2022/03/17 15:40

市值73亿元！科创板「AI第一股」格灵深瞳来了

今日，格灵深瞳在科创板成功上市。

3月17日，北京格灵深瞳信息技术股份有限公司（以下简称“格灵深瞳”）正式在上海证券交易所科创板上市，股票代码688207。格灵深瞳发行价格39.49元/股，对应市值约73亿元。

格灵深瞳以“让计算机看懂世界”为愿景，自2013年成立以来，专注于计算机视觉技术和大数据分析技术的研发和产业化应用，历经核心技术形成、产品商业化探索、应用场景落地，逐步迈入行业解决方案拓展阶段。

凭借3D视觉技术等核心技术优势，格灵深瞳已在城市管理、智慧商业、智慧金融、轨交运维、体育健康等领域广泛布局，并与农业银行、建设银行、中车电气等行业重要客户建立合作关系。

近三年，格灵深瞳处于高速成长阶段。招股书显示，2018年至2021年上半年，公司实现营业收入分别为5196万元、7121万元、24272万元和7219万元，呈现快速增长趋势；主营业务毛利率分别为62.6%、53.1%、61.6%和72.4%。

1、软硬结合，3D视觉技术一骑绝尘

视觉是人与外界沟通最重要的途径。同样，在数字世界里，计算机视觉的发展也决定着AI的走向与能力。

一般来讲，高效的机器视觉系统取决于四个关键因素：一是核心算法，二是自动化大规模训练模式，三是智能数据挖掘和标注，四是基于硬件平台的计算优化。

在传统算法开发模式中，工程师把大量时间都放在处理参数等这些基础工作上，而真正能发挥其价值的时间占比很少。同时，机器的GPU利用率低，硬件无法充分发挥其效能。形成了对人才价值和机器价值的双重浪费。

作为AI产业化的先行耕耘者，格灵深瞳搭建了集数据采集、数据预处理、数据标注、模型训练、模型优选等模块于一体的底层AI技术平台——深瞳大脑。经过多年技术研发积累，深瞳大脑可支持数十亿训练数据、数亿类别任务，数十亿参数模型的训练，有效提高了算法模型的研发效率及自动化水平。

深瞳大脑是格灵深瞳核心技术驱动平台，用于赋能公司人工智能产品及解决方案的技术实现。目前，格灵深瞳已形成了基于深度学习的模型训练与数据生产技术、3D立体视觉技术、自动化交通场景感知与事件识别技术、大规模跨镜追踪技术和机器人感知与控制技术等五大技术方向。

在3D视觉技术方面，格灵深瞳更是“一骑绝尘”。3D立体视觉一般通过结构光、激光雷达等特殊传感器采集得到场景的深度信息，再利用深度信息和可见光信息一同计算出场景的三维图像。

格灵深瞳的3D立体视觉技术方向布局包括多目传感器标定与深度估计技术、运动姿态分析技术、3D重建与立体视觉分析技术，其中3D重建与立体视觉分析是一项关键性的基础技术，技术先进性体现在点云配准，即通过对同一坐标系下的不同视角下的点云数据进行矩阵变换，从而实现目标的完整的3D模型重建。

目前，格灵深瞳在计算机视觉领域已经拥有大量自主研发的核心算法，并多次在国内外人工智能算法竞赛中夺冠。在研发过程中，格灵深瞳向学术界开源了TrillionPairs和Glint360K两个人脸识别数据集，开源了PartialFC训练代码，推动了行业技术的发展。

同时，格灵深瞳还承担了国家科技部、北京市科学技术委员会等多项人工智能技术应用的重大科研项目，并参与起草了中国安全防范产品行业协会、中关村标准化协会的多项标准。

2、多点开花，聚焦三大核心赛道

格灵深瞳专注于人工智能产品及解决方案的研发和销售。在产品侧，格灵深瞳主要有软硬一体的智源智能前端产品，以及软件占比较高的灵犀数据智能平台和深瞳行业应用平台。

其中，智源智能前端产品为内嵌自研AI算法软件的软硬一体产品，具备精准的大数据采集与识别归纳能力，可实现多场景、多目标的视觉数据采集、多重属性提取与智能识别；

灵犀数据智能平台以处理智源智能前端产品的数据或传统非智能摄像机的视频图像数据为起点，融合智能数据接入、智能数据解析、智能数据治理、数据安全输出等能力，可实现视频图像解析、视频结构化、人脸识别、人脸聚类、人脸布控、以图搜图等功能，完成“智能数据”向“数据智能”的转化；

而深瞳行业应用平台集数据存储、数据分析、数据应用功能于一体，主要负责解决方案中应用层的功能实现。

这些产品既可单独销售，也可根据客户需求，将上述产品进行组合以整体行业解决方案形式向客户交付。

格灵深瞳营业收入主要来自城市管理、智慧金融、商业零售三大领域。

其中，格灵深瞳在城市管理领域深耕多年，城市管理产品及解决方案已被广泛应用于多地公安局、公安交通管理局、政法委等政府部门或事业单位的项目建设。

招股书显示，城市管理产品及解决方案是公司最主要的业务板块，2018年至2021年上半年，占公司主营业务收入的比例分别为79.3%、51.7%、51.5%和66.2%。

格灵深瞳的智慧金融解决方案主要由智慧银行管理平台、皓目行为分析仪、深瞳慧目摄像机、边缘计算设备、人脸识别设备等核心产品构成，并开发“金砖”智慧金融管理系统平台。目前，公司智慧金融解决方案已在农业银行全国各省市的上千家分支机构落地应用，

商业零售解决方案中，基于物联网、大数据、人工智能、云计算等技术，在加油站、零售店等多个场景形成了成熟的行业解决方案，已覆盖中国石化、现代汽车等多家国内外知名企业，主要用于对车流、客流、商品货架的数据进行采集和分析，且相关数据均进行了脱敏处理，无法逆推出指向特定个体的信息，保障数据安全合规。

此外，格灵深瞳也重点布局轨交运维、体育健康领域。在轨交运维领域，公司已与中车电气在轨交运维行业建立了合作伙伴关系，并在宁波、无锡等地铁运维项目中开始试点。在体育健康领域，格灵深瞳已与首都体育学院建立了合作关系，公司开发的校园体育平台已在部分北京中小学校在线体育课中展开试点。

3、以人为本，经营性净现金流转正

客观上而言，计算机视觉领域是人工智能行业里一条比较拥挤的赛道，技术的领先性是各AI企业的立身之本，因此所有的企业都在投入重金抢人才、搞研发。

格灵深瞳的高管、核心技术团队由涵盖算法、智能应用、产品设计、硬件开发等多领域的资深人才组成，保障了公司核心技术的持续研发创新。

招股书显示，目前公司研发人员为153人，占员工总数比重为54.64%。2018年至2021年上半年，公司累积研发投入约3.4亿元，占营收比重为77.23%，且逐年研发投入不断增加。

目前，公司已拥有19项发明专利、6项实用新型专利、4项外观设计专利及77项软件著作权。

赵勇博士为公司创始人，现任公司董事长兼总经理。1999年毕业于复旦大学电子工程系，获学士学位；2003年毕业于复旦大学微电子系，获硕士学位；2009年毕业于美国布朗大学计算机工程系，专业方向为计算机视觉和运算影像学，获博士学位。曾在谷歌总部研究院任职，参与了谷歌眼镜（Google Glass）的早期研发，参与设计安卓操作系统中图像处理架构，在计算机视觉、运算影像学等技术领域具有丰富的行业研发经验。

为了提高人才团队的凝聚力及积极性，格灵深瞳自设立以来一直十分重视对员工进行股权激励。2013年，格灵深瞳设立员工股权激励计划，对员工实施长效激励，并分别于2019年和2020年进行了两轮股权激励。

2018年-2020年，公司经营性现金流净额分别-1.11亿元、-1.11亿元、0.35亿元，已实现经营性净现金流转正，优于可比公司情况。

同时，由于实施股权激励，公司2018-2020年确认的股份支付费用分别为597.51万元、3.01亿元、1.29亿元，因此考虑扣除股份支付费用后的扣非后归母净利润实现-8632万元，-1.15亿元、1032万元，2020年已实现经营性盈利。在整个人工智能行业普遍巨额亏损的情况下，格灵深瞳成为了第一家实现经营性盈利的AI企业，这是长期稳健经营的结果，同时也给那些质疑人工智能企业盈利遥遥无期的人一份令人意外又欣喜的答卷。

从人均创收来看，2018-2020年，受益于公司应用领域逐步商业化落地、实现重要进展，公司人均创收实现跨越式增长，从2018年人均创收20.79万元增长至2020年的92.29万元，位列行业可比公司人均创收第一位，2020年可比公司人均创收平均值为52.32万元。

股权架构方面，在IPO之前，赵勇通过深瞳智数、灵瞳众智、灵瞳莱客、灵瞳智源、灵瞳数源间接控制公司36.19%的表决权，其中深瞳智数为赵勇持股平台，持有公司22.53%股份，为实控人。灵瞳众智、灵瞳莱客、灵瞳智源、灵瞳数源为公司员工持股平台，分别持有公司6.86%、2.73%、2.52%、1.55%股份。

4、涅槃重生，“让计算机看懂世界”

回顾过往，格灵深瞳的成长历程并非一帆风顺。

凭借创始团队的光鲜履历和踩中AI风口的兴起红利，格灵深瞳一度被外界视为“天才AI公司”，并引得资本争相追捧。2013年和2014年，格灵深瞳分别拿到了真格基金、策源创投及红杉资本等数千万美元融资。

然而，闪耀的技术原型不等同于商业价值。从一个技术原型到一个优秀且成功的产品，中间隔着巨大的鸿沟，这条鸿沟里包括了各种东西：更好的产品体验；对用户需求的精准把握；怎么样更精确的找到市场定位……

成立初期，格灵深瞳聚焦线下零售，通过数字化分析，帮助零售商优化公司经营。但由于赶上电商爆火、线下零售式微的时间点，格灵深瞳的AI落地零售之路在早期走地并不顺利。

2016年，格灵深瞳及时调整业务方向，重点进军智慧城市、智慧金融、商业零售领域。2017、2018、2019年，格灵深瞳低调完成了3轮融资。同时，格灵深瞳的产品线和赛道逐渐清晰，并持续外扩。2021年6月，赵勇带领格灵深瞳冲刺IPO。

有一句老话可以很好诠释AI行业的发展：“每当一项技术创新发生时，人们容易去高估它的短期价值，低估它的长期价值”。

当前，人工智能正迎来发展的黄金时期。2017年，随着国务院印发《新一代人工智能发展规划》，人工智能正式上升为国家战略。中央级、地方级相关政策及配套机制陆续出炉，而2021年发布的《十四五规划和二〇三五远景目标纲要》中，新一代人工智能更是被列入攻关的七大科技前沿领域之一。

从长远看来，人工智能的未来有无限想象空间，IPO赛道的企业确实有可能创造更大的价值。

但需警惕的是，近两年人工智能创业已经进入到一个深水区，没有明确的目标和意义的创业公司变得更困难。进入什么样的行业，怎样提高交付效率、降低交付成本，如何让客户在采购使用产品后实现降本增效，这是当前所有AI企业面临的最大挑战。

尤其计算机视觉是人工智能领域一个重要的方向，企业众多，竞争激烈。而率先进入二级市场的格灵深瞳，也将面临更加严苛的监管审视。

格灵深瞳的愿景是“让计算机看懂世界”。为了保持在各项业务上的竞争优势，拥抱资本市场是一个必经的过程。此次IPO，格灵深瞳拟募资10亿元。其中，3.45亿元用于人工智能算法平台升级项目；1.55亿元用于人工智能创新应用研发项目；2亿元用于营销服务体系升级建设项目；3亿元用于补充流动资金。最终，格灵深瞳实际募资金额约18.26亿元。

顶着“科创板AI第一股”的光环进入二级市场的格灵深瞳，未来会有什么新的发展，让我们拭目以待！

产业格灵深瞳

相关技术

知识图谱

深度学习技术

深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的算法，至今已有数种深度学习框架，如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

来源：LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.

激光雷达技术

自动驾驶车辆传感器的一种，采用激光扫描和测距来建立车辆周围环境的详细三维模型。Lidar 图像具有高度准确性，这使得它可以与摄像头、超声波探测器和雷达等常规传感器相提并论。然而激光传感器面临体积过大的问题，同时，它的机械结构非常复杂。

来源：机器之心

数据分析技术

数据分析是一类统计方法，其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系，并绘制出统计信息图，以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据，以便弄清哪些是同质的，从而更好地了解数据。数据分析可以处理大量数据，并确定这些数据最有用的部分。

来源：维基百科

感知技术

知觉或感知是外界刺激作用于感官时，脑对外界的整体的看法和理解，为我们对外界的感官信息进行组织和解释。在认知科学中，也可看作一组程序，包括获取信息、理解信息、筛选信息、组织信息。与感觉不同，知觉反映的是由对象的各样属性及关系构成的整体。

来源：维基百科

人工智能技术

在学术研究领域，人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体（intelligent agent）

来源：Russell, S., & Norvig, P. (2003). Artificial Intelligence: A Modern Approach.

参数技术

在数学和统计学裡，参数（英语：parameter）是使用通用变量来建立函数和变量之间关系（当这种关系很难用方程来阐述时）的一个数量。

来源：维基百科

人脸识别技术

广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。人脸识别是一项热门的计算机技术研究领域，它属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。

来源：维基百科

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度，其目的是进行资源的优化。常见的规划方法包括经典规划（Classical Planning）、分层任务网络（HTN）和 logistics 规划。

来源：机器之心

边缘计算技术

边缘运算（英语：Edge computing），又译为边缘计算，是一种分散式运算的架构，将应用程序、数据资料与服务的运算，由网络中心节点，移往网络逻辑上的边缘节点来处理。边缘运算将原本完全由中心节点处理大型服务加以分解，切割成更小与更容易管理的部分，分散到边缘节点去处理。边缘节点更接近于用户终端装置，可以加快资料的处理与传送速度，减少延迟。在这种架构下，资料的分析与知识的产生，更接近于数据资料的来源，因此更适合处理大数据。

来源：Edge Computing: Vision and Challenges

计算机视觉技术

计算机视觉（CV）是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

来源：机器之心

数据挖掘技术

数据挖掘（英语：data mining）是一个跨学科的计算机科学分支它是用人工智能、机器学习、统计学和数据库的交叉方法在相對較大型的数据集中发现模式的计算过程。数据挖掘过程的总体目标是从一个数据集中提取信息，并将其转换成可理解的结构，以进一步使用。

来源：维基百科

云计算技术

云计算（英语：cloud computing），是一种基于互联网的计算方式，通过这种方式，共享的软硬件资源和信息可以按需求提供给计算机各种终端和其他设备。

来源：Cloud Computing

操作系统技术

操作系统（英语：operating system，缩写作 OS）是管理计算机硬件与软件资源的计算机程序，同时也是计算机系统的内核与基石。操作系统需要处理如管理与配置内存、决定系统资源供需的优先次序、控制输入与输出设备、操作网络与管理文件系统等基本事务。操作系统也提供一个让用户与系统交互的操作界面。

来源：百度百科

图像处理技术

图像处理是指对图像进行分析、加工和处理，使其满足视觉、心理或其他要求的技术。图像处理是信号处理在图像领域上的一个应用。目前大多数的图像均是以数字形式存储，因而图像处理很多情况下指数字图像处理。

来源：维基百科

参数模型技术

在统计学中，参数模型是可以使用有限数量的参数来描述的分布类型。这些参数通常被收集在一起以形成单个k维参数矢量θ=（θ1，θ2，...，θk）。

来源：Wikipedia

聚类技术

将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。“物以类聚，人以群分”，在自然科学和社会科学中，存在着大量的分类问题。聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法。聚类分析起源于分类学，但是聚类不等于分类。聚类与分类的不同在于，聚类所要求划分的类是未知的。聚类分析内容非常丰富，有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。

来源：百度百科

事件识别技术

事件识别（事件模式匹配）指检测与处理相关的事件，从而提供实施反应措施的机会。比如识别计算机网络节点中的攻击，视频内容中的人类活动，社交网络上的新兴故事和趋势，智能城市中的交通和运输事件，电子市场中的欺诈，心律失常和流行病传播等。在每个场景中，事件识别通过理解大数据流而做出相应的反应。

来源：Sudden event recognition: A survey

结构光技术

结构光是将已知图案（通常是栅格或水平条）投射到场景上的过程。这些物体在撞击表面时变形的信息来在视觉系统中计算场景中物体的深度和表面信息，如在结构光3D扫描器中使用的。结构光是一组由投影仪和摄像头组成的系统结构。用投影仪投射特定的光信息到物体表面后及背景后，由摄像头采集。根据物体造成的光信号的变化来计算物体的位置和深度等信息，进而复原整个三维空间。

来源：wiki

机器视觉技术

机器视觉（Machine Vision，MV）是一种为自动化检测、过程控制和机器人导航等应用提供基于图像的自动检测和分析的技术和方法，通常用于工业领域。

来源：wiki

中国石化机构

http://www.sinopec.com/listco/