2022-10-14今日SH688207股票最新净值和交易情况

starrysunrise：

　　格灵深瞳-U(SH688207) 看样子部分潜伏资金离场了，短期没利好就跟随科创指数。

刘旷财经：

　　配图来自Canva可画

　　今年，格灵深瞳、云从科技先后成功挂牌上海交易所，给AI行业增添了不少热闹之气。一个自成立以来就带有“明星”光环，一个有“国家队”背景，怎么看这两者均是AI行业中不容小觑的种子选手。

　　然而，这次理想和现实的转变来得太快。格灵深瞳上市首日股价破发，走势不容乐观;云从因为招股书中明示的烧钱能力而成为了市场质疑的焦点。

　　但实际上，此类情况已经见怪不怪，像商汤、依图等其他AI大厂身上或多或少也有类似的问题存在。而且深扒其他厂商的发展情况不难发现，格林深瞳和云从的现状正是国内一众AI独角兽上市浪潮后的缩影，以及行业整体发展艰难的真实写照。

流血成发展惯性

　　长期以来，AI企业亏损已经成为常态，大部分的AI公司似乎都背负着难以言说的资金压力，这可能也是为什么近些年有越来越多的AI 独角兽更加执着于上市。从客观来看，这些AI企业基本上是赚吆喝不赚钱，即便是上市也并不意味着一劳永逸。

　　事实也确实如此，就拿已经成功上市的格灵深瞳、商汤、云从来说，财报显示，2022年上半年，格灵深瞳期间亏损1256.16万元;商汤期间亏损31.58亿元;云从期间亏损3.25亿元。

盈利的难题仍旧是飘在上市AI企业们头上的一片乌云。

　　面对这样的现状，AI独角兽们好像都已统一口径，表示目前正处于“战略性亏损”阶段，即为了长期收益而做出现实牺牲，在前期亏损的情况下也持续投入，以求未来大规模商业化。换句话说，AI公司当前的亏损状态是它们为了实现未来持续收益而做出的主动选择。

　　而这种阶段亏损思维落实到具体经营上往往是不断拔高投入，众所周知，AI公司是技术密集和人才密集型企业，资金支出的重心很大部分都偏向技术和人才方面。

　　一来，人工智能产品是技术驱动型产品，为了保证技术从概念到产品的“安全”落地，不仅前期研发投入高，后期迭代更新速度还得跟上，从始至终都需要大量资金作为背后的运行保障。可以说，技术研发是人工智能企业的核心所在，目前在这方面支出大似乎已是顺理成章之事。

　　就各家今年上半年财报来看，商汤扣除以股份为基础的薪酬开支后，研发投入仍高达18.8亿元，是总收入的133.1%;格灵深瞳实现营业收入1.17亿元，累计研发投入5710.11万元，占营业收入的比重为48.73%。

　　二来，相比其他行业，AI企业对从业人员的知识背景有更苛刻的要求，对应地，在人才成本支出方面也比较高，其中AI企业典型的股权激励制度更是一笔大额费用。譬如云从科技2019-2021年期间确认的股份支付费用分别为2.31亿元、1.9亿元和1.77亿元;格灵深瞳预计2021-2024年将摊销的股份支付费用总额达14414.59万元。

　　收入规模不大，但前期研发投入以及股份支付费用高企，花钱速度大于挣钱速度，正是致使现在大部分AI企业常年亏损的通病。

　　从当前各大AI公司的发展路径中，不难看出它们的盈利逻辑已经形成了一条共性思路——先流血上市，再追求持续增长改善盈利状况。然而AI独角兽们才完成第一步“上市”，目前在追求增长阶段，持续性还未可知，流血还在继续，短期内摆脱亏损问题还是一件相对艰难的事情。

止血迫在眉睫

　　常理来说，企业长期大肆“流血”总归不利于自身的持续发展，况且当下市场形势多变，要求AI大厂们止血显得更为迫切。

　　一方面，资本没有耐心，二级市场对于这种大规模亏损的容忍度并不高。AI风口落地，行业正处在去泡沫化、挤掉水分的阶段，现在显然已经不是靠着炒作概念让投资者买单的时候。如果AI企业仍然无法消除亏损持续扩大的风险，让投资者看到盈利的曙光，恐怕很难安抚投资者对AI市场的消极情绪。

　　另一方面，像商汤、云从等玩家居多以G端客户为主，话语权主要掌控在终端客户手上，它们作为服务提供商，相对缺乏回款的主动权。此外在疫情之下，下游B端企业的经营发展或多或少会受到影响，应收回款可能有所缓慢。种种看来，AI企业们自身的现金流并不稳定。

　　鉴于此，AI玩家们也开始逐步落实关于“止血”的针对性方案。据前面所述，AI大厂们流血过多的症结主要在于营收规模跟不上高昂的研发成本，而其对“症”下药，便是要从提高研发效率入手，最大程度降低研发成本。

　　在这方面，AI玩家们步调倒是趋同。前有商汤打造新型智能基础设施——SenseCore，提升AI算力，实现商用模型规模化量产。后有格灵深瞳升级人工智能算法平台，减少人工干预，实现模型快速交付的目的。

　　值得一提的是，成本管理关系到企业抵抗内外压力的能力，对于目前以及未来预计持续重押技术研发的AI大厂来说，具备成本管理能力更是显得尤为重要。譬如格灵深瞳曾测算，当未来毛利能够覆盖成本费用的时候，便可在2023年实现扭亏为盈，可见成本控制对其盈利起到的关键作用非常明显。

　　不可否认，目前的AI大厂们在成本控制上的确用心良苦，只是就目前事实而言，各家的研发成本仍是居高位的状态，止血效果还有待强化的空间。

造血有待验证

　　都说一级市场看故事，二级市场看实力。当下AI技术广泛落地，众多的玩家如果无法在故事以外找到AI更多的现实价值，恐怕也将会逐渐失去存在的意义。比较乐观的是，如今多家AI企业都在思变，寻找更多可行的商业化场景。

其一，扩大业务范围。

　　众所周知，商汤、云从、格灵深瞳等AI企业普遍都存在客户集中度高的问题，而需要说明的是，这种经营现状目前所带来的弊端还比较显著。

　　首先，会造成AI企业抗风险能力较差，因为一旦销售量较大的单个客户发生风险或变化，便会对AI公司整体的业绩产生不利影响。其次，客户集中度过高并不利于AI企业们培养自身的议价能力，对后续盈利目标的实现也有一定的阻碍。

　　由此一看，这些AI公司未来要想达到持续收益的目的，不断向外拓展新领域，减轻对主要客户的依赖程度势在必行。值得一提的是，近些年，各AI大厂已开始进行多维度布局，以求业务类型拓展更多、范围覆盖更广。

　　比如在应用场景上，格灵深瞳在体育健康、轨交运维两大新领域进行了前瞻性的业务布局;在算法上，商汤持续对视觉、自然语言处理和语音识别等进行自研算法开发，在原本擅长的视觉处理基础上扩大现有业务范围。

其二，冲破市场局限。

　　大部分的AI公司基本都是做的To G和To B的生意，营收高低受少数大额订单影响较大，盈利处境比较被动。最重要的是，随着各家产品同质化问题逐渐显现，以及更多巨头的加入，未来这种营收模式的难度可能也会加大。AI独角兽们似乎也意识到了这样的问题所在，纷纷开始试水To C领域的发展。

　　2022年8月份，商汤发布面向消费级市场的硬件产品——“元萝卜”下棋机器人，同年9月，格灵深瞳推出自研的沉浸式人机交互系统MetaSense及大场景沉浸式互动游戏。两者的想法也很明显，就是希望能通过为C端用户服务，探索企业产品和商业模式的转型。

　　不过，相比于百度、科大讯飞等早早就在C端布局的玩家来说，商汤、格灵深瞳的转向脚步并不算快，而且云从、依图、旷视三家目前的转向动作也不大。强敌之下，常年耕耘B端和G端的格灵深瞳、AI四小龙能否在C端中快速突进，提升话语权还有待时间验证。

　　另外不能忽视的是，这些新业务场景的商业化落地进度还存在许多可能阻碍的因素，比如交付能力不足、客户对产品的接受度不高，或是最终商业化效益无法弥补前期投入等等。因此，资金有限的AI公司们在拓新规划上会更加谨慎行事。

　　毕竟与快速迭代的消费类产品不同，对于高研发投入的AI企业来说，AI等硬技术的研发和商用的风险相当高，一旦失败，所投入的高额费用也会付诸东流。总之开拓新领域是大胆而冒险的探索，能否对A独角兽们的盈利目标产生助益作用还未可知。

竞争环境升级

　　当前行业已然回归理性，AI大厂们必须要完善止血体系、增强自我造血能力，这不仅仅是为了快速实现长期收益，也是为了能够在群狼环伺之下扛住外来竞争风险，争取长足发展。

　　据中国通信院数据，预计2022年国内AI核心产业规模达到1573亿元，复合增速58%。产业持续快速增长，意味着可能有更多的AI公司从中受益，与此同时，赛道的高速发展也会让玩家之间的竞争关系越加紧张。

　　一来，以海康威视为代表的硬件厂商也在谋求智能化转型，补齐在软件方面的短板，其产品已覆盖到智能家居、智慧医疗等多个领域。二来，阿里、腾讯等众多互联网巨头也开始加速布局AI赛道，在产业互联网领域与其他AI公司争抢订单。

　　这些玩家或或硬件实力突出，或资金势力雄厚，格灵深瞳、AI四小龙所要面对的竞争压力无疑是巨大的。接下来如何保持住自身优势，在激烈的竞争中是实现长期发展或者才是这些AI公司需要着重思虑的关键问题。

　　至于问题的解决思路，或可以从两个方面下手。第一，兼顾创新。注重实现产品和解决方案的创新，同时结合大数据等其他先进技术进行融合创新，以满足各行各业以及用户对人工智能产品的多元需求。第二，保持稳健经营。谨慎扩张，重点维护现金流的健康状态。

　　综上所言，大部分AI公司仍处于失血状态，造血能力还未夯实，资本市场对它们的期待值并不算高，叠加业内竞争的加剧，各个AI公司的生存处境都不容乐观。因此，无论是对于格灵深瞳或是AI四小龙来说，距离坐等收益、稳定发展的目标还有很长的路要走，上市并不是终点。

Matrix经纬之父：

　　虽然去年以来，商汤科技、云从科技、创新奇智等多家AI企业在历经曲折后得以成功上市，但大部分AI企业的上市之路都走得颇为坎坷。

　　9月5日，人工智能企业第四范式第三次向港股递交招股书，并更新其2021年全年及2022年上半年的财务数据。今年上半年，第四范式收入为10.58亿元，同比增长34%;经调整亏损净额为2亿元，同比收窄约两成;5.84亿元的期内亏损，较上年同期亏损收窄一半。

　　相比几年前AI赛道的热闹喧嚣，近两年AI行业已经步入寒冬。何时盈利这个外界关注的关键指标几乎没有玩家能给出最优解。但可以看到的一个变化是，今年上半年，谨慎投入、减少亏损已经成为大部分企业的共同选择。

研发投入占比下降

　　成立于2014年的第四范式上市进程走得并不顺利。去年8月，第四范式第一次向港交所递交招股书，今年2月失效。随后，其在10天内再次递交招股书，半年后其IPO申请状态再次变为失效。

　　对于业绩表现并不算好的多数AI企业来说，成功走到资本市场的舞台，意味着要接受更多审视和挑战。

　　从第四范式2021年全年的营收表现来看，其营收仍保持114%的高增长至20亿元，先知平台及产品、应用开发及其他服务两部分业务各自贡献一半收入，但经调整净亏损也扩大43%至5.6亿元。

　　亏损的主要原因还是大部分AI企业的老问题：长期持续的研发投入，且金额太大。2021年全年，第四范式在研发上投入了12.5亿元，这比2019年和2020年两年研发投入的总和还要多出2.6亿元。

　　虽然与过去三年均保持一倍以上的增速相比，今年上半年第四范式营收同比增速大幅放缓，但其亏损数额也大幅减少。主要原因在于以股份为基础的薪酬开支减少。

　　还需要看到的一个变化是，虽然AI企业普遍需要不断“烧钱”保持技术优势来站稳脚跟。但今年上半年，第四范式的研发投入占比从去年上半年的73.4%下降至52.7%。另外，上半年其销售及营销开支占比也有所下降。

　　第四范式在招股书中表示，通过控制经营开支提高经营效率对第四范式尤为重要，随着业务规模的增长，预期会产生显著的经营规模效应，并会实现结构性成本节约以有效竞争。“展望未来，我们将继续审慎地对平台及基础设施研发投入资源。”

　　减少研发等各项投入的并非第四范式一家，AI企业格灵深瞳在今年上半年的研发投入占比同样大幅下降。今年上半年，其研发投入占比为48.73%;上年同期这一比例为76.51%。

　　深度科技研究院院长长张孝荣对《华夏时报》记者分析认为，研发投入对企业的竞争能力影响很大。研发投入很大一部分是人员开支，整个研发团队、研发人员在业内的级别都是比较高的，成本很贵，人员数量又庞大，这导致企业的研发成本非常高。其次是购买设备、采购软硬件、购买专利等。如果企业需要缩减成本，这两部分成本都会压缩，并且压缩人员成本对企业影响最大。

　　“但这对于现在的AI企业也是没有办法的事，整个AI行业已经进入低谷期或寒冬阶段，即便是赚钱的企业已经感受到寒气，这些不赚钱的企业感受到的寒气更加明显、更加迫切。所以他们会主动采取措施开源节流，降低成本。先度过冬天再寻求迅速发展。”张孝荣表示。

　　9月8日，《华夏时报》记者就研发投入占比下降等问题联系第四范式，其表示公司处于静默期，暂不方便回复。

多家AI企业上半年亏损收窄

　　人工智能仍处于初级阶段，企业亏损是常态。盈利困难的原因在于技术不够成熟、运营成本高等等。但今年上半年，多数已上市的AI企业已经出现亏损收窄的曙光。

　　今年5月登陆科创板的云从科技，上半年缩减了销售、管理和研发费用，净亏损得以收窄11%至3.25亿元;计算机视觉领域的格灵深瞳上半年0.13亿元的净亏损同比收窄77.9%，主要原因是收入增加及股份支付费用减少;创新奇智在上半年净亏损收窄3%。

　　张孝荣对《华夏时报》记者分析认为，多家AI企业上半年亏损收窄主要是受外部环境影响，眼下市场消费低迷，AI行业的客户更多是ToB、ToG，公司拿政府订单较多。而这两年疫情反复，政府花在AI上的预算也在逐年减少。所以企业要削减成本，缩减自己的投资预算或投资规模。“花钱的项目做少了，虽然赚得不是特别多，但亏损还是收窄了一些。”

　　需要提及的是，不同AI企业布局赛道有所差异。比如创立于2010年前后的“AI四小龙”、成立于2013年的格灵深瞳均起步于计算机视觉领域。他们因2016年AlphaGo打败人类世界围棋冠军走到聚光灯下，备受资本青睐。

　　第四范式布局的则是决策类人工智能。例如通过海量数据总结规律，帮助零售商预测销量制定精准营销策略。而在以平台为中心的决策类人工智能赛道上，第四范式也要与百度、腾讯、华为、阿里等互联网大厂掰手腕。

　　但张孝荣认为，目前AI企业市场规模有限，行业还处于初级阶段，大家属于自由竞争。竞争程度整体上看起来很激烈，但没有到真刀真枪拼命的程度。大家不存在直接意义上的抢单式的竞争，而更多体现在产品思路、解决方案，比如产品技术是不是更强，解决方案是不是性价比更高。

　　他表示，落地存在的障碍也限制了人工智能企业的成长速度。“AI的发展进度非常慢的原因在于，要调整一个参数，企业需要大量的数据推演、训练，这样模型才会走向好用和成熟。但企业无法找到合适的、大量的数据，导致其模型只能用于有限的场景，而且还经常出现一些不如人意的地方。这也是多数AI企业面临的困境。”