智東西生成式AI

股價大漲327%!港股“物理AI第一股”上市,細分AI大模型全國第一

2026年6月18日 11:44

重點摘要

智東西 作者 | 畢偉豪 編輯 | 李水青 二十萬人瘋搶的港交所新股上市了! 智東西6月22日報道,剛剛,深圳多光譜AI技術企業海清智元正式在港交所敲鐘上市。發售階段,海清智元香港公開發售有超過25萬人申請,超額認購近7200倍,成為物理AI賽道衝出的一匹黑馬。 物理AI賽道可分為感知、仿真、執行等核心環節。其中,海清智元作為物理AI感知硬件代表玩家之一,被市場冠以“物理AI第一股”。 海清智元股票發行價為每股7.20港元(約合人民幣6.22元),開盤上漲302%至每股29.00港元(約合人民幣25.05元)。 截至上午11點前後,其股價最高為每股30.00港元(約合人民幣25.91元),最高漲幅達327%,最新股價為每股25.16港元(約合人民幣21.73元),漲幅達到249%,總市值達到194.79億港元(約合人民幣168.25億元),盤中市值一度達到231.12億港元(約合人民幣199.63億元)。 ▲海清智元股價圖(圖源:百度股市通) 在海清智元本次發行中,香港公開發售獲7181.21倍認購,國際發售獲4.81倍認購,按每股7.20港元的發行價計算,該公司本次發行實際募資淨額為5.37億港元(約合人民幣4.64億元)。 海清智元成立於2013年,圍繞多光譜AI模組、智能感知終端和AI大模型服務三大業務,向安防、能源、電信及工業等行業提供軟硬件一體化智能感知解決方案,是國家工信部認定的國家級專精特新重點“小巨人”企業。 多光譜AI是一種將紫外、紅外與可見光等多譜段信號採集、光譜建模與智能計算融合於一體的技術體系。它通過嵌入式AI模組、大模型服務以及感知終端軟硬件結合的產品和服務形態,實現從數據捕捉到端側推理的閉環處理。 這一技術具備“感算一體化、本地化決策、低功耗、高安全性”的特點,可以精準識別材料成分、溫度變化與隱藏缺陷,廣泛應用於消防、工業安全等複雜場景。 根據弗

站內 AI 整理稿

智東西 作者 | 畢偉豪 編輯 | 李水青 二十萬人瘋搶的港交所新股上市了! 智東西6月22日報道,剛剛,深圳多光譜AI技術企業海清智元正式在港交所敲鐘上市。發售階段,海清智元香港公開發售有超過25萬人申請,超額認購近7200倍,成為物理AI賽道衝出的一匹黑馬。 物理AI賽道可分為感知、仿真、執行等核心環節。其中,海清智元作為物理AI感知硬件代表玩家之一,被市場冠以“物理AI第一股”。 海清智元股票發行價為每股7.20港元(約合人民幣6.22元),開盤上漲302%至每股29.00港元(約合人民幣25.05元)。 截至上午11點前後,其股價最高為每股30.00港元(約合人民幣25.91元),最高漲幅達327%,最新股價為每股25.16港元(約合人民幣21.73元),漲幅達到249%,總市值達到194.79億港元(約合人民幣168.25億元),盤中市值一度達到231.12億港元(約合人民幣199.63億元)。 ▲海清智元股價圖(圖源:百度股市通) 在海清智元本次發行中,香港公開發售獲7181.21倍認購,國際發售獲4.81倍認購,按每股7.20港元的發行價計算,該公司本次發行實際募資淨額為5.37億港元(約合人民幣4.64億元)。 海清智元成立於2013年,圍繞多光譜AI模組、智能感知終端和AI大模型服務三大業務,向安防、能源、電信及工業等行業提供軟硬件一體化智能感知解決方案,是國家工信部認定的國家級專精特新重點“小巨人”企業。 多光譜AI是一種將紫外、紅外與可見光等多譜段信號採集、光譜建模與智能計算融合於一體的技術體系。它通過嵌入式AI模組、大模型服務以及感知終端軟硬件結合的產品和服務形態,實現從數據捕捉到端側推理的閉環處理。 這一技術具備“感算一體化、本地化決策、低功耗、高安全性”的特點,可以精準識別材料成分、溫度變化與隱藏缺陷,廣泛應用於消防、工業安全等複雜場景。 根據弗若斯特沙利文的資料,受安防、工業應用及醫療保健等行業對感知能力日益增長的需求所驅動,全球多光譜AI市場近年來經歷了快速增長。全球多光譜AI市場從2020年的348億元增至2025年的850億元,預計到2030年將達到3054億元,預測期內的複合年增長率為29.1%。 以2025年收入計算,海清智元在中國多光譜AI公司中排名第一,市場份額為3.3%;在多光譜AI大模型服務領域位居全國第一,市場份額為23%;在中國多光譜AI模組市場排名第四,市場份額為3.8%;於中國多光譜感知終端市場排名第四,市場份額為0.7%,該公司已經服務了超過2500名客戶。 海清智元計劃將本次上市募集的款項用於提升研發能力、擴大產能以及全球市場的滲透等方向,預計2026年到2028年會向研發方面投入超過2.68億港元(約合人民幣2.31億元)。 一、扭虧為盈,複合年增長率近140% 從財務表現上來看,海清智元已渡過了虧損階段,實現扭虧為盈。 其2023財年、2024財年及2025財年的收入分別約為1.17億元、5.23億元以及6.69億元,複合年增長率約為138.9%。 值得注意的是,海清智元在2023財年虧損淨額約0.18億元,但於2024財年及2025財年扭轉了虧損狀態,淨利潤分別約為0.4億元和0.29億元。同期,其研發開支連年攀升,分別為0.11億元、0.25億元、0.51億元,佔同期收入的比例分別為9.5%、4.8%、7.6%。 ▲ 2024年至2025年海清智元營收、淨利潤、研發開支變化(智東西製表) 三年時間內,海清智元累計實現收入13.08億元,累計淨收入達到0.51億元,累計研發投入0.87億元,同期經調整後的累計淨利潤超過0.8億元。 從收入結構上看,近三年來,海清智元超過95%的收入來自於多光譜AI,其中多光譜AI模組和多光譜AI感知終端的銷量穩定提高,多光譜AI大模型服務自2024年發佈後銷量呈現爆發式增長。 2023財年、2024財年以及2025財年,多光譜AI大模型服務收入分別為0元、1.14億元、3.55億元,佔總收入的比重分別為0%、21.8%、53.1%,成為該公司最大的收入來源。 同期,該公司毛利率分別為12.2%、18.8%、22.3%,總體呈連年上漲趨勢。但從具體產品來看,多光譜AI模組毛利率在2024年有所下跌,2025年回升後依然處於低位,多光譜AI感知終端毛利率在25年跌至17.7%,為歷史新低。拉高整體毛利率的是多光譜AI大模型服務,雖然從2024年的49.5%下跌至30.4%,但依然處於比較高的水準。 除主要產品外,2024財年以來毛利率增長的主要原因是收到了訂閱服務的收入,這部分收入的毛利率在2024財年以及2025財年分別為65.4%和71.3%。 融資方面,海清智元自2020年起完成了5輪融資:2020年A輪融資4000萬元、2021年B輪融資1億元、2024年C輪融資6000萬元、2024年C+輪融資1000萬元以及2025年D輪融資5000萬元,累計2.6億元。 海清智元的綜合財務狀況表如下: 現金流如下: 出海方面,2023財年、2024財年以及2025財年,該公司海外收入分別為688萬元、500萬元、596萬元,其中,印度、巴西、阿拉伯聯合酋長國及南非是主要市場。 截至2025年12月31日,海清智元共擁有內部研發人員156名,佔員工總數的43.1%,研發團隊覆蓋AI算法、算法芯片、嵌入式系統、光學以及安全工程研發等多個領域。截至最後實際可執行日期,該公司已註冊發明專利101項以及軟件著作權467項。 二、兩大生產基地,五大客戶貢獻近半收入 截至最後實際可執行日期,海清智元共有兩大生產基地,分別位於深圳和浙江省龍游經濟開發區。該公司的SMT自動化貼片線最初於2022年中在深圳生產基地安裝並投入使用,2025年4月遷至浙江生產基地,深圳基地主要承接SMT自動化貼片後的後續生產工序。 這一舉動旨在利用浙江基地的空間及設施擴充產能,以應對日益增長的客戶需求,同時,與深圳生產基地相比,浙江生產基地的營運成本(包括租金、人工及水費)至少降低20%。即使加上額外的運輸成本,整體上也更符合成本效益的選項。 此外,浙江生產基地有利於海清智元長三角地區的擴張,招股書數據顯示,浙江生產基地建成以來,自2024財年至2025財年,該公司在長三角地區的新客戶數量至少增加了50%。 2025財年,該公司生產基地的實際利用率從2023年的24%增長到49%,2024年的利用率飆升主要是因為訂單的大幅度增長,2025年在多光譜AI模組、多光譜AI感知終端以及其他AI視覺模組產品需求減少的情況下,仍然穩定在接近50%的利用率。 從客戶集中度上看,於2023財年、2024財年以及2025財年,海清智元來自五大客戶的收入分別為0.45億元、3.09億元、3.13億元,佔同年總收入的比重分別為38.3%、 59.0%、46.8%。 於2023財年、2024財年以及2025財年,海清智元來自最大客戶的收入分別為0.23億元、1.86億元、0.94億元,佔同年總收入的比重分別為19.6%、35.5%、14.1%。 於2023財年、2024財年以及2025財年,海清智元向五大供應商採購的採購額分別為0.55億元、2.53億元、3.36億元,佔相應年度總採購額的比重分別為54.2%、66.4%、62.2%。 於2023財年、2024財年以及2025財年,海清智元向其最大供應商採購的採購額分別為0.18億元、1.52億元、1.00億元,佔相應年度總採購額的比重分別為18.6%、39.9%、18.5%。 三、視覺老兵聯手再創業,多位高層畢業於西安 股權結構顯示,上市後,董事長周波個人直接持股比例為5.31%,同時通過三家員工持股平臺(眾誠天盈、眾正天盈、眾知天盈)合計持股43.50%,為控股股東。 該公司董事會及高管層中有多人畢業於西安,董事長周波畢業於西安科技大學,執行董事兼副總經理苗瑞同樣畢業於西安科技大學,執行董事兼董事會秘書柴劍畢業於西安電子科技大學。 ▲海清智元董事長周波(右)、執行董事兼董事會秘書柴劍(左) 海清智元兩位創始人深耕視覺行業多年,經驗豐富。聯合創始人、董事會主席、執行董事、總經理部周波於1999年畢業於中國西安礦業學院(現稱西安科技大學),在計算機視覺以及熱成像行業擁有26年的行業經驗,曾擔任成都科力電子研究所的視訊研發工程師。 聯合創始人、執行董事兼技術專家陳永剛本科畢業於大連理工大學,和周波一樣曾在成都科力電子研究所任職,擔任研發部經理,負責電子系統的研發。 2001年,成都科力電子研究所的創始人張少鋒創辦深圳圖敏智能視頻股份有限公司,周波、陳永剛加入後,分別負責視訊產品的開發、管理和視頻監控系統的研發。 2005年,周波、陳永剛聯手創立深圳黃河數字技術有限公司,主營網絡視頻監控等業務,2009年黃河數字技術有限公司被加拿大上市公司加創系統有限公司收購,兩人在2012年離開黃河數字,於2013年再次聯手創業,成立海清智元。前黃河數字研發部軟件工程師苗瑞,以及硬件工程師鄒小剛跟隨兩人加入海清智元。 上市前,截至招股章程日期,海清智元持股情況如下: 2023年、2024年、2025年海清智元董事及監事薪酬表如下: 結語:物理AI第一股登陸港交所,守住先發優勢是關鍵 海清智元以“物理AI第一股”的身份登陸港交所,在這個賽道上拿到了資本市場的首發定價權。 近兩年該公司多光譜AI大模型服務收入佔比從21.8%躍升至53.1%,業務結構從硬件轉到軟硬結合,在這條賽道上已然領先國內同行太多。 港股上市是新的起點,儘管資料顯示,目前海清智元在國內多光譜AI企業中排名第一,多光譜AI大模型服務市場佔有率更是達到了23%,但在物理AI如火如荼的時代,多光譜AI未來的競爭壓力會更大,如何守住先發優勢,是海清智元上市後要面對的重大命題。

Related

相關文章

雷峰網生成式AI

LiblibAI 母公司完成近 3 億美元融資:AI 應用層開始進入「收入說話」的階段

演語科技,正在成為這一輪變化中最值得觀察的中國樣本之一。 作者丨鄭佳美 編輯丨馬曉寧 AI 應用公司的競爭,正在發生變化。過去兩年,行業最關心的是誰能率先做出令人眼前一亮的產品,誰能更快抓住大模型帶來的流量紅利。但到了 2026 年,問題開始變得更現實:用戶會不會持續使用?客戶願不願意付費?一家公司能不能從單個產品,長成一個真正有收入、有生態、有複利的業務體系?演語科技(Evoken)最近完成的這輪融資,正好提供了一個觀察窗口。近日,演語科技正式對外披露近 3 億美元 B+ 輪融資。該輪融資實際已於今年上半年早些時候完成,投後估值超過 20 億美元。本輪融資由 Granite Asia、騰訊、順為資本聯合領投,HT Investment、時代資本共同參與投資。高榕資本、螞蟻集團、渶策資本、明勢創投、源碼資本、紅杉中國以及其他數家知名投資機構等現有股東持續加碼支持。這也是目前國內 AI 應用層金額最大的單輪融資之一。但相比融資金額本身,更值得注意的是,這家公司已經不再只是講一個“AI 產品”的故事。演語科技正在把 LiblibAI、LibTV、星流等業務整合到同一個更大的敘事裡:圍繞 AI 創意內容生產,構建一個從社區、素材、視頻到設計 Agent 的應用矩陣。這也是演語科技首次以集團品牌 Evoken 統一對外發聲的重要背景。01AI 應用層到了拼商業化的時候過去一段時間,AI 行業的焦點大多集中在模型公司身上。誰的模型能力更強,誰的生成效果更好,誰能把成本降下來,往往決定了外界對一家公司的想象空間。但應用層的邏輯並不完全一樣。應用公司最終要回答的問題,不只是“能不能生成”,而是“生成之後是否真的進入了生產流程”。一個 AI 產品如果只是被用戶嚐鮮,它很難形成長期價值。但如果它進入設計師、短劇團隊、廣告公司、品牌方和影視製作機構的日常工作流,就意味著 AI 不再只是工具,而

5 小時前
雷峰網生成式AI

Claude Code 修了幾個小 bug,卻揭開了 Agent 落地的大麻煩

工具狀態、權限邊界和後臺任務,正在成為 AI 編程產品的新考驗。 作者丨鄭佳美 編輯丨馬曉寧 剛剛,Anthropic 給 Claude Code 發了一次看起來並不起眼的更新。沒有新模型,沒有新的 benchmark,也沒有代碼能力提升多少的宣傳。Claude Code 2.1.179 的 changelog 裡,主要是一些細碎的 bug fix:連接中斷後保留 partial response,工具執行的 spinner 不再卡住,Linux sandbox 裡的 denyRead / allowRead glob 不再把 Bash tool description 撐到巨大,遠程 session 裡的後臺任務也不會在多個 turn 之間一直顯示 still running。如果只看字面,這些都像是產品使用過程中的小毛病。但放在 AI 編程產品的演進裡,它們其實指向同一個變化:Claude Code 這樣一類 coding agent,已經不只是“幫你寫代碼的聊天框”,而是在變成一個真正替你執行任務的系統。雷峰網過去我們討論 AI 編程產品,最常看的還是模型能力。誰的代碼生成更強,誰能理解更長的上下文,誰在 SWE-bench 上拿到更高分,誰能一次性給出更完整的修復方案。這些當然重要,但它們主要回答的是一個問題:模型夠不夠聰明。而 Claude Code 這次修的幾個問題,回答的是另一個問題:當模型真的開始替用戶幹活,外層系統能不能穩定地把這件事做完。雷峰網01Bug 之外 ,是 Agent 落地的執行問題傳統聊天機器人主要是在“回答”。用戶問一句,它回一句。即使回答中途斷了,或者內容不夠完整,通常也只是重新生成一次。但 coding agent 面對的是另一種任務。用戶不是問“這段代碼是什麼意思”,而是讓它“幫我修這個 bug”“跑一下測試”“把這個模塊重構掉”“看

5 小時前
雷峰網生成式AI

AI 太燒錢!微軟選擇「倒戈」DeepSeek

Claude、GPT 不再獨佔 Copilot。 作者丨樊天驕、鄭佳美 編輯丨鄭佳美 這兩天,微軟連續釋放了兩條重磅消息。第一條來自產品層面。微軟宣佈 Copilot Cowork 在全球正式上線。這款能夠跨 Outlook、Teams、Excel 等應用自主執行任務的 AI Agent 系統將正式商用。據微軟披露,超過一半的《財富》500 強企業已經在預覽期進行了部署。第二條則來自商業模式層面。Copilot Cowork 將不再完全沿用每月 30 美元的固定訂閱模式,而是開始引入按使用量計費機制。幾乎在同一時間,Axios 又披露了一則消息:微軟正評估將 DeepSeek V4 引入 Copilot Cowork,作為低成本模型選項。如果最終落地,這將成為美國大型科技公司首次在核心企業級 AI 產品中引入中國大模型。這兩條消息似乎釋放出一個信號,即Agent 的普及正在讓 AI 的成本問題變得前所未有地突出。過去的聊天機器人更像一次性服務。用戶提問,模型回答,任務到此結束。而在 Agent 模式下,一個任務往往需要經歷任務拆解、數據檢索、工具調用、結果生成和反覆修正等多個環節。用戶看到的是一次任務交付,系統背後卻可能已經完成了數十次甚至上百次模型調用。當下的模型市場價格體系也在迅速拉開差距。從 Anthropic 高端模型每百萬 Token 數十美元的推理成本,到 DeepSeek V4 Flash 每百萬 Token 不足 0.3 美元,價格跨度已經達到數百倍。當任務量持續增長、模型價格不斷分化,企業需要解決的問題便不再是“選擇哪個模型”,而是“什麼任務應該使用什麼模型”。模型路由、成本控制和資源調度,也因此開始從後臺基礎設施問題,走向 AI 產品競爭的核心位置。01算力成本為何激增要理解微軟此次架構重構的必要性,首先需要看到一個正在發生的變化:Agent 正在改變

5 小時前
雷峰網生成式AI

從代碼到產線:恩和發佈 BPL 協議語言,定義生物製造的“工業級編譯器”

雷峰網訊。近日,恩和科技在《bioRxiv》發佈Biology Protocol Language(BPL)及其生成管線BPL-COGEN,首次為生物實驗協議建立了一套形式化的語言體系,打通了Physical AI進入物理世界的標準接口。BPL是專為生物實驗協議設計的可編譯、可驗證的形式化語言。BPL-COGEN把自然語言協議自動翻譯為BPL程序,由一個300億參數微調大語言模型與確定性編譯器構成“生成—驗證—修復”閉環。在基於300篇《Nature Protocols》論文的基準測試中,BPL-COGEN實現95.1%的首輪一致性,通過2輪編譯-仿真閉環將正確率推進至98.6%。目前,相關代碼已在GitLab完全開源(MIT License)。AI已會“思考”,但還不會“動手”當前,AI已經能在數字世界生成假設與設計實驗。材料科學領域已經出現自主驅動的Self-driving Lab。但在生物學領域,無論上游AI多麼強大,其輸出最終仍須被翻譯為物理操作,而這一過程,至今仍依賴自然語言文本這是一個半導體和軟件行業幾十年前就已跨越的問題。半導體設計通過Verilog和VHDL完成了從自然語言向硬件描述語言的躍遷,軟件工程通過類型化語言確立了可驗證的穩定性。生物學一直缺少與之對應的、具備編譯器驗證能力的底層語言,這正是當前AI驅動實驗設計與可復現物理執行之間的速率限制環節。代價是清晰的。《Nature》在2016年針對1,576名研究者的調查顯示,超過70%的人無法復現他人實驗,超過一半的人無法復現自己的實驗(Baker, *Nature*, 2016)。恩和團隊的論文進一步將問題歸納為三個維度:協議精確度。典型指令中常隱藏濃度、時間、體積等多處未明分支點。幾十條此類指令疊加,使實驗可復現性完全依賴於人員的經驗補全。協議驗證。自然語言缺乏在執行前模擬物理一致性的機制,內部邏輯錯

5 小時前