作为深耕高等教育数字化的知识型企业，卓越睿新并非通用大模型厂商，其核心资产在于多年积累的全学科知识图谱与千万级结构化知识单元。在通用大模型向产业纵深渗透的过程中，高质量知识资产已成为关键瓶颈，这一积累正逐步构成 AI 落地的底层基础设施。本次中期报告显示，公司已全面拥抱 AI，从收入分类的命名调整，到产品体系与外部合作的同步布局，均指向同一方向。

一、业绩概览：收入结构呈现结构性变化

2026 年上半年，卓越睿新实现营业收入 3.279 亿元，同比增长 19.1%；毛利率由 46.9% 提升至 50.4%。除收入与毛利率外，收入结构的变动更值得关注。

本次中期报告对收入分类的命名进行了调整，原「数字化教学内容服务」更名为「AI 知识资产建设」，原「数字化教学环境服务」更名为「AI 智能体及虚实场景」。收入分类是财报对业务本质的定义框架，调整后公司全部营业收入 3.279 亿元均归入这两项以「AI」命名的分类，AI 业务已覆盖收入全口径。命名调整与业务结构变化的方向一致：AI 知识资产建设业务构成收入基本盘，AI 智能体及虚实场景业务增速显著高于整体。与之呼应，公司产品体系以自研「大明白」多智能体平台为核心，并与阿里云、火山引擎、百度等 AI 头部企业先后达成深度合作。收入分类、产品体系与外部合作同步转向 AI，公司定位由教育数字化服务向 AI 知识基础设施的整体切换由此确立。

从结构看，AI 知识资产建设业务构成收入基本盘，增速保持稳定；AI 智能体及虚实场景收入基数相对较小，但增速显著高于整体，收入占比持续提升。增长并非整体均摊，而是由业务结构调整所驱动。

毛利率方面，AI 智能体及虚实场景业务毛利率达到 70.7%，明显高于 AI 知识资产建设业务。高毛利业务占比上升，带动整体毛利率提升 3.5 个百分点。毛利率改善主要源于业务结构优化，而非单一产品提价。

在手订单 5.054 亿元，同比增长 34.7%，排产已覆盖至 2028 年。订单转化为收入的节奏受客户验收及交付进度等因素影响，将在后续财报中逐步体现。

二、产业逻辑：AI 头部企业为何集中落子

2026 年 6 月 22 日，卓越睿新与阿里云签署全面深度合作框架协议。双方基于阿里云开源的 AgentScope Java 框架，融合通义千问 3.7-Max、CosyVoice、通义听悟等模型能力，联合打造多智能体平台 " 大明白 Polymas"，构建 " 高质量 Token+AI+ 实体场景 " 的技术架构。7 月 20 日，火山引擎加入合作，围绕豆包大模型知识精调、虚实融合实训、AI 音视频互动教学等方向展开协同。8 月，百度的深度合作正式落地。

两个月内，三家国内 AI 头部企业先后与卓越睿新达成深度合作，背景在于通用大模型向产业纵深渗透过程中，对体系化、高质量知识底座的需求日益凸显。卓越睿新近二十年在高校教学一线积累的全学科知识图谱与千万级结构化知识单元，是专业场景落地中较为稀缺的资源。此类知识积累难以通过资本投入速成，须在实际教学场景中反复验证与迭代，时间维度构成较深的进入壁垒。

三、产品矩阵：从 " 大明白 " 到多智能体

卓越睿新的 AI 布局具备长期积累，产品矩阵呈现清晰的技术演进路径。

自研大模型方面，2025 年 11 月 12 日，卓越睿新自研的 " 大明白 " 模型通过上海市网信办生成式人工智能服务备案，成为国内首批完成监管备案的垂直教育大模型之一。该事件标志着卓越睿新从知识数字化向 AI 基础设施方向推进的关键节点，也为后续与阿里云、火山引擎、百度的深度合作奠定了合规基础。

学科专属大模型方面，以与哈尔滨工程大学共同研发的 " 兴海 " 大模型为代表，卓越睿新已联合多所院校推进学科专属模型落地。与通用大模型的泛化路线不同，此类模型聚焦特定学科领域，深度理解专业知识体系与教学逻辑，在精准度与可用性上实现差异化。

由此，卓越睿新已构建 " 通用垂直大模型 + 学科专属模型 " 的双层架构，为 AI 产品矩阵提供技术底座。

四、场景突破：国际化布局加速，跨行业场景深度落地

2026 年，卓越睿新的应用场景从高等院校延伸至三甲医院、央企科研体系与海外市场。在医院场景，公司与上海交通大学医学院附属第六人民医院合作，依托 Polymas 多智能体平台构建 " 医学知识图谱 + 临床思维智能体 " 解决方案，将知识底座能力延伸至医疗领域。在央企场景，公司与中国机械科学研究总院集团有限公司合作，基于知识底座与 Polymas 平台，为先进制造领域的科研知识管理与人才培养提供 AI 解决方案。在海外场景，公司已与马来亚大学等东南亚地区高校及 " 一带一路 " 沿线国家教育机构达成合作，以标准化知识图谱与智能体平台输出 AI 教育基础设施，探索知识资产的国际化复制路径。

这一拓展的意义在于，卓越睿新的定位正从 " 教育数字化解决方案提供商 " 向 "AI 知识基础设施 " 升级。高校场景验证了知识图谱与智能体的产品形态，医院与央企场景检验了知识底座的行业通用性，海外场景则进一步验证了跨地域、跨文化的复制能力。跨行业复制的边际成本较低，同一套知识 Token 底座与 Polymas 平台仅需适配行业知识即可进入新场景。MCP 协议、DAG 编排、Polymas 平台等技术底座的成熟，使公司得以标准化方式向新行业输出 AI 能力，" 一次构建、跨行业复用 " 的路径构成竞争对手在时间与成本上的追赶壁垒。

五、结语

AI 竞争正从通用模型层面向产业应用层面转移，核心壁垒由算力与参数量逐渐转向高质量专业知识、可交付工作流及深度场景嵌入能力。卓越睿新多年积累的全学科知识资产，在 AI 产业化进程中逐步显现基础设施价值。从 " 教育数字化 " 到 "AI 知识基础设施 " 的角色升级，既源于公司长期战略布局，亦是知识资产在 AI 产业化进程中价值兑现的自然结果。