AI公司盈利之路：从成本优化到商业闭环的深度拆解

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：

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。