商湯科技

直播了視頻 · ·

2026年中期業績發佈會

【AI 要點總結】

財務表現

- 集團實現收入29.1億元，同比增長23.4%

- 生成式AI收入23.3億元，同比增長28.2%，佔集團收入近八成

- 毛利達到12.1億元，同比增長32.9%，毛利率提升到41.4%

- 首次實現IFRS口徑淨利潤6.2億元

業務進展

- 發佈SenseNova U1.5模型，實現理解、推理、生成和編輯的貫通

- 運營總算力規模達到4.8萬卡，日均token服務消耗量達到2.4萬億

- 小浣熊總用戶數同比增長超過五倍，企業用戶增長超過六倍

- 連續十年位列中國計算機視覺市場第一

下一季度業績指引

- 預計26年全年經調整後EBITDA層面開始盈利

- 經常性收入佔總收入比例下半年將比上半年有明顯提升

- 資本開支增長速度在當前時段會高於收入增速

機會

- 海外業務收入同比增長127%，在香港和沙特落地算力中心

- 推動多模態長程智能體在真實任務中的持續進化

- 通過算電協同降低單位用電成本約8%，年碳減排量達到2.4萬噸

- 與麒麟軟件等建立戰略合作，擴大市場覆蓋

【AI 會議實錄】

商湯集團資本市場負責人Phil

首先介紹出席本次發佈會的公司管理層代表，商湯集團董事長兼首席執行官徐立博士，大家好。執行副總裁王曉剛博士，執行副總裁大裝置事業群總裁楊帆先生，執行副總裁首席科學家林達華博士，大家好。以及執行副總裁首席財務官王錚先生。

在正式開始之前，我先讀免責聲明。今天的討論可能包含前瞻性陳述，前瞻性陳述涉及內在風險和不確定因素，可能導致實際結果與當前預期出現差異。有關風險及不確定因素的詳細說明，請參閱商湯集團向香港港交所提交的最新公告。除非適用法律另有規定，商湯集團不承擔更新任何前瞻性陳述的義務。

今天的討論也涉及若干非國際財務報告準則財務指標，主要用於幫助大家進行比較分析。管理層將使用中文進行預先準備的發言，英文會議線路會提供同聲傳譯。如果原話與翻譯存在差異，請以管理層中文原話爲準。

接下來我們請徐立博士和其他幾位管理層代表分別發言，介紹商湯集團2026年上半年的經營和發展情況。最後我們會邀請管理層共同參與問答交流。首先有請徐立博士。

徐立博士

各位嘉賓，各位投資者朋友，大家好。感謝大家參加商湯集團2026年中期業績發佈會。今年上半年，我們也看到AI產業正在從模型智能加快走向行動智能。過去大家更多關注模型能不能回答問題，生成內容，現在競爭正在轉向AI能不能理解和分解一個複雜的目標，調用工具，協同多個智能體持續執行幾百個步驟，最後交付一個可使用、可以驗證的結果。

在這個趨勢之下，我們上半年也交出了一份不錯的成績單。集團實現收入29.1億元，同比增長23.4%。其中生成式AI收入23.3億元，同比增長28.2%，佔集團收入近八成。視覺AI收入近五億元，同比增長13.9%。海外業務收入同比增長127%，成爲非常重要的增長動力。

更爲重要的是，增長的質量在持續改善。我們上半年的毛利達到12.1億元，同比增長32.9%，毛利率提升到了41.4%。這一次我們增加了一個新的披露口徑，經常性收入，也就是recurring revenue，反映的是已經生效的合同裏面具備持續續約屬性的收入。它的金額達到11.4億元，同比增長124.4%，佔集團收入39.3%。

這說明我們與客戶的合作關係正在從項目的交付、產品的售賣轉向持續使用模型token和智能體的服務。我們的經營效率也在明顯提升，上半年經調整後的淨虧損縮窄到3.9億元，同比收窄67.3%。同時，集團實現IFRS口徑的淨利潤6.2億元，這也是商湯上市以來首次實現IFRS口徑上的盈利。

這些數字背後反映的是同一個變化，商湯的技術基礎設施和產品正在形成更加完整的產業閉環。順便說一下，我們PPT裏的所有的圖都是我們的新的由1.5的模型來生成的。這張圖概括了商湯現在覈心能力的體系，我們致力於構造這樣的一套模型、一個token工廠和一套智能體管控系統，也就是三個一。

過往講的是三位一體，把基礎設施、模型和應用整合在一起。現在我們做的這個轉化，實際上是核心的突出了我們的競爭力。三個一里面，一套模型負責持續提升智能的上限，我們以日日新原生多模態的統一架構爲基礎，把理解、生成、推理、執行逐步貫穿，讓模型不僅能夠處理文字，也能夠處理圖像、視頻、空間以及各種應用的界面。

一座token工廠負責把智能規模化生產出來，它也不單單是提供算力，而是通過模型與基礎設施的聯合優化，把不同的芯片、不同的集群，包括和能源以及交付節點的組織聯繫起來，持續生產更高質量、成本更低的token。一套智能體的管控系統，agent harness的系統，負責把模型和token轉換成爲完整的任務。它連接知識、工具、工作流、身份權限、記憶、評測和安全治理，支撐前端不同的智能體的產品。

我們的長期判斷是token的效率決定智能的成本，而最終的任務交付決定客戶的價值。所以AI的商業模式最終不會只是停留在賣模型或者賣多少token，而是越來越多的按照完成了什麼任務、交付了什麼結果來衡量。接下來我們請達華來介紹一下模型和智能體研發上的一些進展。

林達華博士

接下來由我向大家介紹商湯在模型研發上的思考和最新的進展。我們商湯在技術路線上是一貫的，是一個連續的過程。我們始終認爲多模態是實現一個更完整的AGI的必不可少的關鍵路徑，而且會隨着智能水平的持續迭代和提升，多模態的能力邊界也在不斷的擴展。

在早期第一階段，圖像感知和語言模型的結合實現了最基本的多模態的理解能力。當前在第二階段也取得了重要的進展，通過原生多模態能力和智能體能力的有效的結合性的訓練，我們實現了可以高效處理混合模態信息的多模態長程智能體。在保證智能體基礎能力的競爭力的同時，也顯著的通過多模態能力拓展了它的應用邊界。

展望未來，我們將繼續推動多模態AI能力走向真實的物理世界，讓AI能夠在複雜的物理空間中理解環境、預測變化並且驅動行動。這不是幾條彼此分離的路線，而是同一套架構不斷的擴展能力邊界。多模態讓模型看得更加全面，而長程智能體的能力讓模型做的更加的深入和完整，空間智能和物理反饋則讓模型會開始理解真實世界，並且在真實世界中行動。

在今年年初，我們沿着這條道路在第一代Leo架構的基礎之上，進一步推出了Leo unify原生多模態理解統一的架構。它在架構上做了很大的創新，摒棄了傳統的編解碼器分離的方式，在統一的表徵空間裏面有效的處理圖像和文字，使得多模態從功能的拼接走向真正的原生融合。

在這樣的一個新的架構基礎之上，我們在四月份發佈了SenseNova U1，第一次在單一模型裏面實現了統一理解、推理和生成。而在不久前發佈的U1.5又進一步的貫通了這一個理解、推理、生成和編輯，充分驗證了這一套架構強大的擴展能力。

SenseNova系列模型的社區影響力和開源生態也在快速的構建和形成。U1系列開源不到四個月，U1以及相關的SenseNova Vision和SenseNova Skill三個項目在GitHub上累計獲得超過1.1萬個星標。統一的模型架構對於整合視覺感知能力、提升視覺推理以及可控生成方面帶來的效果是非常顯著的。

在視覺感知和空間理解方面，用一個統一的模型統一的視覺理解、幾何預測、圖像分割和三維幾何等等的任務能力。在視覺理解上面，我們也取得了重要的突破，通過有效的圖文混合的推理，U1.5 Lite在權威視覺推理MMVP Pro的榜單上面取得68.3的成績。

在可控生成方面，統一理解和生成減少了跨模態轉換帶來的信息損失。U1.5 Lite只有8B的一個輕量的規模，但是已經可以生成非常精細的原生的4K的圖像，並且能夠精準的執行長篇的多約束的創作指令，而且還可以精準的修改指定的內容，並且保持整體的結構穩定。這樣圖像生成從一次性的出圖走向可控可迭代的專業工作流程。

得益於模型架構的先進效率，U1.5 Lite實現了以小博大，在權威測試上達到了比肩Nano Blana Two的水平，實現了業內領先的性價比。在統一架構之上，我們進一步把多模態和長程智能體結合在一起。八月份發佈的SenseNova 6.8 Flash Light可以把文檔、圖表、網頁、視頻和應用界面放在同一個任務軌跡中進行處理。

它可以跨越數百個步驟持續工作多個小時，並且調度十多個專業的智能體，自主完成從信息搜索、數據分析到報告和演示文稿生成的全過程。在這個過程裏面，多模態它並不是一個額外的成本，反而通過語言和視覺元素的有效結合能夠有效的提升長程任務的效率。在信息搜索、圖文混合數據分析的任務中，6.8 Flash Light相比於純文本的LLM平均減少大概60%的token消耗。在企業辦公和團隊協作的多個權威評測上面也取得了領先的表現。

在內容創作方面，SenseNova的表現同樣突出。我們的SenseNova U1 Pro把需求理解、創作推理、圖像生成、編輯校驗等等的創作流程連成一個完整的模型工作流。它的意義不再是做一個單點的生成模型，而是讓AI能夠交付一份專業的內容成果。在今天剛剛發佈的第三方評測Super Crew Image榜單上面，U1 Pro取得榜首，超過了GPT Image Two。而同一個榜單上面輕量級的開源模型U1.5 Lite也取得不俗的成績，比肩最新發布的多個閉源商用模型。

另外在這裏也跟大家預告一下，我們將會很快推出有更大參數的長程智能體模型Flash。我們相信它將能夠在更復雜的任務以及更多智能體協作方面取得更好的表現。再往前看，我們的目標是不斷的去探索物理智能的邊界。商湯的SenseNova SI 8B空間智能模型在八項空間智能基準上面已經達到了開源模型的領先水平。

我們和生態企業大小機器人協同研發的開悟3.1世界模型，以統一架構融合了對物理世界的理解、生成和預測。它在BF16精度下面實現了125毫秒的推理延遲，即使是有這麼短的一個延遲，它依然可以通過異構多模態適配不同的機器人本體，體現了強大的可擴展性。這部分的前瞻探索爲我們提供了非常重要的研發閉環，從理解世界、推演未來到驅動行動、獲取反饋，再用真實的反饋來迭代模型。

接下來我們請楊帆介紹支撐這些模型研發和規模化服務背後的token工廠。

楊帆先生

謝謝。達華剛才介紹了模型如何持續提高智能上限，接下來我來講一講大裝置，作爲業內最領先的原生AI基礎設施服務提供者，如何把這種智能穩定高效的生產出來。隨着大模型訓練的持續演進、推理需求的快速增長以及智能體真正進入真實工作流，AI基礎設施的價值已經不僅僅是說有多少算力，而是能夠是否能夠持續穩定高效的生產高質量token。

而token也不是同質化產品，同樣一個token背後模型的推理水平、準確性、可靠性、響應速度和成本可以完全不同。因此商湯大裝置正在主動追隨業內趨勢，從算力資源的高效供給升級爲高效率、低成本、高質量的token生產提供。我們一方面通過模型適配、推理優化、異構調度和算鏈協同，提升產量、降低成本，另一方面，通過對模型和任務的理解，提高每一個token所承載的推理、理解、生成和執行能力。

長期來看，token工廠也會從生產token進一步走向完成任務，效率指標會逐步從單位token成本延伸到單位任務的質量、成功率和成本。首先作爲AI基礎設施板塊，我們的關鍵任務之一一直都是支撐商湯模型持續摸高，並且把前沿模型快速轉化爲穩定服務。我們通過持續的技術迭代和創新，推動商湯的模型研發和服務的系統支撐體系保持在業內的領先水平。

面向智能體模型的長上下文訓練，我們結合先進算力的互聯和顯存特點，優化序列並行、拓撲感知的多維並行策略，以及計算和通信的協同，做到了使優化速度訓練速度較優化前提升兩倍。在強化學習的後訓練階段，我們把訓練和採樣任務解耦，再利用國產算力和先進算力組成異構推理資源，加快樣本生成，提高後訓練的效率。

在圖像視頻生成方面，我們自研的LiteX2A推理框架把部署蒸餾和多層次計算優化結合起來，使生成效率提升了六倍。另外，依託統一的研發和部署底座，我們能夠做到把模型規模化部署到一個新卡型的國產集群的週期縮短到一週，從而極大的提升了模型技術迭代高效規模化走向市場的效率。

在強化我們自身系統能力的同時，我們也特別重視自研模型和上游芯片廠商的協同。舉例來說，SenseNova U1發佈的當天就實現了與超過十家國產芯片廠商的首發適配，做到模型開源即運行，而且兼容不同國產芯片。這些能力共同縮短了從模型創新到商業化服務的距離。

同時，我們這麼多年一直在堅持做一件事情，並且這件事情越來越成爲被驗證的趨勢，就是推動國產算力的生態建設和規模化商用，讓它從能夠運行走向高效商用。爲了實現這個目標，我們自研了覆蓋模型、框架、算子、工具鏈和硬件的全棧適配體系。通過底層算子優化、多卡並行調優、PD分離和異構推理，主流國產芯片的MFU，也就是模型浮點運算利用率最高可以達到芯片原廠基準水平的2.5倍。

這個提升的意義不僅僅是技術指標的優化，而更在於優化了國產智能硬件的性價比，保障了國產芯片的純市場化利潤水平，從而支撐國產芯片服務體系的內生性規模化增長。與此同時，我們把國內積累的建設和運營能力複製到更多的地區甚至海外。商湯和香港科技園合作建設全港最大的國產算力中心，目標在2030年之前達到四萬卡。同時在沙特，我們落地了首個出海的國產算力集群。

對我們來說，這不僅僅是算力節點的擴張，更是token生產和交付能力的全球化。在強大的性能保障支撐下，我們的token工廠對外服務的規模也在快速的增長。截止到今天，我們運營的總算力規模達到4.8萬卡。在上個月世界人工智能大會的時候我們也和大家報告過，商湯大裝置的日均token服務消耗量已經達到了2.4萬億，同比增長大概22倍。

除了服務商湯日日新大模型，我們的token工廠也在爲四家外部基礎模型廠商提供服務，並且覆蓋了AI Science、視頻生成、具身智能、世界模型和城市級智能化等高度複雜度的場景。而接下來，智能體會帶來更長的推理鏈條，更頻繁的工具調用和更高的併發需求。我們的目標不是簡單擴大算力規模，而是持續增加高質量token供給，並不斷降低完成一個真實任務所需要的成本。

最後一座token工廠想要輸出極致的性價比並代表未來的發展趨勢，一定要向更底層的能源效率要成本，以及大力擁抱綠色能源的使用，實現自身的可持續發展。商湯大裝置已經打通了算力管理、數據中心運營和能源管理系統，建立從電力負荷預測到算力任務安排和運維決策的協同機制。目前通過我們的算電協同，大模型和agent的複合預測準確率已經可以達到96%。

系統可以根據預測結果協同儲能調度、機房運維和算力任務安排，持續優化PUE和用電結構。這些措施共同推動我們的平均單位用電成本降低大約8%。今年上半年，我們累計節約的電力成本超過1200萬，每萬卡算力的年碳減排量達到2.4萬噸，比2025年實現數倍的增長。

算電協同的價值也非常直接，它既能降低資源成本和碳排放，也爲大規模token工廠持續降低單位智能生產成本提供了一套可複製的運營方法。我們將一如既往的推動相關領域的引領性探索和商業化驗證。前面介紹了模型和token工廠，我們要真正的完成任務的交付，還需要一套系統把它們連接起來。

大家在前端看到的是商湯的小浣熊辦公智能體、如影營銷智能體、Cycle內容創作智能體等不同產品，他們服務的用戶和場景不同，但在後台都是同一套智能體管控系統在提供支撐。這套系統負責理解用戶目標、拆解任務、調用知識和工具、編排工作流，也統一管理身份權限、長期記憶、執行評測、審計追溯和安全治理。

簡單來說，它一頭連接模型和token工廠，一頭連接企業與個人的真實工作流，把模型會什麼轉化成系統能夠穩定的完成什麼。通過前端智能體產品的多元化、後臺能力的統一化，我們能夠把同一套任務交付能力更快複用到不同產品、行業和用戶場景中，持續提升任務完成的質量、可靠性和交付效率。

在企業市場，我們通過公有云API、企業級私有化部署等服務，把統一的智能體能力接入了客戶工作流。在辦公場景，商湯小浣熊已經服務聯想、平安科技、三大電信運營商、京東和麒麟軟件等頭部企業。比如通過和麒麟軟件的合作，小浣熊集成到國產操作系統中，打通操作系統入口、AI應用分發和企業交付鏈。

在京東的供應鏈業務中，我們通過私有化部署，圍繞實際工作流搭建端到端智能服務系統，驗證了在複雜環境、高安全性要求和關鍵業務系統中的交付能力。從使用數據上來看，小浣熊的總用戶數同比增長超過五倍，企業用戶增長超過六倍，雲端月活躍用戶增長接近十倍。這些增長不僅僅來自體驗和流量，更多來自產品進入了更多的真實的工作場景。

在內容生產領域，Cycle把視頻創作從單點生成推進到覆蓋需求理解、劇本創作和分鏡製作的端到端交付。在今年六月量子AI應用月報中，Cycle位列Web端人均訪問時長第一。目前它的單日視頻產量達到一萬分鍾，活躍用戶平均每天創作超過一小時。Cycle創作內容在短視頻平台累積預估的播放量已經突破了15億次，其中有十部短劇的播放量破億。

這表明Cycle正在從單點的視頻生成工具成長爲支撐持續創作和規模化內容生產的專業化平台。同時AI生產力的服務對象也正在從大型組織延伸到更小的團隊和OPC，也就是One Person Company。上半年小浣熊OPC能力挑戰賽吸引了超過65萬人參與，日活峰值突破七十萬。Cycle OPC產業基地首批也吸引了二十多個創業團隊的入駐。

一個人藉助AI就可以調度模型、工具和工作流，完成過去需要專業團隊協作的複雜任務，這會成爲AI時代非常重要的新型生產和創業形態。在個人用戶市場，我們圍繞個人CXO打造卡皮產品矩陣。大家可以看左邊的增長曲線，卡皮家族累計用戶已經突破了4500萬，從25年初到現在保持了非常快的增長。

我們希望做的不是把一個通用聊天機器人放到所有場景，而是針對個人生活中的具體目標，提供真正主動專業的智能體。舉例來說，卡皮相機依託日新的多模態能力推出AI拍攝智能體，讓AI主動理解場景和創作意圖，幫助用戶更輕鬆的完成拍攝和創作。卡皮記賬升級爲全場景財務智能體，支持收支洞察、預算規劃和多帳戶管理。

同時我們上線了新成員卡皮健康，我們觀察到它的留存率也達到了同類產品的領先水平。我們認爲個人智能體的價值不應該僅只體現在現在做的更快，更重要的是幫助用戶實現目標，獲得更好的生活體驗。長期來看，我們希望卡皮系列成爲真正理解用戶、可以持續陪伴的個人生活助手。

視覺AI依然是商湯非常重要的業務，也是系統級AI能力進入行業和海外市場的成熟入口。我們的視覺AI業務已經覆蓋二十多個國家和地區，服務海內外客戶超過4500家。同時視覺AI業務的持續性是非常好的，老客戶的收入貢獻率達到67%，也就是說本期收入中有67%來自上一年度已經採購過我們產品服務的客戶。這體現了客戶基礎、行業理解和規模化交付能力的長期積累。

更重要的是我們的產品和服務體系更加完整，當客戶需求從一個單點應用延伸到更多的業務環節時，商湯能夠繼續提供多模態模型、智能體和算力服務，支持分析結果篩選、內容實現、數字內容生成和網絡安全優化等，持續提升服務的深度和廣度。在市場地位方面，根據IDC的中國AI軟件市場，商湯已經連續十年位列中國計算機視覺市場第一。

特別值得一提的是在今年七月份召開的國家科學技術獎勵大會上，我們還拿到了國家科學技術進步二等獎，這體現了我們在視覺智能領域長期積累的技術實力和產業貢獻。最後我想介紹一下商湯對生態的理解和我們多年來持續在世界模型、具身智能、智能終端、光計算、量子計算、太空計算、AI Infra等方向進行前瞻佈局。

我們的生態企業既包括一加X戰略下內部孵化和培育的企業，也包括通過戰略投資形成協同的上下游夥伴。我們的投資邏輯不是簡單的追逐熱點，而是圍繞未來AI產業的關鍵供給，對具有長期技術稀缺性、場景價值和規模化潛力的方向進行選擇性的佈局和持續的培育。

這些生態企業爲商湯提供真實場景、行業反饋、產品化能力和商業化出口，商湯則通過模型、token工廠和工程能力，幫助生態夥伴縮短研發和落地週期。隨着生態企業從技術和產品驗證的零到一走向規模化應用的一到一百，其產業與商業價值也在逐步釋放。今年，大小機器人、希望商湯醫療等先後完成新一輪市場化融資，反映相關技術路線和商業化進展，進一步得到資本市場及產業夥伴的認可。

今年上半年，我們參股的部分AI生態企業成功上市，相關投資公允價值提升。但相較短期財務回報，生態佈局更重要的價值是讓商湯能夠更早進入具身智能、智能終端和下一代算力平台等前沿場景，持續獲得真實世界的任務數據和反饋，反哺統一多模態模型和系統的交付能力。下面我請王錚介紹集團上半年的財務表現。

王錚先生

謝謝楊帆。大家好，很高興可以跟各位分享一下我們2026年上半年的業績情況。商湯在一套模型、一座token工廠、一套智能體管控系統的引導下，持續聚焦核心業務的高質量發展。我們的一加X戰略，以及多年來構建的AI生態也已開始在財務維度顯示出愈發正面的效果。

本次報告期內，公司實現了收入和毛利的健康增長，精細化管理下的運營成本也持續下降，實現了規模與效益的同步提升，這也幫助我們實現了上市以來淨利潤層面的首次轉正。商湯在2026年上半年錄得了29.1億的收入，年增長率達23.4%，其中生成式AI在報告期內的收入達到了23.3億人民幣，比去年同期增長28.2%，佔集團總收入的比例也從25年上半年的77%上升到了26年同期的80%。

生成式AI業務的高速增長也帶動了公司總體收入質量的逐步提升。我們首次披露了集團層面的經常性收入，recurring revenue，它在今年上半年達到了11.4億人民幣，比25年同期增長了124.4%，佔集團總收入的比例已達到了39.3%。經常性收入最大的來源就是生成式AI業務。

隨着我們的產品和服務越來越多的嵌入客戶的工作流，協助甚至直接替客戶完成愈發複雜的持續性任務，我們預計經常性收入在整體業務的貢獻還會進一步提升。視覺AI業務在26年上半年收入實現穩步回升，年增長14%，和25年全年增速相比，也開始加速。我們過去一段時間對該板塊開展了持續且主動的業務結構優化，也使我們最近第十次蟬聯了中國計算機視覺市場份額的榜首。

長期積累的客戶群、技術和口碑，爲公司系統級AI能力全面進入客戶的業務流程和海外全方位業務拓展打下了堅實的基礎。海外業務收入今年上半年同比增長了127%，遠高於集團整體的增速，體現了公司正依託領先的視覺AI能力、統一多模態模型及本地化交付體系，將系統級AI能力拓展至更廣泛的區域和客戶群體。

商湯2026年上半年毛利達到了12.1億人民幣，年增長率爲32.9%，比往年同期的增速有明顯的提升，毛利率爲41.4%，也比25年同期的38.5%提升了2.9個百分點，並超越了我們以往的指引區間。這一表現是公司持續優化業務結構和項目質量，並通過模型與基礎設施聯合優化、token生產效率提升、產品標準化及底層能力複用，不斷改善交付質量和效率的結果。

核心業務收入毛利的健康增長以及運營成本的持續強管控，再加上一加X戰略下內部孵化企業和外部投資AI生態企業總體公允價值的明顯提升，使得集團在經調整和未經調整的EBITDA層面，在26年上半年第一次雙雙轉正。我們同時也錄得了上市後第一次IFRS口徑下淨利潤層面的盈利，盈利額達6.2億人民幣。

即使我們刨去金融資產公允價值的增加和以股份爲基礎的薪酬開支等一系列的調整項之後，從而得出的經調整後的淨虧損額，我們發現26年上半年的經調整後淨虧損與25年同期也下降了67.3%，呈現了虧損加速收窄的趨勢。

在運營支出方面，公司持續保持嚴格高效的管控，加之部分的X創新業務通過成功融資實現出表，報告期內，銷售、管理、研發三項費用均實現了同比下降。有意思的是，三項費用中，金額越大，其年比下降幅度也更大。公司總運營支出在26年上半年同比下降達14.8%，減幅明顯高於過去的幾個報告期。這在收入毛利健康增長的前提下能夠達成實屬不易，彰顯了商湯未來長期盈利的巨大潛力。

我們始終高度重視研發投入，以持續加強公司在業內的核心競爭力。研發費用總體同比下降了17.1%，主要還是由於若干創新業務出表所造成的。如果刨去了出表的影響，集團層面的研發費用還是有所增加，特別是相關算力的投入。

我們總體的營運資本流動效率在26年上半年與25年同期相比略有提升，用平均值計算的現金循環週期比一年前縮短了34天。需要說明的是，隨着公司的持續提升總體收入質量，包括經常性收入佔比的上升，公司在資產負債表上的貿易應收減值撥備比率，從一年前的67.7%下降到了報告期末的46.5%，這個在賬面上相對拉高了應收賬款餘額和應收的天數。

減值撥備比率的大幅下降反映到了利潤表上，就出現了金融資產減值虧損金額首次由負轉正，從25年上半年的-1.43億元轉正到今年上半年的正3500萬元。我們的資本開支，在報告期內達到了23.4億人民幣，資本開支主要還是聚焦於大規模算力基礎設施的建設。

資本開支的增加是基於我們對人工智能行業爆發性增長的判斷，以及公司全棧式系統級AI能力長期高效率變現的信心。這些投入會對公司長期健康發展打下堅實的基礎。我們當然也會保持靈活性，持續的在重資產和輕資產的運營方式中各取所長達到平衡。

截至26年上半年末，公司總現金儲備達到了138億人民幣，這個現金的定義包含了結構性存款，但不包含右邊列示的高達128億元的歷史新高的股權及債券類的投資餘額。商湯除了從內部孕育出多個成功的X創新業務外，多年來在外部也戰略性投資構建了多樣化的AI生態。

這一塊的投資公允價值隨着被投企業的上市和估值的提升，到報告期末已接近115億人民幣。此外，截至報告期末，公司尚未使用的銀行授信額度高達99億元，年增長36%，而我們的總體債務水平，和一年前相比，反而有25.7%的明顯下降。整體而言，我們財務穩健，資金儲備充裕，爲長期戰略佈局和業務發展提供了充分的保障。

財務章節我就先說這麼多，下面把時間交給徐立。

徐立博士

好的，謝謝王錚。最後我來總結一下我們對下一個階段的判斷。未來的AI不僅要有更高的智能上限，還要能以更低的成本進入更多場景，協同完成更復雜的任務，並在真實的結果中持續學習和進化。所以我們圍繞着一套模型、一座token工廠和一套智能體管控系統會重點推進以下三個方向。

第一，推動多模態長程智能體在真實任務中的持續進化，重點突破複雜任務的分解、長程執行、工具編排、動態糾錯、長時記憶以及多智能體的協作。而任務產生的數據、執行的結果和用戶的反饋會持續反哺模型的訓練和工作流的優化，形成模型的自我進化和自我迭代的閉環。

第二，推動token工廠從規模化生產智能走向任務交付。我們會持續推動國產算力規模化商用、異構推理優化和算電協同，大幅降低高質量token的成本。隨着智能體可以完成越來越複雜的任務，我們衡量效率的方式也會從單位token的成本逐步延伸到一個任務的質量、成功率和成本。

第三，推動多智能體的協同進入更深層次的個人和企業的工作流。多個具有不同能力的分工的智能體會共享上下文、協同規劃、互相校驗，一同完成複雜的任務。通過多元產品、行業知識的沉澱，我們希望把AI從單點的工具推進到覆蓋理解、規劃、執行、校驗和交付的系統級的生產力。

總之，商湯的目標是把技術能力、token生產、任務交付和真實反饋連成一個長期的循環，持續拓展AI的受衆和應用邊界，推動客戶價值和商業增長的相互促進。今天AI能回答問題，明天AI能完成任務，從模型智能到行動智能的轉變是這個行業的決定性的轉折。而我們站在這一個商業化轉變的最前沿，我相信這個飛輪已經轉動，能力正在規模化，而精彩也才剛剛開始。

我的介紹就到這裏了，謝謝大家。

商湯集團資本市場負責人Phil

謝謝徐立博士，也謝謝各位管理層的介紹。現在我們進入問答環節，電話端的投資人可以按*再按數字一，網絡端的投資人可以點屏幕上的舉手按鈕申請提問。提問時請先介紹你的姓名和所屬機構，並儘量每次提出一個主要問題，方便管理層完整回答。下面請中金的Stacy王老師進行提問。

中金公司王倩磊

感謝管理層給我這個提問的機會，我是中金公司計算機分析師王倩磊。我這邊想請教一下，我們這次也是首次披露的這個經常性收入RR的口徑，能否可以再多解釋一些，就比如說我們披露的這個RR目前和其他模型公司講的ARR有什麼樣的一個區別，包括公司披露RR而不是這個ARR的考慮主要有哪些，包括後續可能我們對於這個RR的增長的預期是什麼樣的？

王錚先生

非常感謝王老師的問題。這個經常性收入也就是RR，它其實這個定義應該說是指基於報告期內已生效的合同而具備有持續續約屬性的收入。它在今年的上半年達到了11.4億人民幣，比25年同期增長了124.4%，佔集團的總收入達到了39.3%。它的最大的貢獻來源其實就是我們的生成式AI業務。

我們首次披露的這個RR，跟您前面提到這個跟ARR比，其實這個背後的核心邏輯和概念應該是基本是一致的，但是RR其實是一個相對更加實在、更加客觀的概念，因爲什麼，因爲它是基於一個已發生的26年上半年的實際業務表現來統計出來的，所以它是一個歷史的一個period的一個數據。

您既然提到了這個ARR，我們也很樂意的去告訴大家，我們今年按照六月份相對應的ARR其實已經達到了25.3億元人民幣。所以你把25.3跟前面那個前六個月的那個11.4億去比較就可以看出，我們這個recurring的經常性收入其實增長還是非常快的。我們也預計到下半年這個RR佔總收入的比例肯定是比上半年應該會有明顯的提升。

徐立博士

我補充一下，我們來看ARR的相對來說受那個模型發佈時間以及一些新的熱點的影響會比較大，比如說單月的有些新的事情乘以12或者單月單週的東西乘以52，其實它的波動性還是會隨着一些節奏變化。所以我們披露RR，可能是個財務上更加嚴謹的這麼一個口徑。

中金公司王倩磊

好的，感謝管理層非常清晰。

商湯集團資本市場負責人Phil

好，謝謝。下面請中信證券的潘老師進行提問。

中信證券潘如生

徐立博士好，各位商湯的領導好。我是中信證券的計算機分析師潘如生，感謝各位領導給我提問的機會。我這邊想問一下咱們商湯未來在大模型方向上的一個重點的發力點。我們也看到咱們公司有這個小浣熊辦公產品，卡皮系列的個人助理產品，還有Cycle視頻生成的智能體，那我們是如何考慮應用端的一個未來的一個佈局的？比如說未來還會考慮做coding嗎？這是我的主要關注的問題，謝謝各位領導。

徐立博士

謝謝潘老師。首先我們模型研發還是一以貫之，大模型的推進就是我們還是深刻相信這個原生多模態能夠推動我們講大模型的智能上限。所以在這個過程當中，這個智能上限包括了長程智能體，包括說空間智能和物理智能的延伸，所以我覺得這條路上商湯還是走的還比較堅決，而且也相信這個路很快就能夠來，有量變形成一個比較規模化的質變。

我們的應用這幾塊，雖然看似是應用的前端的智能體，面臨的工作的場景、面臨內容生成的場景、交互的場景和個人助理的場景等等多元的這樣一個多模態的場景，但是它其實它不獨立，因爲背後的模型是一套、token工廠是一套，包括說我們講的agent harness是一套，只是面向不同的前端任務，所以它會有在不同的高頻場景當中其實它會有很大的這樣一個協同工作。

從選擇上來講，其實我們選擇辦公這個場景還很早，就是大家今年上半年看很多公司把這種工作的場景全都聚合在一起，包括美國的公司，包括中國的，這是因爲我們看到了這個場景的選擇是隨着這個智能體的應用更深入的時候，其實客戶的受衆發生了很大的變化。客戶的群體從專業人士變到了普羅大衆，然後客戶的部門從這個後臺變到了前臺，從而使得他的這個想象力空間變得更大，變成一個大家必須要真正的這麼一個地方。

所以對我們來講，我們可以看得出來這部分的遷徙帶來的蛋糕是更大的，那商業化的邏輯就會更加清晰。第二，我們選擇這個邏輯，也是因爲當時的工作智能體恰恰是商湯的能力跟市場所需要的一個結合。比如說work這個場景，因爲我們的多模態的能力以及理解和生成的統一，其實是跟這個場景當中的大部分應用是非常的吻合，並且能夠帶來優勢。

所以以此類推，像Cycle的智能體在視頻、在內容生成上面，其實也是充分反映了我們這個多模態能力這樣的一個選擇。所以總的來講就是雖然場景我們可能會有多元化的智能體的場景，但是還是要我們自己的能力，包括說多模態，是不是有複雜的長程的可驗證的這樣一個任務，甚至是能夠形成這樣高頻使用、持續付費的這樣一個商業化，這幾個因素結合對我們的這個智能體的商業佈局有關。

講到代碼，實際上我們推代碼智能體也是非常早的，我們小浣熊代碼其實也在三年前就開始上線，兩年多前也是最早推出了這樣一個產品，現在這套能力是融到了我們講小浣熊的一體化的統一入口當中了。你說coding的這個模型應該是重要的基礎能力，在後面咱們做agent的時候，本質意義上也需要代碼能力的延伸，也是結構化思考和工具調用的體現。

我們現在更關注的是怎麼樣如果能夠通過其他的模態進一步的提升模型的邏輯和推理能力，從而把整個的這樣的一個智能體的能力來去往上提升。單一的代碼，就是單一的面向代碼的這個產品，我們目前來講還不是說我們的一個完全的重點，是因爲說這個部分上的現在的競爭可能更加白熱化，但是代碼的能力一定是融入到那個智能體產品能力上的。

從商業上來看，我們也不是用產品單一的產品來劃分這個幾個部分，因爲背後的我們爲什麼講統一的一套這個智能體管控模型，agent harness來一套token工廠將這個東西來迭代，是因爲這個東西其實是使得說我們背後的底層的邏輯、模型、token以及agent harness的統一，使得它前端的交付變得更加的簡單以及能夠有成本的優勢。

中信證券潘如生

好，謝謝。

商湯集團資本市場負責人Phil

我們去下一個問題，有請UBS的何老師。

UBS何旭輝

謝謝管理層給的提問機會，首先祝賀公司上半年取得的成績。我是UBS的何旭輝，線上還有我的同事熊偉和Charles。我有一個關於我們公司戰略和產品的問題，想請教一下管理層，我們注意到公司在業績公告裏提到說一套模型、一座token工廠、一套智能體的管控系統，想請教一下管理層，我們面對互聯網大廠或者DeepSeek這樣的大模型廠商，我們具體的戰略思路是什麼？

具體來看，未來更加側重基礎模型、AI的算力還是說行業智能體的應用？我們比較有差異化或者說比較有希望形成規模收入的產品，具體在哪一方面？

徐立博士

感謝何老師。首先我們講到這三個一，其實並不是說我們會有一個三選一的商業模式，因爲從某種程度上，模型本身原來的模型API是可以做服務的，然後轉換成token的時候我們爲什麼講這套token是token工廠，是因爲它除了包含單一的模型，它包含一個模型組，完成更多的能力，甚至是我們服務於頭部的，剛才講到四個基礎模型的廠商來去更好的打磨我們這樣token工廠的生產的效率、生產的能力。

我們的自己的認知又是說再往下一步走，這個整個的token的單價可能會下降，但是高質量的token形成的這樣的一套智能體的管控系統，其實帶來的這個客戶的這個效用又會提升。所以我們模型解決摸高問題，token工廠解決的是成本定價問題，然後我們講智能體管控這套體系解決的是任務，解決的其實是效用定價問題。所以在某種程度上，它是一個延續性的商業模式。

如果講到大廠或者其他的模型廠商，某種程度上我想其實我們應該算是在這三個商業化體系的一條路上當中做做的比較完整的，並且我們的能力的這個我們講協同性和synergy也會做的比較好。因爲本質意義上，在任何一個階段，當模型成熟的時候，模型的商業價值會被擠壓，當token工廠成熟的時候，token的商業價值會被擠壓，就會相對來說會進入一種更白熱的競爭。

所以說必須得把這一層的能力最後延伸到一套智能體的管控去推到我們的客戶上去。我們也看得到這個路線，現在相當於是客戶面發現了很大的這個受衆的廣泛的變化，所以我們也希望說這個三個一的這樣一個聯動，最後形成的是一套更加符合商業價值，並且能夠截取最後效用價值的這樣一個商業模式。

UBS何旭輝

好的，謝謝徐博士，謝謝管理層。

商湯集團資本市場負責人Phil

我們有請國泰君安的楊老師進行提問。

國泰君安楊林

好的，感謝管理層給的這個提問機會，我是國泰君安的楊林。我想問的是，因爲公司首次實現了IFRS盈利嘛，那麼這裏面有多少來自主營業務的改善，有多少來自投資收益和處置子公司的收益？然後剔除這些收益之後，核心經營虧損是多少？未來何時能夠依靠主營業務實現這個持續的IFRS的盈利？

然後也麻煩管理層介紹一下未來的資本開支計劃，目前的算力規模中多少比例對外、多少對內，多少比例的新資產？有點瑣碎哈，謝謝。

王錚先生

也是非常感謝楊老師的這個一連串的問題，我這個嘗試着逐一回答一下吧。首先確實就是我們上半年首次實現了這個IFRS的盈利，那這個本質上它要歸功於這個，首先是收入毛利它有健康的增長，對吧，那特別是毛利，前面提到漲了32.9%，再加上同時這個總的運營成本就剛剛提到三項費用之和，它在今年上半年跟一年前比跌了14.8%，所以是很大幅度的下降。

這兩個因素首次就是它顯然是和主營業務是完全相關，這個是一個首要的因素。您當然也提到，就是這個IFRS裏面也有一些其他的因素，對吧，所以我們如果根據您的建議，就是說去刨去一些這個其他的因素，比如說我們刨去那些傳統的那些包括金融資產公允價值變化的那些調整項之外，我們如果再去做一些更加激進的調整，就你比如說我們再去刨去一些比如說像公司出錶帶來的利益，對吧，就你把這個是全部都刨掉。

我們自己也確實內部做過一個演算，就是說這樣都跑掉之後，其實我們發現我們26年上半年跟25年同期這樣一種特殊的performer的虧損額，它其實收窄的幅度更大，它收窄的這個絕對值，我們算一下，大約是收窄12億元左右的這個負絕對值。如果用我們這個比較常用的那種就是對外公佈的叫經調整後淨虧損的口徑，這個我們都有公佈的數，這個大家可以看它的這個虧損絕對值的收窄其實只有八億左右。

所以就是用一種更激進的這個調整方法，其實反而顯示了我們收窄的絕對值幅度更大，其實這個收窄的這個百分比也非常大，約是60%左右。所以不管從哪個維度來看，它還是一個根本上非常高速大幅度收窄的一個趨勢，本質上是來自於核心業務的收入毛利增長和高效的運營成本的下降。

我們也完全理解這個投資人和分析師對這個盈利時點對這個盈利的關心，其實隨着我們往後來看，這個收入毛利能夠持續的健康增長，對吧，加上我們對成本的有效管控，其實我們預計26年全年經調整後的EBITDA層面就應該會開始盈利。IFRS的這個淨虧損這個層面，就是說這個經調整後淨虧損層面，我們26年全年跟25年全年相比，應該還是會有較大比例的減虧。所以這個是我目前的判斷，謝謝。

還有就是前面你好像也提了一些關於資本開支，我也順便一起跟大家探討一下，就是說這個資本開支它其實這個本身還是有一定的不確定性，對吧，因爲算力市場，它在供給端本身有它內在的較大不確定性。從我們這個一貫這種輕重資產相結合的策略，它其實會給我們較大的靈活性，對吧，在一個比較就是說可以在買和租之間有比較充足的這個調節的空間，根據當時的供給端的情況來調節。

其實這種靈活性是很有價值的，它跟一些規模巨大的大廠比，反而就是更能夠抓住市場當時的有利的情況。另外就是說這個算力capex本身，他的這個預計的單位經濟回報，這個顯然對這個capex的增長力度有明顯的影響，對吧。我們就目前的這個綜合市場情況來判斷，算力的capex的回報率目前來看是非常不錯的。

如果這種有利的環境可以長期持續下去的話，那在這個時間段裏面，我們認爲capex的增長速度在這個時段裏面肯定會高於收入的增速，因爲它回報率各方面都非常好。但是恰恰由於如果capex是有很高的回報率，那它自然會引發未來收入的更大幅的提升，對吧，那麼這又會導致可能到下一個下一個階段，那capex的增長率就有較大概率會低於收入的增長率。

所以說你這樣來看，從更長遠的角度來看，那資本開支的這個長期的增速應該還是會逐漸低於收入增速的。您好像最後也提了一個算力的一個比例，對吧，多少對外多少對內，這個我們給一個大概的數，就是我們目前就是說算力，就是說對外和對內自用大概是一個七三開的一個比例。還有就是您最後是提到輕重資產的比例，對吧，我們大致是一半一半，所以還是一個比較靈活的狀態。

國泰君安楊林

謝謝楊老師，好的，謝謝。

商湯集團資本市場負責人Phil

我後面請中信的Maggie老師進行提問。

中信Maggie

謝謝管理層晚上好，我是中信的分析師Maggie，謝謝接受我的提問。咱們在業績公告中也多次提到過商湯在做原生多模態和agent能力這方面的結合，所以想請教管理層這些能力是如何實現這個結合的？然後基於這些能力，我們接下來會優先去深耕哪些行業和應用場景？如何進行更加具體的這個產品化？謝謝。

林達華博士

這個問題的話我這個回應一下，也謝謝葉老師的問題。首先的話，我想明確一點，就是我們所講到的多模態的長程智能體，它並不是說一個智能體去調用一個多模態的模型這種簡單的拼接，我們實際上是希望把這個多模態，我們做到的是把多模態和這個長程的agent深入的融入在一起。

事實上，在我們所這個覆蓋了大量的業務場景裏面，用戶在完成一項工作的時候，他是需要去大量的去收集不同形態的信息，比如說圖文混合的這樣一個報表，去操作不同的這個軟件的這個用戶的界面、去看圖像等等，那麼這是這個完成工作中的一個天然的一個過程。

在這個時候的話，多模態信息的處理和這個推演推理是不可避免的，這個過程中有很多的現在的一些智能體，它可能簡單的是使用工具去調用一些多模態的感知理解的能力的時候的話，這些工具其實是並沒有一個完整的context去完成這個工作，使得說它的工具的調用效率其實是低的。

如果是說我們把一個agent的模型跟一個這個圖文的多模態模型結合在一起來做的話，一個簡單的拼接就涉及到大量的這個上下文在不同的模型之間的這個傳遞，同時也會帶來這個token效率的這個下降。我們去解決這個問題的核心的一個思路就是通過Leo的這樣的一個理解非常統一的一個新的架構，使得說我們對圖像信息和這個文本信息、coding信息的處理在一個共享的上下文上面，就避免了所有的這樣的一個上下文的丟失以及上下文在不同的這個模型上面傳遞的這個效率的這個損耗。

在實際的這個真實的這個環境中，它的工作效率表現出來是非常的這個出色的。在此基礎之上的話，我們發現其實這個多模態融入到咱們的智能體會，帶來一個除了剛才所說的效率方面的這個提升之外，而且因爲它能更有效的處理各種模態的信息，對它進行綜合的分析，就使得說模型能更有效的去做更完整的這個工作，使得它能夠具備更強的能力去執行復雜的多步的長程的這個任務。

這些的話在我們無論是內容創作、複雜的企業辦公的場景也得到了一個充分的這個體現。展望未來的話，其實我們同時的話在上面搭建的這個agent的這個harness的這個管控的體系的話，它也能夠幫助我們更有效的把我們這種原生的多模態的長程agent的能力發揮出來，更好的服務我們的客戶。

中信Maggie

好的，謝謝。

商湯集團資本市場負責人Phil

先有請廣發證券的周老師進行提問。

廣發證券周老師

各位商湯的領導好，首先恭喜公司上半年取得這麼優異的這個業績成績哈。我想就公司的這個競爭壁壘，還有這個後續的一個商業化的一個規劃做一個提問。首先公司的這一個模型能力，是如何形成可持續的一個競爭壁壘的？我們知道現在在國內外基礎模型，是處於一個快速迭代，而且開源模型的性能和價格，也是持續的下降。

在這樣的情況下，公司的這個Leo unify原生多模態架構，以及這個長程的智能體agent這一個能力如何轉化成爲客戶的一個付費？然後在格局方面，我們相較於國內的阿里、字節，包括這個DeepSeek，還有國際上的一些模型廠商，公司比較難複製的一個差異化的優勢究竟是模型、算力、agent harness，還是說行業交付的這個能力？

林達華博士

謝謝周老師的問題，我覺得這個也是這個行業裏面非常核心的一個問題。隨着我們的整個的AI的這個領域進入到了agent的這個時代，事實上AI的這個價值就關鍵在於它能不能夠給用戶帶來它，解決它的問題，帶來一個最終的這個用戶價值，這是我們的這個AI的這個能不能持續的一個非常關鍵。

正如你所說到的這個我們現在的模型的迭代非常的迅速，每兩三個月都有新版的模型會出來，然後模型價格的下降也是一個長期的趨勢。所以從這樣的一個背景出發的話，單純依靠一個模型或單次的一個榜單的一個突出，是很難形成持久的壁壘的。

在我們看來的話，其實真正的壁壘就是正如剛才徐總所提到的，就是我們形成了這樣的一個閉環的飛輪，這裏面的話有兩個非常重要的值得我們關注的方面。首先第一個的話，就是我們的模型跟我們的這個智能體的系統和我們的用戶場景所形成的這樣的一個閉環，會使得說我們的這個多模態能力在服務用戶的同時獲得大量的端用戶，這個行爲還有他的需求的這樣一個反饋。

這個反饋的話會使得我們整個的模型和智能體體系在自進化的過程中形成一個自進化的能力，並且在這過程中獲得了這個模型能力和整體系統能力的一個持續的一個提升。隨着越來越多的用戶的這個增長和使用我們的這個產品的話，我們也會期待我們的模型能力和這個系統能力獲得持續的加速的進化。

另外一個方面的話，這種就你提到了這個現在這個token價格也在持續下降，因此的話，我們服務的成本也是非常關鍵的一個要素。得益於商湯，我們既有一個模型創新的能力，同時的話，我們有非常長時間積累的這樣一個大裝置的這個系統的能力，他們進行了一個深度協同的情況下面，就使得說我們持續能夠獲得一個非常高的一個具有競爭力的模型服務的這樣的一個效率和成本。

通過這樣子的話，我們也能夠在成本的這個控制端能獲得一個持續的一個優勢，同時也能夠帶領反哺我們的這個大裝置，這個系統的持續的升級。所以的話我們總結來說，就是我們認爲我們持續競爭力並不是來源於我們任何一個單一的方面，而是說我們的模型、應用，還有我們的基礎的這個基礎設施的能力的閉環和持續的進化，而且隨着用戶越來越多的話，我們的進化速度也會隨之加快，從而能夠形成可持續的長期的壁壘。

廣發證券周老師

謝謝，回答的很清楚，我沒有其他問題了。

商湯集團資本市場負責人Phil

好，謝謝老師，時間關係我們到最後一個問題，有請花旗的李老師。

花旗銀行李一鳴

謝謝，管理層好，我是花旗銀行的分析師李一鳴，感謝這個提問的機會。想就公司的這個token工廠的策略請教一下管理層，因爲現在在互聯網大廠和各個這些公有云廠商快速擴張的背景下，其實他們也會有這方面的服務佈局，想問一下公司token工廠提供的具體的服務會是什麼？和這些互聯網大廠和公有云廠商巨頭的這個競爭或者說合作的點在哪裏？

另外就是包括這個算力投入方面，想問一下公司有沒有具體的計劃，是以租賃爲主呢，還是說還是會持續的自建？以及這個會不會有一個量化的指標和指引呢？我就這兩個問題，謝謝。

楊帆先生

這個問題我來回答一下，謝謝李老師。因爲token工廠，其實大家的這個能力概念是比較統一的嘛，就是提供token的生產能力，那商湯來說主要我們是把自己的日新模型、市場上開源的這些高影響力模型，以及一部分合作夥伴的專業模型，都通過商湯的基礎設施軟件能力去來進行一個高效率、高質量的一個token生產，然後給業內第三方提供服務。

跟互聯網大廠比，我們覺得我們還是有幾個很明顯的差異化優勢。首先就是你其實可以看到今天的大廠的基礎設施，首先它還是服務到它自身的業務，不管它的主營是電商、社交、內容還是什麼領域，而我們的定位更側重面向外部的，不管是一些中小的AI應用廠商，還是一些企業客戶提供服務。其實可以說今天商湯是市場上，有數據表明我們是最大的這個原生的AI基礎設施服務商，其實我們定位就是給第三方去提供這樣。

第二個就是我們可以看到，當前的不管是下游的模型還是上游的芯片，特別是國產芯片，很少有六邊形戰士，就是往往都是各有所長。我們的一個很大的特點就是我們對於GPU硬件和模型都保持一個極高的開放性，所以的話我可以給客戶針對客戶的不同的應用需求去提供一個更合適、更合身、更具性價比的組合的方案選擇，這個開放性。

第三個就是我們其實不是去提供一個標準化的算力或者一個token的產品，而是我們針對不同類型的客戶的關鍵訴求，我們是把token工廠這種生產的能力疊加上我們的這種服務能力，幫助客戶去解決，最終用起來來達到真正問題解決的這種方案型的一個交付。

最後一個就是我們前面也有介紹，我們在算鏈協同、綠色能源利用這樣領域其實有大量的創新積累，這種積累其實可以幫助我們獲得一個更好的差異化的成本優勢。最後再回答一下您說的那個算力規模，我們現在的運營總算力大概4.8萬卡。

但我們現在更關注的其實不是一個算力規模，而是說我們能夠用什麼樣的芯片組合去生產出什麼樣的高質量的token，並且怎麼樣去持續的降低token的生產成本，以及最終我們怎麼樣更好的去完成一個任務。在這個方面，我們現在也講了，我們這個日均的token服務量七月份比一年前提升了大概二十多倍，我們現在已經給四家的外部基礎模型廠商提供服務。

所以我們現在看起來未來的算力投入會跟着這個明確的客戶需求和token的消耗還是保持一個比較高速的增長，重點會佈局在國產算力、香港和海外節點、綠色能源等這樣的一些場景。謝謝。

花旗銀行李一鳴

好的，謝謝。

商湯集團資本市場負責人Phil

謝謝大家，由於時間關係，今天的問答環節來到這裏。如果還沒有提出問題的機會，歡迎後續跟資本市場團隊再聯繫。再次感謝各位管理層也感謝各位投資者、分析師與媒體朋友參加今天的業績發佈會。今天的會議到此結束，謝謝大家，謝謝大家。辛苦，再見。

更多細節：SENSETIME-W IR

提示：以上內容是基於公開數據與第三方的自動字幕由AI語言模型生成。以上內容不代表富途的任何立場,不構成任何投資建議。富途集團概不就上述內容的準確性、合時性或完整性作出任何明示或暗示的保證或聲明。

瀏覽 3.6萬