行业资讯

加入亿拓客·流量大师 撬动财富之门!!!

芯原股份调研报告纪要整理

wang 2026-11-18 行业资讯
芯原股份调研报告纪要整理

芯原股份:AIASIC订单爆发式增长,2027年盈利转正预期明确

摘要

1.2026年1-10月新签订单超172亿元,达2025全年的2.88倍,其中AI算力相关订单占比超83%,AIASIC业务高度集中。

2.在手量产订单150亿元(占比81%),毛利基本等同于净利;公司预计2026H2经调整EBITDA转正,2027年归母净利润转正。

3.订单转化周期为6-18个月,交付关键取决于晶圆产能、HBM及CoWoS封装供应;IP业务收入当季确认,NRE项目周期9-12个月。

4.研发费用率进入下降通道,2026Q3环比下降8个百分点;研发人员占比88%,2027届校招终面候选人95%具备本硕985/211背景。

5.战略聚焦AIASIC专用赛道,提前布局端侧AI(AR眼镜、AI玩具、AI戒指等),认为2028年后增长将由具身机器人等新兴终端驱动。

6.AR眼镜定位为“主动式AI输入设备”,需部署〈1B参数离线小模型;机器人“大脑”芯片研发难度高于自动驾驶,是未来核心攻坚方向。

Q&A

公司在2026年第三季度末的在手订单情况如何,相较于往期有何变化?这些订单的构成是怎样的?

截至2026年9月末,公司在手订单金额为185亿元,较2025年底的50多亿元增长266%,较2026年6月底增长49%,已连续12个季度保持高位。在手订单中,量产订单金额为150亿元,占比约81%。从业务构成来看,AIASIC相关的订单在在手订单中占比达到81%。

公司2026年截至10月底的新签订单规模有多大,与去年全年相比有何增长?这些新签订单主要集中在哪些领域?

2026年1月至10月30日,公司新签订单金额超过172亿元,是2025年全年新签订单总额59.6亿元的2.88倍。从订单性质分析,AI算力相关的订单占比超过83%,而更广泛的数据处理领域订单占比达到87%,显示出新签订单高度集中于AI ASIC相关业务。

公司对于订单转化为营业收入的流程有何说明?在当前供应链环境下,确保订单顺利交付面临哪些关键环节?

订单转化为营业额通常需要一年到一年半的时间。订单的顺利交付不仅取决于客户下单,更关键的是能否确保晶圆产能、HBM以及CoWoS封装这三个环节的供应。在先进工艺产能紧张的背景下,这三个环节的资源都非常难以早。公司所确认的订单,是基于对这三个关键生产要素已有把握可以落实的前提,确保芯片能够与HBM等部件完成封装并最终出货,从而转化为销售收入。

公司对未来的盈利能力有何展望?

公司预计在2026年下半年实现经调整后EBITDA转正,并在2027年全年实现经调整后归属于上市公司股东的净利润转正。其中,经调整的指标主要剔除了股权支付费用等非现金性项目以及并购等非经营性项目的影响,旨在更真实地反映公司的经营性盈利能力。

截至2026年6月底,公司的研发团队规模和人员构成是怎样的?在人才招聘方面,尤其是针对2027年应届毕业生的招聘,有哪些标准和发现?

截至2026年6月底,公司共有2,145名员工,其中研发人员占比为88%。研发团队中,硕士及以上学历者占比87.7%。在2027年应届生招聘流程中,公司从全球8,000名参与统一笔试的候选人中筛选出1,600人进入面试环节。面试至少包含三轮技术面试和两轮HR面试,其中包括全英文口语测试。值得注意的是,今年新增了关于使用AI进行芯片设计的考题,结果显示几乎所有候选人都尝试作答,这反映了他们具备自学能力和自驱力。最终进入终面的候选人中,毕业于985、211院校的硕士生占比已达99%,同时拥有本硕985、211背景的比例为95%。此外,公司近期的组织架构己趋于扁平化,为新晋的优秀人才提供了管理岗位的发展机会。

公司如何看待中国AI产业的发展前景,以及芯原在其中的独特定位?

中国的AI产业发展前景被认为是“风景这边独好”。这种独特性不仅体现在电费等成本优势上,更关键的在于中国拥有全球独一无二的端侧制造能力、庞大的应用市场和人口基础。在众多芯片设计公司中,芯原凭借其作为AI ASIC龙头的定位,在AI与芯片这两个核心赛道中具备差异化优势。

如何理解订单到收入的转化周期,特别是NRE、IP和量产芯片这几类业务的转化流程和时间分别是怎样的?

订单转化为收入的周期因业务类型而异。IP业务的收入通常在当季就能确认。芯片业务主要分为两类:第一类是NRE(非重复性工程)项目,在赢得一个design-win后,项目周期通常为9到12个月。收入采用完工百分比法(percentage of completion)逐步确认,若项目进展顺利并在一年内完成tape out,收入转化路径是清晰的。客户方面的变动可能会导致少量延迟,但基本周期在一年以内。第二类是已完成验证并进入量产阶段的芯片,其订单是分批下达的。这类订单转化为收入的时间取决于制造、封装和测试所需的周期。需要强调的是,订单能否转化为收入不仅取决于客户下单,还取决于公司能否成功安排生产,并确保HBM、CoWoS等配套物料供应到位。只有当芯片完成封装测试并成功出货后,才能确认为销售收入。综合来看,从订单到收入的转化时间短则6个月,长则可达18个月,量产芯片的尺寸和复杂性不同导致了这一较大的时间范围。订单的可靠性和可执行性是整个转化过程中的关键。

2026年第三季度及前三季度的经营业绩表现如何,尤其是在IP、设计服务和量产服务等关键业务领域?2026年前三季度,公司收入同比增长40%。从业务分项来看,IP业务在第三季度环比及前三季度同比均实现增长,其中GPU、NPU和VPU这三大核心处理器IP的收入占IP总收入的60%。设计服务业务在第三季度表现尤为突出,环比增长达到127%,这部分NRE项目是未来量产业务的基础,其收入转化通常需要9个月的设计周期,再经过生产、验证,最终在2027年或之后进入量产阶段。目前,超过一半的设计服务项目与AI相关,并且在工艺节点上,除了传统的28nm和14nm以下,也已覆盖到7nm以下的先进工艺。量产服务方面,前三季度收入同比增长86%,正在量产的芯片项目数量超过119个,另有65个项目处于设计、测试或封装阶段。截至目前,在手量产订单金额为150亿人民币,是公司在手订单的主体。量产订单的毛利基本等同于净利。从应用领域看,数据处理相关芯片的增长最为显著,符合AIASIC的发展趋势。此外,客户结构保持多元化,系统公司客户占比达到30%。

公司的商业模式和核心竞争优势体现在哪些方面?以及如何看待盈利能力的改善趋势和未来的盈利预期?

公司的核心优势在于其平台化能力和灵活的商业模式。在IP业务方面,公司服务超过490家客户,广泛的客户基础和项目经验使其在技术迭代和市场洞察上具备优势,能够持续推出符合市场前沿需求的IP。在芯片设计服务方面,公司已累计服务380家客户,通过承接大量NRE项目,客户资金实际上支持了公司的研发投入。每个项目都为公司带来了可复用的技术和经验积累,例如在超低功耗设计等领域,从而不断丰富和强化了设计平台,形成了跨领域、可复用的平台化优势。与博通等公司不同,公司商业模式更为灵活,既可以提供完整的芯片设计服务,也可以单独授权IP,满足不同客户的需求。在盈利能力方面,改善趋势主要体现在两个方面。首先,研发费用占收入的比例持续下降,2026年第三季度该比例环比下降了8个百分点,并保持下降趋势。其次,毛利结构持续优化。尽管量产业务约20%的毛利率会拉低综合毛利率(IP业务毛利率约90%),但量产业务的毛利基本等同于净利。因此,即便综合毛利率因量产业务占比提升而有所下降,但整体毛利额仍在增长。综合毛利并非衡量当前盈利能力的最佳指标,应分开审视各业务的毛利贡献。基于研发费用占比下降和毛利结构优化的趋势,公司给出了两个盈利转正的预期:调整后EBITDA在2026年下半年转正,全年净利润在2027年实现转正。鉴于第三季度调整后EBBITDA尚未转正,这意味着第四季度需要有更强的业绩表现来实现下半年转正的目标。

在Al产业发展趋势上,公司近三年前提出的行业判断是什么?当前如何看待云、边、端侧的AI市场格局和机会?

大约三年前,即2024年1月左右,行业普遍关注“百模大战”时,公司就预见到大模型数量最终会收敛至少于十个,并且提醒市场不应只关注数据中心和训练芯片。当时就明确指出,行业的关注点需要从以数据中心和通用大模型为代表的“树干”(训练),转移到以垂直领域模型、推理和应用为代表的“树枝”和“树叶”,即端侧和边侧。这一判断当前得到了验证,推理、应用和垂直小模型已成为行业热点。当前,公司将云侧之外的市场进一步细分为边侧和端侧。这种划分主要依据算力和延迟两大标准。例如,用于特定场景的推理盒子属于边侧设备,而AR眼镜或AR戒指这类需要实时交互的设备则属于端侧,两者在算力需求和延迟容忍度上有显著区别。在市场格局上,AI芯片分为通用和专用两大主要赛道。通用赛道以GPU为主,而公司聚焦的AIASIC属于专用赛道,这是产值最大的市场。公司的独特性在于,不仅在专用AIASIC领域服务于类似谷歌、Meta的客户及其国内对标企业,同时也为通用GPU赛道中的主要公司提供IP或芯片服务。

公司在AR领域的布局和产品理念是怎样的?

公司在AR领域的布局已有近五年时间,大约四年多前就为谷歌定制开发了一款AR ASIC芯片。这款芯片并非简单地修改手机芯片(功能强但功耗高)或手表芯片(功耗低但功能弱),而是从一开始就针对AR应用场景进行定制设计,在功耗和性能之间取得了更好的平衡,其功耗表现优于当前市场上的部分解决方案。对于AR眼镜产品,核心理念是“首先它必须是一副眼镜”,这意味着产品的首要属性是佩戴舒适,能够满足用户长时间(如一天)佩戴的需求。

对于可全天佩戴的AR眼镜,其推广应用面临哪些核心挑战?其理想的产品形态和功能定位是什么?

AR眼镜若要实现从早到晚的全天候佩戴,其推广面临两大核心挑战:舒适度和美观性。在舒适度方面,眼镜重量不能超过30克;在美观性方面,其设计必须符合日常审美。若无法满足这两点,产品将难以被市场广泛接受。区别于仅在特定场景(如飞机、高铁或汽车上)用于观影的AR眼镜,全天候佩TAIN的AR眼镜应首先被定位为一种输入设备,而非仅仅是输出设备。它能够利用摄像头等传感器感知并理解周围环境,实现“始终在线”(always on)的主动式AI辅助功能,无需用户通过关键词唤醒。例如,当传感器捕捉到用户开门的动作时,系统能主动判断用户即将外出,并根据其过往习惯,提醒其携带正在充电的手机。此外,它还能记忆物品的放置位置,当用户询问时,能够告知手机被放在了哪个房间的哪个桌子上。这种主动式AI功能需要在眼镜端侧部署一个极小的大语言模型,其参数量需小于1B,甚至在0.5B或0.27B的量级。目前,基于这类小模型的研发已经取得进展。然而,AR眼镜的推广也面临隐私和法规方面的挑战。由于其具备拍摄功能,在某些场合可能会被禁止佩戴,这给用户带来了不便。因此,相关法规的制定也成为影响其普及的重要因素。

在端侧AI应用中,离线小模型的熊力体现在哪些方面?尤其是在AI玩具这类对数据隐私和成本敏感的产品中,其重要性如何?

离线小模型的能力在AI玩具等端侧设备上至关重要,尤其是在需要保护儿童隐私的欧洲市场,连接云端大模型进行数据交互可能面临合规风险。小模型的离线运行能力是解决这一挑战的关键。具体能力体现在以下几个方面:第一,即时内容生成。例如,仅提供“小猫”和“小狗”两个关键词,离线小模型能够在极短时间内生成一个具有画面感、句子简短生动的故事。如果用户对生成的内容不满意,模型可以迅速提供一个新的版本,并且支持切换不同角色的声音(如爸爸或妈妈的声音)进行讲述,也支持生成英文版本。第二,实时环境认知与互动。搭载离线小模型的AI玩具可以识别家庭环境中的任何物品。当学龄前儿童指着某个物体提问时,玩具可以立即回答“这是什么”、“有几个”、“是什么颜色”以及“英文怎么说”,提供比传统看图识字更生动、更具互动性的学习体验。这些功能的实现,完全依赖于在终端设备上运行的高效小模型,无需联网。这不仅解决了数据隐私和内容健康的问题,也验证了小模型在特定场景下的应用价值。虽然两年前AI玩具因存储成本高昂而被认为难以实现,但现在技术进步已使其成为一个热门领域。一个真正具备AI能力的眼镜,其价值可以支撑2000元的售价,关键在于其内嵌的AI是否真正智能,而非停留在眨眼、摇头等简单交互层面。

从当前到2028年以后,公司的业务增长点将如何演变?在AloT终端、健康监测设备和人形机器人等前瞻性领域有哪些布局?

当前至2027年的业务预订主要由现有业务驱动,而2028年及以后的下一波增长将来自于在端侧AI领域的长期布局,尤其是在AI眼镜、AI玩具、AI戒指和具身机器人等新兴终端产品上。这些领域的布局始于多年前,例如对AR眼镜的投入始于四年多前,AI玩具的布局在两年多前,AI戒指则在一年多前开始关注。在AI戒指等健康监测设备领域,增长的核心驱动力是健康监测这一刚性需求。戒指形态的设备能够持续监测睡眠时长、深度睡眠、心率及呼吸暂停等健康指标。与眼镜或手势交互相比,通过手指进行微小、不易察觉的动作来操控设备,交互方式更为自然。目前,相关算法研究已拓展至血压和血糖监测。血压监测功能并非要取代专业医疗设备,而是通过趋势监测,提示高血压用户在必要时进行精确测量。血糖监测则致力于实现无创化,相较于当前虽无痛但仍有微针创伤的贴片式监测方案,戒指形态的无创监测将是重要的技术突破。在人形机器人领域,当前产业的进展呈现出“小脑”强而“大脑”弱的特点。国产机器人在关节控制、平衡性等运动控制(相当于小脑和脑干的功能)方面表现出色,许多机械结构部件已实现国产化。然而,负责决策与操作的“大脑”芯片仍是短板,其研发难度在某种程度上甚至高于自动驾驶芯片。机器人的“大脑”需要处理复杂的思考与决策,而不仅仅是避免碰撞。这需要将智能分为三个层次:负责条件反射的“脑干”、负责快速反应与动作协调的“小脑”,以及负责深度思考与规划的“大脑”。目前机器人在“大脑”层面的能力尚有不足。这些前瞻性领域的持续投入,将构成公司在新能源周期之后新的增长点。

当前机器入领域的“大脑”,即人工智能,发展到了哪个阶段?未来的发展路径和主要挑战是什么?

当前机器人的人工智能可以分为三个层次。第一种是结构化场景,例如在固定位置重复执行任务的机械臂,这项技术已经发展了十年到二十年,非常成熟且高度自动化。第二种是半结构化场景,例如在车间内进行巡检或移动的机器人,目前已基本可以实现。第三种是非结构化场景,例如在家中陪伴老人、折叠衣物等,虽然经过大量训练后机器人可以完成某些特定任务,但要将老人或小孩完全交给机器人照料,目前还无法令人放心。因此,现阶段的重点应放在完善半结构化场景的应用。其核心挑战在于,当前的大语言模型主要处理语言任务,即基于海量的文本数据预测下一个词。互联网的发展使得获取这些文本数据变得非常容易且成本低廉,几乎是免费的。然而,机器人需要的是“物理AI”或“空间计算”,即感知和理解物理世界,这远比处理数字化的文本信息困难。这可以概括为“读万卷书”与“行万里路”的区别。更进一步,若要涉及情感交互,即“阅人无数”,难度则会更高。

与主要处理文本的大语言模型相比,应用于物理世界的“物理Al”或“世界模型”在技术上面临哪些具体挑战?

“物理AI”的核心挑战在于处理和理解空间信息,这与语言模型基于概率预测下一个词的逻辑有本质不同。例如,在图像处理方面,需要模型能够理解3D空间并生成新的视角。一个例子是,未来的手机(如设想中的iPhone17)拍摄一张照片后,模型能够推断出被拍摄主体(如人或狗)背后的被遮挡部分。这需要强大的空间概念和模型能力。 另一个例子是4D生成,即在3D空间的基础上加入时间维度。通过从不同视角拍摄的图像输入,模型需要能够生成一个完整的、包含动态变化的视频,并能填补拍摄机位之间缺失的视角信息。这类似于李飞飞教授团队所研究的方向。同样,在机器人领域,如果仅提供一个角度的视频,模型需要能推断出机器人在转身或从其他角度执行任务时的形态和动作。这些任务无法单纯依靠“暴力”收集数据来解决,因为不可能穷尽所有场景和角度。因此,必须构建基于3D和物理规律的仿真环境,这需要深厚的3D技术、物理学知识和控制理论作为基础,其逻辑是确定性的,而非语言模型那样的概率性。

芯原股份在人才招聘和培养方面采取了怎样的策略?如何应对AI技术发展可能带来的人员优化问题?

在人才招聘方面,公司设置了极高的标准。以最近一次全球笔试为例,8,000名应聘者中,通过以智力题为主的笔试筛选出1,600人。面试流程通常包括五轮,涵盖三轮技术面试、两轮HR面试(含英文沟通),近期还增设了AI面试环节,要求应聘者使用开源模型现场解决问题。最终进入终面的候选人,其硕士学历基本100%来自985或211高校,且第一学历(本科)来自这些院校的比例也高达95%。过去四年入职的这类优秀毕业生已申请了186项专利,证明了其扎实的基础。公司每年计划招聘约100多名毕业生,且人才质量逐年提升。关于AI对岗位的影响,在一般的产品公司,AI提高效率可能导致裁员,例如一个人完成三个人的工作后,另外两人可能被解雇。这使得员工在应用AI时可能有所保留。但在芯原,公司鼓励全员毫无保留地拥抱AI(Al1in AI)。这得益于公司的商业模式,即没有库存风险,也没有应用领域的边界。通过AI提升效率节省下来的人力,可以被重新部署去开辟新的业务赛道、启动新的项目,而不是被裁员。这种多元化的商业模式为AI的应用和人才的保留创造了积极的环境。公司也因此连续五年被评为芯片行业最佳雇主,并连续三年获得芯片行业之外的典范雇主称号。

在当前宏观经济形势下,芯原股份如何规划公司的发展战略?

面对当前形势,可以借鉴“深挖洞、广积粮、不称霸”的九字方针来指导公司战略。“深挖洞”寓意着持续投入研发。公司长期以来将营收的30%投入研发,坚持了25年。未来将继续保持研发投入,随着规模效应的显现,盈利能力将得到保障。增长与盈利的关系是,只要保持增长,暂时的不盈利可以转为盈利;但如果没有增长,即使盈利也可能无法持续。“广积粮”指的是关注现金流和融资渠道。公司目前现金流状况良好,在过去五年中仅进行了一次定向增发。正在稳步推进的香港上市计划,也是出于资金流与融资的考量,可能为未来的海外并购等活动提供支持。“不称霸”则意味着保持低调、开放与合作。在当前严峻的形势下,公司将坚定AI发展道路的信心,并尽可能保持开放合作的态度。

对于中国AI产业和集成电路产业的未来发展前景有何看法?

展望未来,“风景这边独好”可以从多个层面理解。首先,它指向中国的AI事业和集成电路产业。其次,在资本市场层面,它可能指代科创50指数。具体到公司层面,它也可能代表芯原股份在芯片设计公司中的独特定位。中国发展AI具备多重优势:第一,能源成本相对较低;第二,token价格便宜;第三,拥有先进且活跃的开源AI模型生态;第四,拥有全球最完整的产业链;第五,享有科学家红利,每年有大量的优秀毕业生。在当前形势下,应坚定对AI道路的信心,并尽可能保持开放。尽管未提供具体的业绩预测数字,但基于这些有利因素,可以对未来的发展进行推算。

注意:以上内容并非推荐,仅作研究辅助。投资者应自主决策,注意风险。

猜你喜欢