
文 / 王俊
来源 / 节点财经
昨天,Anthropic 在纳斯达克敲钟,聚光灯下,市场看的不只是股价涨了多少、模型有多领先,更在看两本账——一本是 " 技术优势能不能变成持续收入 " 的商业账,一本是 " 算力投入能不能换回相应回报 " 的资产账。
这折射出 AI 行业的一个新问题:当模型能力不断突破,技术投入持续增加,商业化能否跟上技术进步的速度?
近日,商汤联合创始人、首席科学家林达华在接受卫诗婕的播客采访时,也谈到了一个现象:海外头部公司发布一项新技术,国内很快就会出现一批跟进者,大家争相抢占新的生态位。

这种追赶当然有现实价值,但当越来越多公司涌向同一个方向,竞争就容易变成拼手速、拼资源、拼成本。
在林达华看来,跟进已有技术路线有其价值,但如果始终停留在现有方法上,不断调数据、调参数,就很难形成真正的原理性创新。
当行业都在追赶已经出现的答案,商汤想做的,是寻找那些还没有被解决的问题。
商汤的目标,不止于 SOTA
商汤最新披露的 2026 年前三季度业绩,提供了一个观察窗口。
前三季度,商汤实现收入 37.9 亿元,同比增长 30.4%,较上半年进一步加快;毛利同比增长 45.0% 至 16.5 亿元,毛利率提升 4.3 个百分点至 43.4%,在行业内处于领先水平。另外,毛利增速快于收入增速,也提示出商汤在扩大业务规模的同时,业务本身的盈利能力也在改善。
生成式 AI 业务则成为拉动增长的重要力量。
第三季度,商汤生成式 AI 收入同比增长超过一倍。这背后不只是模型能力的提升,也意味着 AI 正在进入更多实际应用场景,逐渐转化为客户愿意付费的产品和服务。
从模型布局来看,商汤也在不断拓展 AI 的能力边界。比如,11 月初发布的 SenseNova 6.8 Flash 不再局限于理解文字和图片,还能处理三维内容、视频和应用界面,并执行数百步的复杂任务,它希望让模型不只是回答问题,还能理解环境、规划步骤并完成任务。
SenseNova U1 Pro 则提升了图像创作能力,支持更精细的画面生成和反复修改,在全球权威 AI 设计评测平台 Design Arena 双榜中获得中国第一、全球第六。

SenseNova Loop 9B 尝试用更小的模型实现更强的性能,让已有的国产芯片也能更充分地发挥作用。Code2Video 则让文字、公式和运动轨迹能够被更精确地转化为动态视频内容。RoboRSI 实现物理 AI 的递归自我改进,在多个榜单超越 SOTA。
但商汤并没有把超越 SOTA 当作研发的终点。对商汤而言,刷新榜单成绩固然重要,更重要的是能否通过新的技术方法,解决过去难以解决的问题,打开新的能力边界。
林达华透露,直到今天,商汤依然有 20% 的资源投入在没有直接产品出口的预研性、前瞻性研究上。

在一个强调效率、速度和商业回报的行业里,为什么还要把一部分资源留给暂时看不到产品回报的研究?
原因在于,追赶 SOTA 确实有价值,但它并不天然等于长期壁垒。
追赶 SOTA,能够帮助企业了解与行业领先者的差距,验证自身的研发和工程能力,也能推动现有产品快速迭代。假设如果所有人都沿着同一条路线前进,竞争最终可能只是把同一件事做得更快、更便宜,而不是创造出新的能力。
技术探索的终点,不是榜单而是产品
所谓前瞻性研究,不是脱离市场的技术探索。对一家 AI 公司来说,技术能不能形成新的能力,最终还要看它能否进入真实场景,解决实际问题。
从日日新模型持续升级,到小浣熊、Seko 等智能体产品不断迭代,商汤正在把底层模型能力转化为用户能够实际使用的产品。
在企业服务领域,商汤不只是提供模型接口,而是通过企业级智能体方案,以统一智能体管控系统结合 FDE 模式嵌入客户业务流程,企业级 Agent 解决方案位列 " 行业灯塔 " 象限、客户价值维度第三。
小浣熊则进一步面向办公和知识工作场景。11 月 19 日,商汤小浣熊 · 金融版正式推出,深化 AI 在金融行业的场景化应用,全面贯通了信贷风控、保险理赔、合规管理、经营分析、投研洞察五大核心场景,帮助金融机构把大模型能力真正转化为稳健、高效的生产力。
在海外市场,Seko 也在持续拓展应用边界。目前,Seko 已覆盖 180 个国家和地区,拥有 9000 余个海外频道。这意味着商汤的生成式 AI 产品不再局限于国内市场,也开始进入不同国家和地区的用户场景。
这些产品背后,反映的是模型能力从 " 能回答问题 " 走向 " 能完成任务 "。
与此同时,算力基础设施也在承接更大规模的应用需求。商汤前三季度建成万卡级异构推理集群,整体 Token 吞吐量提升约 5 倍;SenseCore 云平台日均 Token 服务量从 7 月的超过 2.4 万亿增长至 10 月的 6 万亿。Token 服务量增长,意味着模型被调用和使用的规模扩大,也反映出更多企业和开发者正在将模型接入实际业务。
但如果只关注技术如何转化为当下的产品和收入,研发也容易被眼前的需求牵着走。真正决定一家 AI 公司能走多远的,还包括它能否找到新的技术路径,解决过去解决不了的问题。
所以,林达华才会在访谈中谈到,他更看重一些 "fundamental" 的东西,也就是更基础、更根本的方法。他并不追求复杂的数学公式,而是希望找到能够解决现有方法难以解决的问题的新思路。

特别是,当模型表现不佳,增加数据、扩大规模是常见做法,但如果问题不在数据量和模型规模上,沿着原有路线继续投入,也未必能带来突破。
这部分研究短期内未必有直接产品出口,却为商汤探索新的技术路径留出了空间。对一家 AI 公司而言,健康的研发体系既要关注当下的商业回报,也要为未来的技术突破保留探索空间。
主动寻找别人做得不好的地方
如果说前瞻性研究是为未来留出空间,那么商汤具体如何寻找新的技术路径?在林达华的访谈中,《节点财经》发现,商汤提供了一种不同的思路:寻找模型暂时做不好的任务,还要找到这些问题背后的原因。
林达华提到,团队会主动测试 GPT、Gemini 等头部模型表现不佳的任务。
接下来还要进一步判断:这些问题是不是只要增加数据就能解决?因为如果沿着现有技术路线继续补充数据,模型就能取得进步,那么它或许有应用价值,却未必能带来原理性的创新。
真正值得研究的,是那些现有方法难以解决、甚至沿着原有路径继续投入也未必能解决的问题。
空间智能就是一个切口,商汤去年开始布局这一方向,今年年初发布了相关模型。
林达华特别提到一个现象:在空间智能的某些任务上,模型出现了与 Scaling Law 相反的表现,数据越多、模型越大,反而做得越差。

这听起来有些反直觉,过去行业普遍相信,扩大模型规模、增加训练数据,就能持续提升模型能力。但在一些需要理解空间关系的任务中,这套经验并不完全成立。
比如 perspective-taking,也就是视角转换。人走远了,会自然判断眼前的物体看起来更小;换一个角度观察,同一个物体呈现出来的样子也会发生变化。这些对人来说很自然的判断,模型却未必真正理解。
林达华还举了一个 " 黑羊 " 的例子:模型知道眼前是一只黑羊,无论走近还是走远,都能识别出它是黑羊。但当观察者换一个角度,黑羊在视觉上可能呈现出不同的样子,模型却未必能理解这种变化。
团队曾尝试通过增加相关数据来改善这一问题,却发现模型反而变得更加混乱。原因在于,新增数据强化了图像与语义之间的联系,却没有补足空间关系。模型因此更加依赖已有的语义判断,反而形成了更强的固化。
这说明,模型能力的边界不一定都能靠规模扩张来突破,有些问题需要的不是更多数据,而是新的理解方式和技术方法。
但回顾科技发展的历史,很多重要突破都来自对既有认知边界的突破。前人拓展了人类理解世界的边界,后来者才能站在新的起点上继续探索。大模型的发展也是如此:今天的模型能力,建立在过去一次次技术突破之上;而下一代 AI 能走多远,也取决于今天有没有人愿意探索尚未被解决的问题。
商汤希望做的,可能正是这样的探索:不满足于让模型在已有能力范围内表现得更好,而是尝试通过新的技术原理,拓展模型理解世界的能力边界。
写在最后
《节点财经》发现,从技术路线的探索,到商业价值的兑现,商汤正在接受来自产业和资本市场的双重检验。
2026 年 2 月,商汤获纳入 MSCI 中国指数;6 月恒生人工智能主题指数调整后,商汤仍位列前五大成分股,权重达 7.8%;10 月,商汤又成为首批香港交易所人工智能指数成分股,权重 6.46%,位列全市场第四、AI 模型类成分股第一。与此同时,摩根大通、瑞银等知名券商相继首次覆盖商汤。
对一家 AI 公司而言,资本市场最终关注的,不只是某一项技术领先了多少,而是技术优势能否转化为持续增长的业务,以及今天的研发投入能否成为明天的竞争壁垒。
对商汤来说,真正值得期待的,或许不只是下一次 SOTA 突破,而是能否在持续兑现商业价值的同时,找到 AI 下一轮增长的技术起点。


登录后才可以发布评论哦
打开小程序可以发布评论哦