2025年，商汤科技（下称“商汤”）视觉AI业务收入10.83亿元。据了解，这项被其定义为“CV2.0”（Computer Vision，计算机视觉）的业务首次实现盈利，并连续两年保持正现金流。
深耕视觉AI赛道十年，商汤持续深入城市治理、园区运营、商业空间等真实场景，在理解客户需求的基础上，通过前沿技术产品和系统化组织能力推动AI落地。
这种长期积累，最终沉淀为一条难以复制的竞争护城河。
IDC数据显示，2025年中国计算机视觉AI软件私有化市场规模为92.5亿元，商汤以19.5%的份额居首。这是其连续第十年位居国内视觉AI市场第一。
Omdia近期发表报告，2025年商汤科技首次登顶亚太区及全球市场份额冠军。
在大模型技术推动AI泛化能力快速提升的背景下，这家企业正式从投入期走向盈利期，也为仍在寻求真实商业价值的大模型公司们提供了一种值得观察的样本。
商汤科技副总裁、智慧城市与商业事业群总裁张果琲表示，一项AI业务由亏转盈，意味着企业已经基本找到了可持续的商业化路径。过去十年，商汤为把视觉技术装进城市和商业的具体业务中，建立了一套完善的售前、研发和交付体系。大模型出现后，原来依靠人力完成的一部分训练和调试开始由模型和设备承担，这套体系有了扩大覆盖范围、同时控制成本的可能。
CV2.0改变了什么
2014年前后，以卷积神经网络为代表的深度学习技术迅速提高了图像识别准确率。但机器识别一张图，与人类理解一张图之间存在明显差距。人类会根据生活经验补全看不见的信息，也能理解一个行为背后的社会含义；传统视觉模型则主要依赖场景数据完成判断，缺乏知识背景和推理能力。
“仅有感知能力的视觉系统，本质上缺乏社会知识和场景语境的支撑。”张果琲说。
在传统模型下，视觉领域面临两个挑战。第一，模型对光线、角度、清晰度和拍摄环境高度敏感；第二，在样本稀缺的长尾场景中，模型很难把一个项目的经验直接搬到另一个项目。换一座城市、换一种天气，甚至换一个摄像头的位置，都可能需要重新采集数据、训练和调参。
技术限制最终转化为落地成本。张果琲说，过去为了完成一个只有几十个数据源的场景项目，商汤可能要派多名研究人员驻场工作一两个月，项目成本和报价居高不下，让客户心生犹豫。
大模型带来的变化，在于为视觉系统补入了知识和推理能力。系统不仅能够识别“画面中有什么”，还能结合上下文判断“用户真正关心什么”，并通过智能体调用裁剪、放大、超分等工具进行处理，最终把视觉识别产生的数据信息直接接入城市治理、企业运营场景中的后续决策。
商汤方舟提供一整套视觉AI“武器库”，包含各类视觉算法、行业解决方案与工具链，再加上大模型的能力，商汤能够应对长尾市场的大量碎片化需求。原来需要研究人员反复到现场完成的工作，一部分可以转成设备部署和远程调试；原来只能服务高预算客户的方案，可以向预算更低、需求更分散的客户延伸。
成本下降也在改变视觉AI的收费方式。张果琲说，商汤正在推动客户从一次性项目买断，转向年度服务付费模式。过去，低频的长尾场景从商业角度考量难以长期维护，如今已具备规模化运营空间。
依托大模型实现技术和商业双向泛化，一个更广阔的视觉市场正在浮现。
“CV2.0打开的潜在市场空间，可能不止CV1.0时期的十倍。”张果琲说。
弄清楚什么叫“积水”
大模型提高了模型的泛化能力，却不能消除ToB项目最核心的难题——准确理解客户真正要解决的问题。
在很多To B的案例中，客户表述的需求，往往并不等同于实际痛点。张果琲举了一个“积水”的例子。客户提出，希望系统识别道路积水。但深挖业务链条后，商汤团队才发现，客户真正担心的并不是路面零星积水，而是河道水位上涨倒灌引发的大面积内涝。前者是一个视觉检测问题，后者需要把视频画面与河道水位、排水管网、天气数据和应急处置流程等多维信息进行综合研判。
也正因如此，商汤把“定义真实问题”作为所有项目的前置第一步：厘清客户监测指标背后的治理目标、风险后果、责任主体、闭环验收标准，把模糊的管理诉求拆解为可落地、可量化的技术任务。
支撑这套体系的关键角色，是前置工程师。
一个项目通常要经历需求梳理、概念验证（POC）、数据接口、模型开发和现场交付。在系统真正运行之前，客户很少会直接为一个概念买单。普通销售人员能够记下客户提出的功能诉求，却未必理解技术边界，也很难把一个模糊的治理目标拆成可执行的技术任务。前置工程师既理解场景问题，也理解技术能力，能够帮助客户共同定义问题，并找到最合理的实现路径。
“给一家模型公司一千个订单，它也很难全部完成。这不仅是技术问题，更是组织能力问题。” 张果琲说。
放眼全球，海外头部 AI 企业也在近期发力同类模式：今年5月，美国两家AI巨头OpenAI和Anthropic均披露了成立合资公司的消息。其模式相似：都是与私募基金合资，面向行业客户，以派驻工程师的方式，帮助客户寻求“AI+”的解决方案。而商汤早在 CV1.0 阶段，就已经搭建起成体系的场景落地组织架构。
张果琲认为，商汤过去十年积累的算法只是基础，更难复制的是在大量项目打磨中形成的场景理解能力，以及把碎片化、非标准化需求转成为标准化项目的组织能力。
“行业知识很重要，但支撑行业落地的组织体系同样重要。这些能力属于企业的软实力，跟企业基因深度绑定，很难从零快速复制。”他说。
技术、商业和长期主义
2014年前后，深度学习刚刚开始从学术研究走向产业落地，拥有技术优势的商汤，最初更像一家以研究驱动的实验室。
从成立伊始，商汤就带有鲜明的长期主义基因。当时，商汤创始团队最关心的两个问题：一是技术领先，二是现金流稳定——只有拥有稳定的现金流，企业才能不断地投入技术研发，在更长周期中释放技术价值，二者之间需要形成正向循环。
因此，商汤选择以城市治理、园区运营、商业空间等重交付ToB赛道作为核心基本盘。这类场景需求复杂、项目周期长、短期回报平缓，却能让 AI 算法深度嵌入真实业务流程，创造可见的产业与社会价值。
对当时的商汤而言，进入行业场景，获得的也不止是稳定的现金流——只有进入真实业务，团队才能真正理解技术边界，并明确下一轮算法迭代需要解决的问题。
从实验室走向复杂商业场景，对于一家由科学家创立的公司而言，无疑是巨大的挑战。商汤一方面要在技术上持续投入，保持技术的领先优势；另一方面又要沉入各类场景，解决大量具体而琐碎的问题。
十年间，商汤在与客户和一线场景的不断碰撞中，逐渐形成了一种典型的To B基因：重视长期投入，强调真实问题导向。
过去，不少大型科技企业也曾集中进入智慧城市市场，但这类业务投入重、回报慢，同样一名员工，如果从事消费互联网业务，往往能获得更高的内部回报。当业务无法快速放大时，人员和资源就容易被重新配置。
对商汤而言，To B业务虽然难以短期获得超额收益，却能够逐步建立深厚的竞争壁垒——包括与客户长期形成的信任关系、对复杂场景的持续理解，以及解决真实问题的能力。
这也是商汤从长期投入期逐步走向盈利期的重要原因。
在高度竞争的市场中，一家企业最终能否获得利润，真正决定因素往往并不仅仅是技术是否先进、规模是否足够大，而是它是否在客户业务中形成了不可替代的价值。
“商业落地才能验证技术的成色。”张果琲说，“对商汤而言，前沿AI技术的价值，不在于停留在实验室中，而在于真正进入城市和产业场景，持续解决那些真实且长期存在的问题。”
