群利用率任务排队时间算力碎片率弹性伸缩能力多租户隔离成本。下面是一份极简的 GPU 调度队列配置示例用来展示“如何通过资源配额让集群跑得更满”。如果调度做得好同样一批 GPU 能承载更多任务单位算力成本就会下降。# 文件路径scheduler-queue.yaml apiVersion: scheduling.ai-example.io/v1 kind: Queue metadata: name: production-gpu-queue spec: resources: nvidia.com/gpu: max: 1024 min: 64 preemption: true priority: 10 limit: cpus: 8000 memory: 32Ti在这个配置里我们给生产环境队列设置了 GPU 上限和下限并开启抢占调度。它的含义是当高优先级任务到来时低优先级任务可以被抢占资源保证核心训练任务及时执行避免整个集群因为少数长尾任务而空转。再看训练任务的 Pod 配置。一个真正高效的算力平台不仅要关注单任务跑多快还要关注多任务之间的资源互补。# 文件路径trainer-pod.yaml apiVersion: v1 kind: Pod metadata: name: llm-trainer-job namespace: ai-platform spec: schedulerName: custom-scheduler priorityClassName: high-priority containers: - name: trainer image: registry.example.com/llm-trainer:v2.3.1 resources: limits: nvidia.com/gpu: 8 requests: nvidia.com/gpu: 8 env: - name: MASTER_ADDR valueFrom: fieldRef: fieldPath: status.podIP这里的关键不是图片镜像名而是资源请求和限制的设置方式。在算力平台里如果每个任务都申请了远超实际使用的 GPU 资源集群的“虚胖”就会很严重。很多平台利用率低不是 GPU 不够而是资源超卖和碎片化导致任务无法互相填补。一个成熟的调度器要能识别“这个任务申请了 8 卡但实际只用 6 卡”的场景并把空闲的两卡让给其他任务。如果集群调度做得好财报上会体现为几个结果同样数量的 GPU 承载了更多训练任务碎卡被合并利用资源碎片率下降任务排队时间缩短交付周期变快研发人均产出上升。反过来如果调度混乱就算买再多的 GPU利用率也上不去资本开支就会变成沉重的折旧压力。这就是为什么“算力平台化”是 AI 公司盈利的第一驱动力。4. 驱动力二大模型商业化从项目制到服务化商汤的“日日新”大模型是 2023 年以来的核心方向。大模型的商业化逻辑和传统 AI 算法有本质区别。如果看懂了这一点就能理解为什么大模型能帮 AI 公司赚钱而传统项目制只能越做越亏。传统 AI 算法的商业模式是“一个场景一个模型”。客户需要人脸识别就训练一个人脸识别模型客户需要工业质检就训练一个工业质检模型。每个项目都独立定制、独立验收、独立交付算法工程师的时间和算力都无法复用。这种模式下公司本质上在做“人力外包”毛利率很难做高。大模型则改变了结构它是“一个底座多个场景”。底座模型预训练完成后通过微调、RAG 知识库、提示词工程等方式适配不同任务交付的边际成本大幅下降。当生成式 AI 收入占比提升说明商业模式已经从“人力密集交付”变成了“算力模型服务”。服务化的核心就是 API。下面是一段调用大模型 API 的 Python 示例看起来很简单但请注意它背后的运营逻辑每一次调用都是可计量的收入而 GPU 推理成本同样可计量只有两者构成正向的单位经济模型API 服务才值得长期运营。# 文件路径llm_client.py import os import json from openai import OpenAI client OpenAI( api_keyos.environ.get(SENSETIME_API_KEY), base_urlhttps://api.example.com/v1 ) def generate_text(prompt, max_tokens1024, temperature0.7): try: response client.chat.completions.create( modelsense-nova-v5, messages[ {role: system, content: 你是一名专业的技术文档助手。}, {role: user, content: prompt} ], max_tokensmax_tokens, temperaturetemperature ) return response.choices[0].message.content except Exception as e: print(f调用失败: {e}) return None if __name__ __main__: result generate_text(请用三句话概括大模型API服务的降本思路。) print(result)大模型 API 服务和传统项目的成本差异可以用一个表格来对比。维度传统定制项目大模型 API 服务交付方式现场实施、私有化部署线上 API 调用交付周期3-6 个月1-3 天边际成本每个项目都要投入算法和工程人力GPU 推理电费客户粘性项目验收后关系减弱按月订阅付费持续占用毛利率通常低于 30%规模化后可达 50% 以上当然API 服务也面临一个巨大的挑战推理成本。大模型上线后推理是持续发生的主要成本。企业服务场景通常要采取这些策略来降低成本增大 batch size提升 GPU 利用率使用连续批处理避免 GPU 等待按业务流量弹性伸缩闲时缩容通过量化、蒸馏降低显存占用。下面是一个推理服务弹性伸缩的配置示例。它的设计目标是流量高峰期自动扩容低谷期自动缩容避免 GPU 空置。# 文件路径inference-autoscaler.yaml apiVersion: autoscaling.ai-example.io/v1 kind: InferenceAutoscaler metadata: name: llm-service-autoscaler spec: scaleTargetRef: name: llm-inference-server minReplicas: 2 maxReplicas: 20 metrics: - type: Resource resource: name: nvidia.com/gpu targetAverageUtilization: 70 behavior: scaleDown: stabilizationWindowSeconds: 600从商业角度看大模型服务化的意义不止是收入增长更重要的是收入质量客户从“买项目”变成“买服务”按月付费现金流稳定交付周期从几个月变成几天销售效率提升模型能力可以持续迭代客户不需要重新采购续费率提高客户成功团队可以标准化服务而不是每个客户单独驻场。这些因素共同推动公司从“亏损扩大”走向“亏损收窄”。5. 驱动力三智能驾驶与垂直场景打开第二增长曲线如果只看大模型对商汤盈利逻辑的理解会不完整。智能驾驶、智慧商业、智慧城市这些垂直场景同样是收入结构中的重要组成部分。尤其是在大模型能力还没有完全兑现为商业回报的阶段垂直场景业务是现金流的“稳定器”。智能驾驶行业的核心变化是车企越来越倾向于采购标准化感知方案、舱内交互方案和行泊一体方案而不是纯定制开发。这背后的原因很简单——车企自己也在降本他们不想为每一个新车型支付一笔高昂的算法定制费而是希望算法公司能提供“上车就能用”的标准化方案。这对算法公司来说既是好事也是挑战。好的一方面在于研发成本可以分摊到多个车型项目上每一次新增收入不需要同比例的研发投入。挑战在于车规级场景对安全、稳定、实时性的要求极高而且嵌入式平台的算力资源有限不可能像云端一样无限堆 GPU。所以智能驾驶业务要盈利必须做平台化和工具链化。一套标准化工具链可以复用到多个车型项目避免每个项目重复造轮子。一个典型的工程实践是将数据回传、脱敏、标注、训练、仿真、测试整合成一条流水线。# 文件路径data_pipeline.py import time import logging from dataclasses import dataclass logging.basicConfig(levellogging.INFO) dataclass class DataPipelineStep: name: str enabled: bool True retry_times: int 3 class AutoDrivingDataPipeline: 智能驾驶数据流水线模拟数据回传后自动处理的全流程 def __init__(self): self.steps [ DataPipelineStep(数据回传), DataPipelineStep(数据脱敏), DataPipelineStep(自动标注), DataPipelineStep(模型训练), DataPipelineStep(仿真测试), DataPipelineStep(影子模式验证), ] def run(self, vehicle_id: str): logging.info(f车辆 {vehicle_id} 启动数据流水线) for step in self.steps: if not step.enabled: continue for attempt in range(step.retry_times): try: logging.info(f执行步骤: {step.name}, 第 {attempt 1} 次尝试) # 这里替换为真实处理逻辑 time.sleep(0.5) break except Exception as e: logging.error(f步骤 {step.name} 失败: {e}) if attempt step.retry_times - 1: raise logging.info(f车辆 {vehicle_id} 数据处理完成) if __name__ __main__: pipeline AutoDrivingDataPipeline() pipeline.run(demo-vehicle-001)这套流水线的价值在于研发团队不需要为每个车型项目重复编写数据管理脚本、训练脚本和仿真脚本。数据一进来自动进入处理流程模型自动训练自动生成测试报告。这样一来现场工程师的投入就能降到最低。除了流水线智驾业务还有一个重要的成本点——数据闭环。智能驾驶的数据是海量的一个车队一天可以产生几十 TB 的数据但真正有价值的关键场景数据只占一小部分。如果所有数据都回流训练存储和算力成本会爆炸。更合理的做法是车端先做场景筛选只有“稀有场景”和“模型失败场景”才回传形成高效的数据闭环。这是智驾业务能否盈利的一个关键工程变量。6. 盈利的“含金量”怎样判断一次盈利是真正的拐点“盈利”这个指标本身很容易被误读。2026 年上半年如果真的实现盈利判断它的成色不能只看“净利润为正”这一条还需要从更多维度拆解。第一个维度是利润来源。净利润是主营业务贡献的还是来自非经常性损益政府补助、资产处置收益这类收入是偶然性的无法证明公司具备持续盈利能力。在财报分析中更值得关注的是“扣非净利润”。第二个维度是毛利率。毛利率能反映商业模式的产品化程度。AI 公司毛利率如果长期低于 30%说明模式偏人力和项目制规模效应不强。如果毛利率能稳定在 50% 以上说明产品化和平台化程度在提高算法和算力的复用性在增强。第三个维度是经营现金流。净利润是会计概念现金流才是企业的生存底线。如果账面盈利但经营现金流持续为负说明收入质量不高或者客户回款周期太长这样的盈利是不可持续的。第四个维度是研发投入强度。AI 公司如果为了追求短期盈利而过度压缩研发投入长期会丧失技术壁垒。健康的盈利模式应该是收入和研发投入同步增长但收入增速更快最终通过杠杆效应实现利润转正。所以在评估“商汤 2026 上半年首次实现盈利”时真正值得关注的不是那一个净利润数字而是同步观察营业收入是否还在增长毛利率有没有提升经营现金流有没有转正研发投入是否保持在合理范围生成式 AI 和智能驾驶等新兴业务的收入占比是否在提升。如果这些指标同步向好那这次盈利就大概率是一个高质量拐点。7. 从商汤盈利路径看 AI 降本增效的通用方法论商汤的盈利路径对其他 AI 公司和研发团队有哪些可迁移的经验我在整理这个问题的答案时总结了三个最核心的方法论。7.1 算力要当资产经营而不是当工具使用很多 AI 团队对 GPU 的理解还停留在“买卡、跑代码”的层面。但当 GPU 成为公司最大的资本开支项时必须用经营资产的思路来管理。所谓经营资产意味着要关注投入产出比、利用率、折旧周期和闲置浪费。具体来说可以建立几个基础机制建立 GPU 利用率监控体系按项目和业务线统计使用情况训练任务和推理服务分池部署避免互相争抢通过配额和优先级调度避免资源闲置定期清理长期不用的模型镜像、数据集和推理 Pod。一个很现实的现象是很多公司的 GPU 利用率很低并不是因为任务少而是因为团队怕任务排队所以每个人都要独占整卡资源最后导致大量资源空置。这种问题靠购买更多 GPU 解决不了只能靠调度和配额机制解决。7.2 交付要服务化能用 API 解决的不要做定制项目AI 商业化最大的陷阱是每个客户都要定制。定制项目毛利低、周期长、不可复制本质上做的是“人力生意”。更健康的方向是尽可能把能力封装成服务算法能力 API 化让客户通过接口调用模型底座统一用微调和 RAG 适配不同行业而不是每一步都从头训练提供标准化的 SLA 和运维方案降低交付现场的复杂性。这要求技术团队在架构设计阶段就预留多租户和可配置能力。如果每个客户都是独立部署一套代码、独立维护一套环境那研发团队的维护成本会随着客户数量线性增长。7.3 成本要显性化推理成本按业务线核算大模型的推理成本是长期且持续的。很多公司没有按业务线核算推理成本导致某个客户看着收入很高实际一算还是亏的。更稳妥的做法是为每个业务线建立成本基线在 API 网关层统计 token 消耗和 GPU 用量定期计算各业务线的单位经济模型。单位经济模型指的是一项业务在服务一个客户时的平均收入、平均成本、毛利率和回款周期。当每个业务线的数据都清晰可见时企业才能做出“继续投入还是收缩”的正确判断。AI 行业不缺技术人才缺的是把成本算明白的人才。8. 常见误区与排查思路在讨论 AI 公司盈利这个话题时有几个误区很容易出现。如果你的团队正在做 AI 商业化或者说准备分析和复盘某个 AI 项目的财务表现下面的排查思路可以直接参考。8.1 误区一盈利就是“收入减去支出这么简单”很多分析只盯着净利润是否为正忽略了收入质量和成本结构。单一数字无法反映健康度。正确做法是看三层收入端是否可持续毛利率是否在提升成本端算力成本、人力成本、销售费用、研发费用的比例是否合理现金端经营现金流是否为正回款周期是否在缩短。8.2 误区二大模型盈利主要靠 to C 收费目前国内大模型 to C 订阅收入占比并不高真正的规模化收入来源往往是 to B 的 API 调用、企业级私有化方案、智驾量产项目和政企数字化项目。如果只看 C 端订阅很容易低估商业模式的复杂度和收入天花板。8.3 误区三算力越多越好算力是重资产买得越多折旧压力越大。真正重要的是利用率而不是总量。一个 70% 利用率的 1000 卡集群商业价值远高于一个 30% 利用率的 2000 卡集群。很多公司的算力困境不是不够用而是用不充分。8.4 常见问题排查表现象可能原因排查方式解决建议收入增长但毛利率下降定制项目占比过高分业务线核算毛利提高标准化产品和 API 服务占比GPU 利用率长期低于 40%任务调度和资源配额不合理查看任务排队、碎片率和闲置 Pod引入优先级队列和共享 GPU 调度大模型 API 服务成本过高推理 batch 太小、无弹性伸缩监控 token 成本、GPU 占用率使用连续批处理和自动扩缩容客户回款周期过长项目制交付验收难分析应收账龄和坏账风险推动按月订阅或预付费模式研发投入被大幅压缩短期盈利压力导致过度收缩对比研发费用率和长期规划保持核心研发强度砍掉低价值项目9. 总结与思考商汤 2026 上半年首次实现盈利如果最终落地它的意义不只是这家公司财务上的一次转正更代表 AI 行业的一条关键路径正在走通算力资产化、模型服务化、场景产品化。对技术人来说这件事的最大启示在于AI 的商业化不是单点技术突破而是一整套工程体系的效率提升。从 GPU 集群调度到大模型推理优化再到垂直场景工具链搭建每一个环节都在为毛利率做贡献。如果一个 AI 公司只把心思放在刷榜和炫技上而忽略了工程交付效率和成本控制那盈利拐点只会越来越远。如果你想在自己的技术或业务中复制类似的路径建议按下面的顺序入手先看清楚成本结构算力、人力、交付成本分别占多少找到可以被标准化的能力优先封装成 API 或服务建立成本基线和单位经济模型用数据驱动决策最后再考虑扩张新收入不要牺牲现金流去换账面收入。最后留一个值得持续观察的问题当越来越多的 AI 公司开始盈利整个产业链的竞争逻辑会不会从“拼融资”转向“拼经营效率”如果答案是肯定的那未来 AI 行业的入场券就不再只是模型参数规模而是工程化能力。