[中报]云天励飞(688343):2023年半年度报告
|
时间:2023年08月30日 20:23:37 中财网 |
|
原标题:云天励飞:2023年半年度报告
公司代码:688343 公司简称:云天励飞
深圳云天励飞技术股份有限公司
2023年半年度报告
重要提示
一、 本公司董事会、监事会及董事、监事、高级管理人员保证半年度报告内容的真实性、准确性、完整性,不存在虚假记载、误导性陈述或重大遗漏,并承担个别和连带的法律责任。
二、 重大风险提示
公司已在本报告中详细描述可能存在的相关风险,具体内容详见本报告第三节“管理层讨论与分析”之“五、风险因素”相关内容。
三、 未出席董事情况
未出席董事职务 | 未出席董事姓名 | 未出席董事的原因说明 | 被委托人姓名 |
独立董事 | 林慧 | 因事请假 | 冯绍津 |
除上述董事外,其他董事亲自出席了审议本次半年报的董事会会议。
四、 本半年度报告未经审计。
五、 公司负责人陈宁、主管会计工作负责人邓浩然及会计机构负责人(会计主管人员)李立声明:保证半年度报告中财务报告的真实、准确、完整。
六、 董事会决议通过的本报告期利润分配预案或公积金转增股本预案 不适用
七、 是否存在公司治理特殊安排等重要事项
□适用 √不适用
八、 前瞻性陈述的风险声明
√适用 □不适用
本报告所涉及的公司未来计划、发展战略等前瞻性陈述,不构成公司对投资者的实质承诺,投资者及相关人士均应当对此保持足够的风险认识,并且应当理解计划、预测与承诺之间的差异。
九、 是否存在被控股股东及其他关联方非经营性占用资金情况
否
十、 是否存在违反规定决策程序对外提供担保的情况?
否
十一、 是否存在半数以上董事无法保证公司所披露半年度报告的真实性、准确性和完整性 否
十二、 其他
□适用 √不适用
目录
第一节 释义..................................................................................................................................... 4
第二节 公司简介和主要财务指标 ................................................................................................. 6
第三节 管理层讨论与分析 ........................................................................................................... 10
第四节 公司治理 ........................................................................................................................... 35
第五节 环境与社会责任 ............................................................................................................... 36
第六节 重要事项 ........................................................................................................................... 38
第七节 股份变动及股东情况 ....................................................................................................... 61
第八节 优先股相关情况 ............................................................................................................... 67
第九节 债券相关情况 ................................................................................................................... 67
第十节 财务报告 ........................................................................................................................... 68
备查文件目录 | (一)载有公司负责人、主管会计工作负责人、会计机构负责人(会计
主管人员)签名并盖章的财务报表 |
| (二)报告期内在中国证券监督管理委员会指定网站上公开披露过的所
有公司文件的正本及公告的原稿 |
第一节 释义
在本报告书中,除非文义另有所指,下列词语具有如下含义:
常用词语释义 | | |
公司/本公司/云天励飞 | 指 | 深圳云天励飞技术股份有限公司 |
明德致远 | 指 | 珠海明德致远投资有限公司,系公司股东 |
倍域信息 | 指 | 深圳倍域信息技术有限公司,系公司股东 |
东海云天 | 指 | 深圳东海云天创业投资合伙企业(有限合伙),系公司股东 |
中电信息 | 指 | 中国中电国际信息服务有限公司,系公司股东 |
中电金控 | 指 | 中电金投控股有限公司,系公司股东 |
远智发展 | 指 | 深圳市远智发展合伙企业(有限合伙),系公司股东 |
合肥达高 | 指 | 合肥达高投资中心合伙企业(有限合伙),系公司股东 |
合肥桐硕 | 指 | 合肥桐硕股权投资合伙企业(有限合伙),系公司股东 |
中电华登 | 指 | 中电华登(成都)股权投资中心(有限合伙),系公司股东 |
中交建信 | 指 | 北京中交建信股权投资基金合伙企业(有限合伙),系公司股东 |
汝州瑞天 | 指 | 汝州市瑞天企业管理咨询中心(有限合伙),系公司股东 |
龙柏前海 | 指 | 深圳市龙柏前海创业投资合伙企业(有限合伙),系公司股东 |
商源盛达 | 指 | 深圳市商源盛达创业投资合伙企业(有限合伙),系公司股东 |
印力商置 | 指 | 深圳印力商置商业咨询物业管理有限公司,系公司股东 |
华创多赢 | 指 | 深圳华创多赢产业投资合伙企业(有限合伙),系公司股东 |
瑞泰安 | 指 | 深圳市瑞泰安实业有限公司,系公司股东 |
海康威视 | 指 | 杭州海康威视数字技术股份有限公司 |
英伟达 | 指 | NVIDIA Corporation(纳斯达克代码:NVDA),全球头部可编程
图形处理技术企业 |
信通院 | 指 | 中国信息通信研究院 |
保荐人 | 指 | 中信证券股份有限公司 |
天职/天职国际 | 指 | 天职国际会计师事务所(特殊普通合伙) |
元/万元/亿元 | 指 | 人民币元/万元/亿元 |
报告期、本报告期 | 指 | 2023年1月1日至2023年6月30日 |
上年同期 | 指 | 2022年1月1日至2022年6月30日 |
报告期末 | 指 | 2023年6月30日 |
《公司法》 | 指 | 《中华人民共和国公司法》 |
《证券法》 | 指 | 《中华人民共和国证券法》 |
《公司章程》 | 指 | 《深圳云天励飞技术股份有限公司章程》 |
《股东大会议事规则》 | 指 | 《深圳云天励飞技术股份有限公司股东大会议事规则》 |
中国证监会 | 指 | 中国证券监督管理委员会 |
国务院 | 指 | 中华人民共和国国务院 |
国家网信办 | 指 | 国家互联网信息办公室 |
国家发改委 | 指 | 中华人民共和国国家发展和改革委员会 |
教育部 | 指 | 中华人民共和国教育部 |
科技部 | 指 | 中华人民共和国科学技术部 |
工信部 | 指 | 中华人民共和国工业和信息化部 |
公安部 | 指 | 中华人民共和国公安部 |
国家广电总局 | 指 | 国家广播电视总局 |
天书 | 指 | 公司内部对于大模型产品的命名 |
人工智能、AI | 指 | 人工智能(Artificial Intelligence),它是研究、开发用于模
拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门
新的技术科学 |
物联网 | 指 | Internet of Things的简称,是互联网、传统电信网等信息承载 |
| | 体,让所有能行使独立功能的普通物体实现网络的互联互通 |
IP | 指 | Intellectual Property的缩写,中文名称为知识产权,为权利
人对其智力劳动所创作的成果和经营活动中的标记、信誉所依法
享有的专有权利 |
工具链 | 指 | AI芯片对人工智能浮点算法进行训练、量化、编译、部署的一系
列软件工具组合 |
TOPS | 指 | 处理器计算能力单位(Tera Operations Per Second),代表处
理器每秒钟可进行一万亿次基本运算操作 |
数据中心 | 指 | 一整套复杂的信息技术基础设施的总称,主要由计算机系统和其
它与之配套的设备(例如通信和存储系统)组成,亦包括相关的
辅助设备、设施。它为用户提供计算和数据存储、服务器托管等
业务,是互联网和云计算业务开展的关键物理载体 |
SoC | 指 | 系统级芯片(System on Chip),指在一颗芯片内部集成了功能
不同的子模块,组合成适用于目标应用场景的一整套系统。系统
级芯片往往集成多种不同的组件,如集成了通用处理器、硬件编
解码单元、基带等 |
训练 | 指 | 在机器学习或人工智能领域,通过大量带标签样本,通过一定的
方法,得到对应机器学习/人工智能模型参数的过程 |
推理 | 指 | 在机器学习或人工智能领域,通过已经训练好的模型(模型参数
已经通过训练得到),去预测新数据标签的过程 |
指令集 | 指 | 处理器芯片可执行的一整套指令的集合,是计算机硬件和软件之
间最重要、最直接的界面和接口 |
流片 | 指 | 芯片设计企业将芯片设计版图提交晶圆制造,并获得真实芯片的
全过程 |
CPU | 指 | 中央处理器(Central Processing Unit),是个人电脑和服务器
中的核心芯片,承担通用计算或控制任务 |
DSP | 指 | 数字信号处理(Digital Signal Processing),DSP芯片指能够
执行数字信号处理任务的芯片 |
云端 | 指 | 在计算机领域中一般指集中在大规模数据中心进行远程处理 |
终端 | 指 | 相对于云端,一般指不需要远程访问的设备,或者直接和数据传
感器一体的设备 |
边缘端 | 指 | 在靠近数据源头的一侧,通过网关进行数据汇集,并通过计算机
系统就近提供服务,其位置往往介于终端和云端之间 |
芯片、集成电路 | 指 | 芯片是集成电路(Integrated Circuit)的俗称。集成电路是一
种微型电子器件或部件,采用一定的工艺,将一个电路中所需的
晶体管、电阻、电容和电感等电子元器件按照设计要求连接起来,
制作在同一硅片上,成为具有特定功能的电路 |
芯片设计 | 指 | 集成电路在制造前的整个设计过程,包括电路功能定义、结构设
计、电路设计、电路验证与仿真、版图设计等流程 |
深度学习 | 指 | 一类人工智能主流算法的总称,可基于海量数据训练具有大量隐
含层的人工神经网络模型(即深度神经网络),使其完成图像识
别、语音识别等特定的人工智能任务 |
神经网络 | 指 | 通过端侧与云测深度交互,优化算力算法在端侧与云测的动态分
配 |
算法芯片化 | 指 | 是一种面向算法计算加速的定制处理器设计方法。基于对算法关
键计算任务在应用场景中的量化分析,通过处理器指令集、架构
及工具链的协同设计,提升芯片在实际应用中的高效性、灵活性
和易用性 |
通用大模型 | 指 | 是一种能够处理多种任务的大模型,通过大量语料进行预训练,
能够完成多种通用任务,如通常场景的语义理解、文本生成等 |
行业大模型 | 指 | 是基于通用大模型之上,通过使用行业特有的数据和知识,进行
增量训练之后的模型,其目标是可以在行业应用中达到高于通用
大模型的效果 |
场景大模型 | 指 | 是指在通用大模型或者行业大模型基础上,针对某个特定场景通
过细分场景数据微调的模型,更具有针对性的解决场景问题 |
算法 | 指 | 解题方案的准确而完整的指令描述,即以系统的方法描述、解决
问题的策略机制 |
大数据 | 指 | 对海量、高增长率和多样化的信息资产进行存储、处理、决策的
能力和服务 |
OD | 指 | 交通起止点(Origin-Destination),OD交通量就是指起终点间
的交通出行量 |
级联 | 指 | 在计算机科学里指多个对象之间的映射关系,建立数据之间的级
联关系提高管理效率 |
信创 | 指 | 信息技术应用创新产业,是数据安全、网络安全的基础,也是新
基建的重要组成部分 |
FP16 | 指 | 进行16位浮点运算 |
ChatGPT | 指 | Chat Generative Pre-trained Transformer,美国OpenAI研发
的聊天机器人程序 |
Chiplet | 指 | 一种芯片设计技术,可将一类满足特定功能的晶圆裸片通过特定
内部互联技术将多个模块芯片封装在一起,形成一个系统芯片 |
FLOPS | 指 | 每秒所执行的浮点运算次数 |
软件栈 | 指 | 共同工作来保证软件的正常运行的独立组件的集合 |
算法仓 | 指 | 一种能够实现 AI算法的集约化管理与服务的产品。通过将各种
AI算法统一入库部署,实现对算法的版本、性能、服务等进行有
效的管理和监控 |
长尾算法 | 指 | 满足长尾需求的算法统称。长尾需求,泛指个性化、碎片化的业
务场景需求 |
CV | 指 | 计算机视觉(Computer Vision)是人工智能(AI)的一个领域,是
指让计算机和系统能够从图像、视频和其他视觉输入中获取有意
义的信息,并根据该信息采取行动或提供建议 |
Transformer | 指 | 一种利用注意力机制来提高模型训练速度的模型 |
SDK | 指 | 软件开发工具包(Software Development Kit)的缩写,系软件
工程师为特定的软件包、软件框架、硬件平台、操作系统等建立
应用软件时的开发工具的集合,广义上指辅助开发某一类软件的
相关文档、范例和工具的集合 |
第二节 公司简介和主要财务指标
一、 公司基本情况
公司的中文名称 | 深圳云天励飞技术股份有限公司 |
公司的中文简称 | 云天励飞 |
公司的外文名称 | Shenzhen Intellifusion Technologies Co., Ltd. |
公司的外文名称缩写 | Intellifusion |
公司的法定代表人 | 陈宁 |
公司注册地址 | 深圳市龙岗区园山街道荷坳社区龙岗大道8288号大运
软件小镇36栋4F05 |
公司注册地址的历史变更情况 | 不适用 |
公司办公地址 | 深圳市南山区粤海街道深圳湾科技生态园10栋B座
14-15楼、33楼 |
公司办公地址的邮政编码 | 518000 |
公司网址 | www.intellif.com |
电子信箱 | [email protected] |
报告期内变更情况查询索引 | 不适用 |
二、 联系人和联系方式
| 董事会秘书(信息披露境内代表) | 证券事务代表 |
姓名 | 邓浩然 | 和邈 |
联系地址 | 深圳市南山区粤海街道深圳湾科技生态
园10栋B座14-15楼、33楼 | 深圳市南山区粤海街道深圳湾科技生
态园10栋B座14-15楼、33楼 |
电话 | (0755)2640 6954 | (0755)2640 6954 |
传真 | (0755)8652 9704 | (0755)8652 9704 |
电子信箱 | [email protected] | [email protected] |
三、 信息披露及备置地点变更情况简介
公司选定的信息披露报纸名称 | 《中国证券报》(www.cs.com.cn)、《上海证券报》
(www.cnstock.com)、《证券时报》(www.stcn.com
)、《证券日报》(www.zqrb.cn)、《经济参考报》
(jjckb.xinhuanet.com) |
登载半年度报告的网站地址 | www.sse.com.cn |
公司半年度报告备置地点 | 公司董事会办公室 |
报告期内变更情况查询索引 | 不适用 |
四、 公司股票/存托凭证简况
(一) 公司股票简况
√适用 □不适用
公司股票简况 | | | | |
股票种类 | 股票上市交易所及板块 | 股票简称 | 股票代码 | 变更前股票简称 |
A股 | 上海证券交易所科创板 | 云天励飞 | 688343 | / |
(二) 公司存托凭证简况
□适用 √不适用
五、 其他有关资料
□适用 √不适用
六、 公司主要会计数据和财务指标
(一) 主要会计数据
单位:元 币种:人民币
主要会计数据 | 本报告期
(1-6月) | 上年同期 | 本报告期比上
年同期增减(%) |
营业收入 | 146,638,205.22 | 185,391,900.47 | -20.90 |
归属于上市公司股东的净利润 | -210,541,142.46 | -229,885,414.75 | 不适用 |
归属于上市公司股东的扣除非经常性 | -260,122,232.79 | -267,451,827.51 | 不适用 |
损益的净利润 | | | |
经营活动产生的现金流量净额 | -314,853,487.05 | -205,118,620.51 | 不适用 |
| 本报告期末 | 上年度末 | 本报告期末比
上年度末增减
(%) |
归属于上市公司股东的净资产 | 4,508,457,272.22 | 1,093,269,316.39 | 312.38 |
总资产 | 4,929,997,642.68 | 1,624,456,587.82 | 203.49 |
(二) 主要财务指标
主要财务指标 | 本报告期
(1-6月) | 上年同期 | 本报告期比上年
同期增减(%) |
基本每股收益(元/股) | -0.68 | -0.86 | 不适用 |
稀释每股收益(元/股) | -0.68 | -0.86 | 不适用 |
扣除非经常性损益后的基本每股收益
(元/股) | -0.84 | -1.00 | 不适用 |
加权平均净资产收益率(%) | -7.64 | -17.23 | 增加9.59个百分
点 |
扣除非经常性损益后的加权平均净资
产收益率(%) | -9.44 | -20.05 | 增加10.61个百分
点 |
研发投入占营业收入的比例(%) | 98.13 | 79.13 | 增加19.00个百分
点 |
公司主要会计数据和财务指标的说明
√适用 □不适用
1、营业收入变动原因说明:2023年1-6月,公司实现营业收入14,663.82万元,较上年同期相比下降20.90%,主要系受大环境影响,去年下半年新增项目储备不及预期所致。
2、经营活动产生的现金流量净额变动原因说明:经营活动产生的现金流量净额为-31,485.35万元,较上年同期减少10,973.49万元,主要系因业务发展,支付购买商品、劳务的现金增加所致。
3、归属于上市公司股东的净资产变动原因说明:报告期末,公司归属于上市公司股东的净资产为450,845.73万元,较报告期初增长312.38%,主要系首次公开发行股票募集资金所致。
4、总资产变动原因说明:报告期末,公司总资产为492,999.76万元,较报告期初增长203.49%,主要系首次公开发行股票募集资金所致。
七、 境内外会计准则下会计数据差异
□适用 √不适用
八、 非经常性损益项目和金额
√适用 □不适用
单位:元 币种:人民币
非经常性损益项目 | 金额 | 附注(如适用) |
非流动资产处置损益 | 11,579.36 | |
越权审批,或无正式批准文件,或
偶发性的税收返还、减免 | | |
计入当期损益的政府补助,但与公
司正常经营业务密切相关,符合国
家政策规定、按照一定标准定额或
定量持续享受的政府补助除外 | 37,372,409.93 | |
计入当期损益的对非金融企业收取
的资金占用费 | | |
企业取得子公司、联营企业及合营
企业的投资成本小于取得投资时应
享有被投资单位可辨认净资产公允
价值产生的收益 | | |
非货币性资产交换损益 | | |
委托他人投资或管理资产的损益 | | |
因不可抗力因素,如遭受自然灾害
而计提的各项资产减值准备 | | |
债务重组损益 | | |
企业重组费用,如安置职工的支出、
整合费用等 | | |
交易价格显失公允的交易产生的超
过公允价值部分的损益 | | |
同一控制下企业合并产生的子公司
期初至合并日的当期净损益 | | |
与公司正常经营业务无关的或有事
项产生的损益 | | |
除同公司正常经营业务相关的有效
套期保值业务外,持有交易性金融
资产、衍生金融资产、交易性金融
负债、衍生金融负债产生的公允价
值变动损益,以及处置交易性金融
资产、衍生金融资产、交易性金融
负债、衍生金融负债和其他债权投
资取得的投资收益 | 11,503,138.87 | |
单独进行减值测试的应收款项、合
同资产减值准备转回 | | |
对外委托贷款取得的损益 | | |
采用公允价值模式进行后续计量的
投资性房地产公允价值变动产生的
损益 | | |
根据税收、会计等法律、法规的要
求对当期损益进行一次性调整对当
期损益的影响 | | |
受托经营取得的托管费收入 | | |
除上述各项之外的其他营业外收入
和支出 | 693,962.17 | |
其他符合非经常性损益定义的损益
项目 | | |
减:所得税影响额 | | |
少数股东权益影响额(税后) | | |
合计 | 49,581,090.33 | |
经常性损益项目,以及把《公开发行证券的公司信息披露解释性公告第1号——非经常性损益》中列举的非经常性损益项目界定为经常性损益的项目,应说明原因。
□适用 √不适用
九、 非企业会计准则业绩指标说明
□适用 √不适用
第三节 管理层讨论与分析
一、 报告期内公司所属行业及主营业务情况说明
(一)所属行业及其发展情况
根据《国民经济行业分类》(GB/T4754-2017),公司所属行业为“I65软件和信息技术服务业”中的“I6513应用软件开发”。根据中国证监会颁布的《上市公司行业分类指引》(2012年修订),公司所属行业为“信息传输、软件和信息技术服务业-软件和信息技术服务业”,行业代码为“I65”。
人工智能正在带来史无前例的新一轮科技革命浪潮,以 ChatGPT为代表的领域大模型在过去的一年多的时间内取得了很大进展,在对话生成、图像生成、图像分割、音乐生成等领域都展现了让人惊叹的效果,并迅速的在一些场景快速应用落地,例如网络搜索、会议摘要、自动化编程、自动化办公软件等等。在另一方面,大模型的能力也迅速的从自然语言处理快速的向语音、图像、视频等领域横向扩展,多模态大模型的出现昭示着通用人工智能的时代即将来临。行业在政策和技术层面取得如下进展:
1、政策层面
人工智能是国家战略的主要组成部分,近年来人工智能行业受到国家产业政策的重点支持,国家陆续出台了多项政策,鼓励人工智能行业发展与创新。2023年 2月,中共中央、国务院发布《数字中国建设整体布局规划》,提出系统优化算力基础设施布局,促进东西部算力高效互补和协同联动,引导通用数据中心、超算中心、智能计算中心、边缘数据中心等合理梯次布局。2023年 4月 28日,中共中央政治局召开会议,提出要重视通用人工智能发展,营造创新生态,重视防范风险。随后,北京、上海、深圳等地相继发布支持人工智能产业发展的政策文件,围绕打造拓展人工智能应用场景、加强相关领域人才高地建设等方面作出多方面部署。2023年 7月 13日,国家网信办联合国家发改委、教育部、科技部、工信部、公安部、国家广电总局公布《生成式人工智能服务管理暂行办法》,这也是中国首次对生成式 AI研发及服务作出明确规定。人工智能受到来自于国家政策的高度关注并且在政策加持下得以规范化有序发展。
2、技术层面
报告期内,全球人工智能大模型呈现百花齐放的状态,据不完全统计,国内已经超过一百家
企业公布了大模型的相关研发信息。人工智能之于未来的产业发展,有如互联网及移动互联网之
于上一个科技革命浪潮,越多从业者参与其中,将广泛性地进行市场教育并加快提升人工智能的
渗透率。
更多的大模型在各行各业的落地将催生在边缘端和终端分布的更加适用于人工智能运算要求
的芯片及相应工具链的产业机会。在当前国际局势下,国产及信创芯片企业在面临更加严峻挑战
的同时也将迎来更大的发展机遇。
(二)主营业务情况
公司作为拥有自主可控核心技术能力的业内领先人工智能企业,率先提出打造“1+1+N”自
进化城市智能体实践框架,积极构建自学习、自进化的数字城市智能协同发展体系,推动人工智
能产业快速发展。
公司拥有算法和芯片两大核心技术平台,凭借“算法芯片化”的核心能力和“端云协同”的
技术路线,在数字城市、人居生活等领域成功落地一系列标杆式解决方案,为各行业带来安全、
智慧、便捷的 AI体验。在算法层面,经过多年的技术研发与积累,构建了人工智能算法平台,拥
有大模型研发能力,打造服务于多场景的行业大模型;在芯片层面,公司基于对人工智能算法技
术特点及行业场景计算需求的深刻理解,通过自定义指令集、处理器架构及工具链的协同设计,
实现算法技术芯片化,构建了神经网络处理器平台。
软硬件产品和解决方案销售为公司报告期内实现核心技术落地、获取营业收入的主要手段。
公司自研的核心软件产品主要以算法和大数据分析技术为基础;自研的核心硬件产品主要是公司
的芯片及相关产品。根据客户需求公司将自研的核心软硬件产品,通过云端与终端的产品和服务
的协作,以及基于过往项目经验的方案工程化设计,提供解决方案满足客户需求,解决行业痛点
问题。 根据下游应用场景的不同,公司的主营业务聚焦的服务场景分为数字城市运营管理和人居生
活智慧化升级两大业务场景,目前以数字城市场景为主,逐步向人居生活场景拓展,面向智慧安
防、城市治理、智慧交通、智慧应急、智慧城管、智慧园区、智慧泛商业、智慧社区、智慧道路
巡检等行业应用。
算法芯片化基础技术平台:该平台是公司基础技术研究平台,基于该平台重点研究算法与芯
片协同设计技术,包括大模型算法技术、视觉文本语义类算法技术、AI处理器设计仿真验证技术、
芯片工具链技术等。基于算法芯片化基础技术平台提升公司基础技术的研发效率,为公司构建公
司核心技术能力提供有力支撑。
核心能力平台:该平台系公司快速满足行业场景应用需求的支撑。基于公司基础技术,公司
开发了算法服务、数据挖掘与算法训练、知识库大数据、智能调度中枢、SDC端边服务、AIoT
物联感知汇聚、模型迭代进化、数字孪生技术系列化核心能力平台。通过上述平台,快速整合各
类核心能力技术组件,实现面向行业场景业务高效落地应用。
硬件通用平台:该平台系公司面向自进化城市智能体的行业场景深耕过程中,基于行业场景
共性通用需求,沉淀的天舟云/边服务器、深目边缘计算盒子、慧眼 SDC前端硬件三大硬件通用
平台。上述平台一方面,面向行业场景提供高能效高性价比的硬件计算资源支撑,另一方面,硬
件平台搭载行业场景共性算法和业务应用,形成面向行业的标准化软硬一体产品。
天舟系列云/边服务器 深目系列边缘计算盒子 DeepEdge系列芯片
行业标准化产品及解决方案:公司以构建自进化城市智能体为牵引,基于硬件通用平台,聚焦城市场景下的行业智慧化建设,目前已形成智慧安防、城市治理、智慧交通、智慧应急、智慧城管、智慧园区、智慧社区、智慧泛商业、智慧道路巡检等行业产品与解决方案体系,并结合新兴大模型技术特点和行业需求,持续拓展创新业务。
(三)主要经营模式
公司盈利模式主要为基于自研的算法软件、芯片等核心产品,搭配外购的定制化或标准化硬件产品、安装施工服务等,面向政府机构等终端客户、企事业单位等集成商客户,根据其需求交付相应软硬件产品或解决方案,并有自研芯片、IP授权单独实现销售收入。公司的算法技术主要以软件方式实现客户需求的具体功能,同时结合用户需求,搭配外购的定制化或标准化硬件。公司的人工智能芯片技术可以用于前端设备和边缘设备的智能化,可在公司产品中自用或单独对外销售。
在解决方案层面,公司通过方案设计,根据用户的具体需求,将自研的软件等核心产品与公司软件适配性较高的定制或标准硬件组合,形成一套软硬件一体的解决方案并对外销售实现收入;在软硬件产品方面,公司一般通过向客户销售用于方案集成中所需的软件或定制硬件产品实现收入;在芯片层面,公司的 AI芯片产品为标准化产品,主要面向设备厂商进行芯片交付实现收入,也可以将相关研发成果通过“IP授权”的方式实现收入。
二、 核心技术与研发进展
1. 核心技术及其先进性以及报告期内的变化情况
公司核心技术的来源为自主创新。经过多年的技术积累,公司搭建了两大技术平台,即人工智能算法平台、人工智能芯片平台,公司在销售的 AI软硬件产品和解决方案中运用公司研发的算法和芯片技术形成收入。
截至本报告期末,公司主要核心技术与变化情况如下:
(1)算法
公司已研发的关键算法包括:大规模视频结构化技术、大语言模型技术、大规模训练及部署技术。其对应专利及商用情况如下:
序
号 | 核心技术 | 专利
数量 | 来源 | 用途 | 使用
情况 |
1 | 大规模视频结
构化技术 | 107项发明
专利,346项
专利申请 | 自研 | 基于AI视觉技术感知物理世界,感知
结果通过大数据分析技术输出多行业
辅助决策。AI视觉技术包含通用多目
标视觉检测技术、多目标视觉理解技
术、多目标视觉识别技术。大数据分
析技术结合包含视觉分析结果以及多
行业信息输出辅助决策,落地包含平
安城市、智慧社区、智慧政务、智慧
商业等多个领域 | 成熟并
快速迭
代 |
2 | 大语言模型技
术 | 无 | 自研 | 自主研发大语言模型,目前已经形成
了数据底座、大模型快速训练、大模
型评测等多项核心技术 | 内部测
试、快速
迭代 |
3 | 大规模训练及
部署技术 | 5项发明专
利,1项专利
申请 | 自研 | 打通从数据底座、数据标注、模型训
练、模型部署、模型测试等从数据到
模型生产的全链条,用于公司内部技
术沉淀以及降本增效 | 内部使
用、快速
迭代 |
(2)人工智能芯片
公司人工智能芯片技术包括芯片技术、工具链技术、基础系统软件技术,其技术来源、用途及商用情况如下:
1)芯片技术
序
号 | 核心技术 | 专利
数量 | 来源 | 用途 | 使用
情况 |
1 | 计算存储融合
的神经网络处
理器 | 29项授权发
明专利,20
项专利申请 | 自研 | 基于ASIP技术路线和近计算存储融合
架构,打造自主安全可控的神经网络
核心处理器,在边缘端和前端提供最
佳的能效比;通过板级芯片的级联扩
展,可以支撑云端的加速和应用,达
到云端协同 | 已商用 |
2 | 处理器指令集 | 无 | 自研 | 自主知识产权的神经网络高效指令
集,支持 CNN/RNN/LSTM深度学习
算法 | 已商用 |
3 | 通用的智能硬
件算子 | 15项授权发
明专利,3项
专利申请 | 自研 | 通用的智能硬算子,用于处理
OPENCV核心算法和计算 | 已商用 |
4 | 可重构芯片技
术 | 无 | 自研 | 可重构计算技术允许硬件架构和功能
随软件变化而变化,具备处理器的灵
活性和专用集成电路的高性能和低功
耗,能够支持 CNN、RNN、LSTM等
算法,实现“软件定义芯片”,以实
现高能效比 | 已商用 |
5 | SoC芯片设计 | 5项授权发
明专利,1项
专利申请 | 自研 | 公司已掌握复杂 SoC设计的核心关键
技术,有力支撑了边缘端中型 SoC芯
片(DeepEye1000)的研发和边缘智能
计算 SoC芯片(DeepEdge10)的研发 | 已商用 |
6 | 处理器和芯片
功能验证 | 4项授权发
明专利,10
项专利申请 | 自研 | 公司拥有成熟先进的处理器和 SoC芯
片功能验证平台,确保了神经网络处
理器和 SoC芯片逻辑设计按时高质量
交付,有效提升芯片产品流片成功率 | 已商用 |
7 | 先进工艺物理
设计 | 4项授权发
明专利 | 自研 | 公司已掌握 12/22nm等先进工艺下开
展复杂芯片物理设计的关键技术 | 22nm芯
片已商
用 |
8 | 硬件系统设计 | 3项授权实
用新型,1项
授权发明专
利、1项专利
申请 | 自研 | 有效解决了高速传输链路信号完整
性、大功率供电下的电源完整性、芯
片散热、机箱模块化等关键问题,支
撑公司基于自研芯片研发模组/智能加
速卡、整机、集群等多样化的产品形
态。 | 已商用 |
2)工具链技术
序
号 | 核心技术名称 | 专利
数量 | 来源 | 用途 | 使用情
况 |
1 | 神经网络芯片
工具链平台 | 6项授权发明
专利,20项
专利申请 | 自研 | 通过工具链平台,将不同的深度学习
神经网络模型部署到芯片上并高效执
行 | 已商用 |
3)基础系统软件技术
序
号 | 核心技术名称 | 专利
数量 | 来源 | 用途 | 使用情
况 |
1 | 智能芯片异构计
算的数据管理和
任务调度 | 9项授权发明
专利、11项
专利申请 | 自研 | 结合芯片的硬件特点,提供统一的数据
管理接口,解决用户数据流使用效率低
的问题;针对硬件资源抽象出统一的功
能接口层,隐藏异构计算下并行调度复
杂度 | 已商用 |
2 | 智能芯片高性能
机器视觉计算库 | 5项授权发明
专利 | 自研 | 利用芯片的 DSP/硬件加速器资源加速
计算,提供统一的机器视觉计算库编程
接口 | 已商用 |
3 | 智能芯片
DeSDK平台软
件 | 11项授权发
明专利、18
项专利申请,
软件著作 | 自研 | 提供用户 SDK统一的编程接口,采用
graph编程方式,异步全流水并行调度,
支持用户业务跨芯片平台迁移,支持主
/从芯片跨平台编程 | 已商用 |
上述关键技术为公司产品提供了核心技术支持。
国家科学技术奖项获奖情况
□适用 √不适用
国家级专精特新“小巨人”企业、制造业“单项冠军”认定情况
□适用 √不适用
2. 报告期内获得的研发成果
公司建立了完善的知识产权管理体系,实现对知识产权的保护。报告期内公司共申请发明专利44件,申请外观设计专利9件,申请软件著作权6件。获得授权发明专利104件,外观设计专利16件,软件著作权6件。截至2023年06月30日止,公司累计拥有有效授权发明专利424件、软件著作169件、外观设计专利154件。
报告期内获得的知识产权列表
| 本期新增 | | 累计数量 | |
| 申请数(个) | 获得数(个) | 申请数(个) | 获得数(个) |
发明专利 | 44 | 104 | 1473 | 424 |
实用新型专利 | 0 | 0 | 23 | 23 |
外观设计专利 | 9 | 16 | 171 | 154 |
软件著作权 | 6 | 6 | 169 | 169 |
其他 | 1 | 19 | 455 | 448 |
合计 | 60 | 145 | 2291 | 1218 |
3. 研发投入情况表
单位:元
| 本期数 | 上年同期数 | 变化幅度(%) |
费用化研发投入 | 143,891,664.13 | 146,706,027.45 | -1.92 |
资本化研发投入 | | | |
研发投入合计 | 143,891,664.13 | 146,706,027.45 | -1.92 |
研发投入总额占营业收入比
例(%) | 98.13 | 79.13 | 增加19.00个百分
点 |
研发投入资本化的比重(%) | | | |
研发投入总额较上年发生重大变化的原因
□适用 √不适用
研发投入资本化的比重大幅变动的原因及其合理性说明
□适用 √不适用
4. 在研项目情况
√适用 □不适用
单位:万元
序号 | 项目名称 | 预计总投
资规模 | 本期投入
金额 | 累计投入
金额 | 进展或阶
段性成果 | 拟达到目标 | 技术水平 | 具体应用前景 |
1 | NNP400T | 11,000.00 | 1,588.25 | 9,168.73 | 研发阶段 | 该神经网络处理器定义
一套支持训练与推理为
一体的指令集,在可编
程性、可扩展性和高能
效性上做到较好的均衡 | 作为新一代自研深度学
习神经网络处理器,提供
单核高算力支撑,支持混
合精度计算,支持训练、
推理场景 | NNP400T可应用于边缘
端多路数据并行处理
的应用场景,同时通过
SOC的多Die互联,可
应用于大模型的并行
计算等。同时,其可应
用于边缘端、云端数据
中心,适配不同客户、
不同应用场景的需求 |
2 | DETVM工具链
平台V2.0 | 4,000.00 | 504.32 | 3,440.71 | 研发阶段 | 解耦DETVM后端,以实
现现有已开发工具链框
架兼容多款自研芯片需
求;优化提升性能,达
到业界领先 | 支持常见的模型框架,包
括Pytroch、ONNX、
Tensorflow、TFlite等;
支持上百个常见CV模型,
包括分类、检测、分割等
算法模型 | 工具链平台可以实现
深度学习算法模型在
NNP上的高效推理,通
过自动化的方式分析
各类模型的计算和带
宽特点,提供针对性的
优化策略,实现算法模
型和芯片的高度匹配。
对于时延要求高的场
景和大模型的分布式
场景,高质量的工具链
至关重要 |
3 | DeepEdge
10 | 27,000.00 | 2551.42 | 21,460.04 | 研发阶段 | 基于Benchmark以及
PPA需求,可快速输出定
制化神经网络处理器
NNP IP,满足云端、边
缘侧和端侧场景下深度
学习神经网络训练和推
理计算的芯片设计需
要;全栈软件开发平台
支持业界主流深度学习
框架,提供异构环境下
的高效、统一编程和部
署接口,可以支持端云
一体人工智能计算平台
的开发和部署,云边协
同的高效运营和管理 | DeepEdge10作为首颗云
天自研的SOC芯片,搭载
新 一 代 自 研 NPU
(NNP400T),通过集成
Die to Die接口实现极大
的算力扩展能力,同时具
有良好的生态兼容性 | DeepEdge10可广泛应
用于数字城市的安防
和泛安防领域的各类
视频物联边缘计算场
景,如智能社区、智慧
园区、智能楼宇、智慧
工厂的视频分析和机
器视觉,以及各类环境
感知、决策控制等机器
人和复杂工业控制等
领域场景 |
4 | NNP310I | 5,000.00 | 784.95 | 4,290.73 | 研发阶段 | NNP310I在NNP300I的
基础上进一步优化了计
算架构以及指令集,在
运算效率、面积、以及
低功耗方面达到业界领
先 | 采用的异构多核架构,实
现任务智能适配和调度;
同时,可重构的计算架
构,高效灵活适配不同算
法;多重数据复用的存储
架构,大幅降低带宽消
耗;多电压点、多电压分
区的低功耗设计,适应极
低功耗场景;面积、计算
效率、低功耗方面达到业
界领先 | NNP310I提供极低的待
机功耗和计算能效比,
特别适合智能物联网
的应用场景(包括:智
能家居、智能穿戴设
备、智能传感器等)。
从而使智能物联网应
用场景中的设备,实现
智能化控制和数据处
理,同时保持极低的功
耗,延长电池寿命 |
5 | 大规模视频
结构化技术 | 8,200.00 | 975.59 | 6,983.51 | 研发成熟
阶段 | 该项目用于对场景图片
和视频进行高效分析和
理解,使用视频分析和
理解的结果结合多行业
数据信息实现结构化对
象及其关系的分析与预
测。形成基于此的标准
化智能高效应用 | 使用单一模型识别多个
不同物体及其属性,探索
无监督以及混合监督前
沿技术,结合目前大数据
大模型的能力快速落地
行业 | 大规模视频结构化技
术在多个领域得到广
泛应用,包括智能交
通、安防监控、零售业
和医疗健康等。 |
6 | 大语言模型
技术 | 2,000.00 | 890.18 | 890.18 | 研发初级
阶段 | 该项目通过全栈自研大
模型技术研发大语言模
型,包含数据底座、大
模型快速训练、大模型
评测等核心技术,生产
出可赋能多行业的大语
言模型,突破行业技术
壁垒 | 目前内部已经生产出多
个不同参数量基础大模
型和行业大模型,相应的
数据底座、大模型快速训
练、大模型评测等核心技
术已经开发出内测版本 | 大语言模型技术可在
多个领域得到广泛应
用,包括智能交通、安
防监控、零售业和医疗
健康等 |
7 | 大规模训练
及部署技术 | 2,500.00 | 1,064.82 | 1,064.82 | 研发初级
阶段 | 该项目打通从数据底
座、数据标注、模型训
练、模型部署、模型评
测等从数据到模型生产
的全链条,用于公司内
部技术沉淀、降本增效
以及外部长尾算法的生
产 | 目前已经形成了智能自
研数据标注系统、可标准
化高效生产算法的YMIR
平台、支持分布式的模型
部署平台以及自动化模
型评测平台 | 面向内部算法生产全
流程可大幅降本增效
面向外部长尾算法生
产可高效产出 |
8 | “天书”大模
型产品研发 | 2,400.00 | 1,102.71 | 1,102.71 | 研发阶段 | 基于“天书”系列大模
型技术,开发通用人工
智能和AI深层能力的大
模型平台产品。该产品
将根据不同领域的需
求,提供基于大模型的
智能化、高效化、便捷
化的服务,以提升工作
效率,优化信息处理及
决策制定过程,实现与
人类的自然对话和协作 | 基于自研“天书”系列大
模型技术,结合了大规模
的数据和计算资源,开展
产品工程化研发。确保
“天书”大模型平台产品
提供稳定、准确、高效的
智能化服务。并持续提升
产品的适用性和可扩展
性 | 该项目将提供智能问
答、智能办事、智能文
书、文档智能分析、数
据挖掘、辅助决策等功
能,可广泛应用于政务
服务、城市治理、警务、
企业数字化转型等诸
多领域 |
9 | 高性能边缘
智能计算设
备研发 | 2,000.00 | 974.56 | 974.56 | 研发阶段 | 研发集成自研高性能神
经网络处理器的边缘智
能计算系列设备,该设
备可以在边缘端实现高
效的数据处理和智能分
析,支持自定义算法模
型的快速部署和更新,
满足不同场景的需求 | 采用了自主研发的高性
能神经网络处理器,该处
理器采用算法芯片化技
术架构设计,具有高能
效、低功耗、指令集灵活
可定义等优势,可以有效
提升边缘智能计算设备
的性能和效率。通过云端
和边缘端的协同计算机
制,可实现算法模型的快
速迁移和更新,保证了边
缘智能计算设备的灵活
性和稳定性 | 针对城市治理、警务、
园区、交通、校园等领
域的实际需求,将开发
适用于不同场景的智
能边缘计算设备,提升
上述各领域的工作效
率和智能化水平,节省
成本和资源,促进社会
的可持续发展 |
10 | 人机交互自
进化平台研
发 | 2,400.00 | 1,161.71 | 1,161.71 | 研发阶段 | 人机交互自进化平台项
目旨在构建一个从数据
到应用的全流程自动化
平台,实现算法的自进 | 人机交互自进化平台项
目基于已沉淀的算法标
注与训练、算法仓开放服
务、算法自动化评测等平 | 人机交互自进化平台
项目具有广泛的应用
前景,可应用于城市治
理、政务服务、机器人 |
| | | | | | 化迭代优化。该项目的
目标是通过打通数据接
入、算法训练、模型评
测、算法打包、部署应
用的链路,提高算法的
落地部署和迭代优化效
率,降低人工智能应用
的开发成本和时间,提
升人工智能应用的性能
和质量,满足不同行业
和场景的个性化需求 | 台技术为基础底座,采用
大模型技术、多模态数据
融合、知识图谱构建、语
义理解等技术,实现数据
和算法的双向反馈和优
化。提高算法的跨领域迁
移和泛化能力 | 服务、人居生活等多个
领域。通过该项目实现
数据和算法的快速迭
代和优化,提升人工智
能应用的效率和价值。
该项目还可为人工智
能领域提供开放式的
创新平台,促进大模型
技术、具身智能技术的
交流和共享,推动人工
智能技术的发展和创
新 |
11 | 城市智管服
务平台研发 | 3,500.00 | 1,621.14 | 1,621.14 | 研发阶段 | 本项目通过城市智管平
台的研发,拟实现以下
目标:城市治理事件的
智能巡查、智能发现、
智能分拨、智能处置、
自动复核和智能分析评
价的全流程闭环,提高
城市治理效率和服务质
量;利用人工智能大模
型和算法仓开放服务,
提供城市治理事件的多
维度、多层次、多角度
的数据分析和决策支
持,提升城市治理水平
和能力 | 本项目基于已沉淀的算
法标注与训练、算法仓开
放服务、算法自动化评
测、人工智能大模型等平
台技术为基础底座,解决
城市治理事件的智能化
管理的核心难点,如事件
识别、分类、分配、处理、
评估、决策等;拟研发平
台具有较好的技术通用
性,适应了不同类型、不
同规模、不同场景的城市
治理事件的智能化管理
需求 | 本项目可以为市容巡
查管理、环境卫生管
理、园林绿化管理、城
市部件管理等城市治
理领域提供更优质、更
智能化的城市治理服
务 |
12 | 基于人工智
能的智能交
通产品方案
研发 | 2,400.00 | 1,169.52 | 1,169.52 | 研发阶段 | 本项目拟实现以下目
标:(1)完善基于公交
OD数据的智能公交线路
优化系统,提升OD识别
准确率,支持动态调整
公交线路和班次,和线
路优化;(2)优化基于
图像识别和深度学习的
交通道路巡检系统;(3)
完善基于算法仓开放服
务平台的交通道路事件
检测系统,实时监测道
路上的交通事故、违章
行为、拥堵情况等,并
及时提供预警和处理建
议,提高道路秩序和流
畅度;(4)开发基于新
能源车辆数据和优化算
法的新能源公交车辆充
电调度系统,根据车辆
电量、充电站状态、运
营计划等因素,合理安
排车辆充电时间和地
点,提高车辆利用率和
节能效果 | 该项目基于已积累的机
器视觉技术和大模型技
术,重点聚焦解决海量的
复杂数据处理、提高识别
和分析的准确性和实时
性,平衡优化目标和约束
条件等问题。基于仿真结
果,针对上述问题已能够
提供有效的技术解决方
案 | 该项目的研发成果将
为公司的智能交通业
务提供强有力的支撑,
有助于提升本公司在
智能交通领域的市场
竞争力和品牌影响力。
该项目的研发成果也
将为社会带来积极的
效益,有助于改善城市
交通环境,提高城市交
通效率,降低城市交通
成本,增加城市交通安
全,促进城市交通可持
续发展 |
合计 | / | 72,400.00 | 14,389.17 | 53,328.36 | / | / | / | / |
注:为进一步优化研发管理效率,在研项目大规模目标识别技术、基于图的数据挖掘技术以及三维视觉技术归集到大模型视频结构化技术项目中,加强
资源共享、优势互补。
5. 研发人员情况
单位:万元 币种:人民币
基本情况 | | |
| 本期数 | 上年同期数 |
公司研发人员的数量(人) | 487 | 511 |
研发人员数量占公司总人数的比例(%) | 61.26 | 59.98 |
研发人员薪酬合计 | 11,668.75 | 12,535.33 |
研发人员平均薪酬 | 23.96 | 24.53 |
教育程度 | | |
学历构成 | 数量(人) | 比例(%) |
博士研究生 | 14 | 2.87 |
硕士研究生 | 143 | 29.36 |
本科 | 238 | 48.87 |
本科以下 | 92 | 18.89 |
合计 | 487 | 100.00 |
年龄结构 | | |
年龄区间 | 数量(人) | 比例(%) |
30岁以下(不含30岁) | 196 | 40.25 |
30-40岁(含30岁,不含40岁) | 254 | 52.16 |
40-50岁(含40岁,不含50岁) | 36 | 7.39 |
50-60岁(含50岁,不含60岁) | 1 | 0.21 |
60岁及以上 | 0 | 0.00 |
合计 | 487 | 100.00 |
6. 其他说明
□适用 √不适用
三、 报告期内核心竞争力分析
(一) 核心竞争力分析
√适用 □不适用
1、“端云协同”技术路线优势
公司自成立以来致力于面向场景实现算法和芯片技术的融合,并致力于实现端侧数据智能采集、处理与云侧数据深度处理的交互和自适应。基于“端云协同”的技术路线,公司在端侧应用自研的 DeepEye1000人工智能芯片部署可重定义智能摄像实现数据的高效采集和前端处理,在云侧与基于公司自有算法和大数据分析技术为核心的业务系统实现高度适配,从而可根据不同业务场景需求进行灵活调整,真正实现数据的前端智能采集和云端处理,为下游客户提供自主可控的“端云协同”AI解决方案,通过算力前置实现终端分布式算力与云端中心算力的动态平衡,通过在终端设备中部署公司的可重定义芯片实现云端业务系统与终端设备的动态适配,大幅提升 AI解决方案整体的动态适应能力和灵活处理能力,降低解决方案的落地成本,加速 AI解决方案的推广与落地。同时,随着端侧部署规模的不断扩张,及满足客户业务实时性、安全性、隐私性的需求,公司还自研了 DeepEdge10系列边缘人工智能芯片,可实现性能更强的轻量级边缘智能设备并支持边缘智能计算加速卡,满足 AI解决方案在更靠近数据源头的用户现场灵活部署的需求,进一步加强“端云协同”AI解决方案的场景适应能力。
2、面向场景的算法芯片化能力
公司创始团队拥有丰富的处理器指令集和架构全流程设计经验,搭建了算法分析-指令集定义-芯片架构设计-工具链设计的 AI芯片研发设计流程,基于对人工智能算法技术特点及行业场景计算需求的深刻理解,通过自定义指令集、处理器架构及工具链的协同设计,实现算法技术芯片化,提升芯片技术平台在产品和解决方案中的高效性及场景适应性。公司现阶段研发的可重定义 AI芯片主要面向嵌入式前端和边缘计算应用,可灵活支撑多类算法框架,提高算法实现的效率,降低后台处理成本,具备高性能、低功耗、低成本的优点。公司自研芯片技术平台可高效运行自有及第三方人工智能算法,对硬件设计进行优化,从而为市场和行业提供更优方案。
3、深入的场景理解能力和大规模场景解决方案落地能力
基于场景需求进行技术研发,通过技术研发支撑各类业务场景,是公司重要的技术优势。公司是业内较早实现动态人像系统在国内一线城市大规模落地的人工智能企业之一,在项目落地过程中积累了城市大规模业务场景与人工智能技术相融合的深刻理解,具备了大规模业务场景的解决方案落地能力。在面向业务场景的实践过程中,公司实现了多项核心技术及产品的产业化。目前,公司已经在智慧安防、城市治理、应急响应、智慧社区、智慧园区、智慧泛商业等领域陆续实现了场景业务落地。公司所积累的行业经验及场景理解,能够为公司未来技术研发及产品开发提供重要支持,使公司提供的产品及解决方案能更好满足下游客户的核心需求。公司大规模场景解决方案落地能力,能帮助公司在未来的城市级解决方案构建中,实现更高效的方案落地。(未完)