海光信息 × AI

[导语·核心观点]海光信息交出了一份高增长答卷：2026年一季度营收40.34亿元、同比增长68.06%，归母净利润6.87亿元、同比增长35.82%；公司同时预计上半年营收85亿至93亿元，同比增长55.56%至70.20%[1][2]。与此同时，报道称其DCU已与365款主流大模型完成适配，覆盖全球99%非闭源大模型[1]。核心判断是：需求侧的景气度有财报数字支撑，但"适配数量"与"算力收入"属于两套不同的证据体系——适配清单证明的是工程可行性，而不是采购订单、客户名单与毛利贡献。这一区分，是本文要展开的重点。

[事件回顾·发生了什么]先看发生了什么。据财报数据，海光信息2026年第一季度实现营收40.34亿元，同比增长68.06%；归母净利润6.87亿元，同比增长35.82%[1]。公司层面披露，截至2025年末，海光DCU已在20多个关键行业、300余个应用场景实现落地，与DeepSeek、Qwen3等300余款主流大模型完成适配[1]。在AI算力领域，公司称已打造全栈软硬件协同体系，并与DeepSeek、Qwen3、ChatGPT、混元、智谱等365款主流大模型完成全面适配与联合精调，覆盖全球99%非闭源大模型，可支撑从十亿级端侧推理到千亿级模型训练的全场景需求[1]。业绩指引方面，公司预计上半年营业收入85亿元至93亿元，同比增长55.56%至70.20%，驱动因素被概括为AI需求与国产化需求推动的"CPU+DCU"放量[2][3]。生态层面，公司称已联合10余家国产AI芯片和硬件厂商以及头部硬件基础设施厂商，共同启动生态相关项目[3]。

[背景与格局·公司沿革 · 行业脉络]把这几条信息放回产业坐标里看，海光信息的叙事位置比较特殊：它同时拥有CPU与DCU两条产品线，报道将其增长动能概括为"CPU+DCU"双轮驱动[2][3]，这意味着公司既想承接通用计算的信创替换需求，也想承接AI训练与推理的加速卡需求。行业侧的两个推力在报道中被反复提及：一是AI算力需求爆发，二是国产化需求[2]。从落地口径看，公司给出的是"20多个关键行业、300余个应用场景"的累计数字[1]，这是一个横向铺开、而非纵向做深的表述方式。需要说明的是，报道未披露DCU业务的单独收入、客户名单、订单金额与毛利率结构，也未说明"落地"与"适配"的具体验收标准[1][2][3]。因此，外界目前能确证的是收入与利润的整体增速，以及一份庞大的模型兼容清单；至于这份清单在多大程度上转化为现金流，公开资料尚未给出可核对的证据。

[深度解读·为什么发生 · 意味着什么]第一个值得注意的信号藏在两个增速的剪刀差里：营收同比增长68.06%，归母净利润只增长35.82%，利润增速不足营收增速的六成[1]。如果只是单纯的规模效应，利润通常不会跑输营收这么多。合理解释可能包括产品结构向中低毛利形态倾斜、为抢生态位而让渡价格，或研发与生态投入前置（此段为分析判断，报道未给出毛利与费用明细）。投资者若只记住"营收增68%"，就会漏掉这条更贴近盈利质量的信息。 第二个信号是"适配"这个指标本身正在趋近饱和。从截至2025年末的300余款适配，到AI算力口径的365款[1]，增量并不算大。这恰恰说明主流开源模型已基本覆盖完毕：适配是一次性的工程动作，边际成本低、可复制性强，因此它天然适合作为宣传口径，却很难作为竞争壁垒。真正稀缺的不是"能不能跑"，而是客户愿不愿意把已有的CUDA生态迁移过来，以及在迁移之后是否愿意持续采购。模型适配解决的是技术可用性问题，采购预算解决的是商业闭环问题，两者之间隔着迁移成本、工具链成熟度与运维惯性。 第三个信号是增速的来源结构。报道把驱动力归为AI与国产化[2][3]，这两股力量的采购主体高度重合，通常集中在政企、运营商、金融等预算受政策节奏影响的领域（此为分析判断）。这意味着增长确定性的另一面，是对采购周期与预算释放节奏的依赖。至于谁受益：国产算力链条上的板卡、整机与生态伙伴会随放量获益；谁受损：在同一采购池中，非国产替代路径的供应商在准入门槛上处于相对劣势。这是产业格局层面的再分配，而非全行业同步扩容。

[关键数据与证据·来自报道的数字与事实]报道中可核对的关键数字与表述如下：其一，一季度营收40.34亿元，同比增长68.06%[1]；其二，一季度归母净利润6.87亿元，同比增长35.82%[1]；其三，截至2025年末，DCU落地20多个关键行业、300余个应用场景，与300余款主流大模型完成适配[1]；其四，AI算力领域称与365款主流大模型完成全面适配与联合精调，覆盖全球99%非闭源大模型，覆盖十亿级端侧推理到千亿级模型训练[1]；其五，预计上半年营收85亿至93亿元，同比增长55.56%至70.20%[2][3]；其六，联合10余家国产AI芯片和硬件厂商及头部硬件基础设施厂商共同启动生态项目[3]。需要强调，以上均为公司披露或媒体转述口径，未见第三方审计或客户侧交叉验证。

[风险与争议·审慎的批评视角]反方观点与风险必须讲清楚。第一，适配不等于收入。上述365款模型适配、99%非闭源覆盖率[1]，均未附带订单金额、客户名称与合同期限，无法据此推算算力业务的收入贡献。把兼容清单当作业绩证据，是典型的口径替换。 第二，报道内部存在自相矛盾之处。同一句表述里，公司既称覆盖"全球99%非闭源大模型"，又把开源生态之外的ChatGPT列入适配名单[1]。这一细节本身不构成重大事件，但它提示：这些宣传性表述可能缺乏严格的口径审核，读者对其他未经验证的数字也应保持同等谨慎。 第三，口径的时间与定义模糊。"20多个行业、300余个场景"是截至2025年末的累计数据[1]，"落地"是指试用、POC还是规模采购，报道未作区分。累计口径天然带有只增不减的倾向。 第四，利润与营收增速的剪刀差[1]若要持续，可能意味着放量伴随盈利能力稀释，这一点比增速本身更值得跟踪。 第五，业绩预告是公司预计数，非审计结果，且55.56%至70.20%的区间跨度接近15个百分点[2][3]，反映公司对上半年确认节奏本身也存在不确定性。 第六，报道未披露客户集中度、关联交易占比、上游制造产能与出口管制等供应链风险[1][2][3]。在AI芯片领域，这些恰是决定交付能力的关键变量，缺失并不等于不存在。

[未来展望·情景推演]短期（未来一到两个季度）：保守情景下，上半年营收落在预告区间下沿85亿元附近[2]，利润增速继续慢于营收，市场对"增收不增利"的讨论升温；中性情景下，营收落在区间中上段，DCU出货节奏与国产化招标周期基本同步；乐观情景下，营收接近93亿元上沿[2][3]，且公司在后续财报中首次拆分披露DCU收入与客户结构，把适配叙事转为可验证的收入叙事。 中期（一年左右）：判断的关键不在适配模型的数量，而在三件事能否被公开验证——DCU业务的单独收入体量、毛利率趋势、以及生态联合项目[3]是否产生可查证的联合中标记录。若三者中至少两项落地，公司的AI算力叙事才算完成从兼容清单到商业闭环的过渡；若始终停留在适配数字层面，那么这份清单的可替代性会随着竞争者同步适配而快速衰减。

[建议与启示·面向决策者]面向企业决策者，建议把这份报道转成一张核实清单。第一，区分"技术可用"与"商业可用"：在看到任何算力厂商的适配清单时，追问三件事——适配发生在哪个软件栈版本、由谁做的性能标定、有没有第三方或客户方的基准测试。第二，跟踪利润与营收的增速差[1]是否收敛，这比营收增速更能反映定价权。第三，对采购方而言，与其比较适配模型数量，不如比对自己真实负载的迁移成本：把任务级吞吐、时延分布、单位token成本列为验收指标，而不是把"支持某模型"写进技术规格书。第四，对投资者而言，把业绩预告区间跨度[2][3]当作管理层对确认节奏置信度的代理指标，跨度越大，越应等待正式财报。 在多模型、异构算力并存的部署环境下，这类核实工作很难靠人工完成。AgentSH的多智能体调度平台提供了一种实用路径：把不同厂商的DCU、GPU与CPU资源纳入统一调度层，用同一个任务集在"适配前/适配后"做对照压测，让适配从一句宣称变成一个可复现的指标差异。对正在做国产化替换的技术团队来说，这比阅读任何一份兼容清单都更有决策价值。

[结语·一句话立场]海光信息这份成绩单的含金量是真实的：营收与利润双增，上半年指引强劲，国产算力需求确实在释放[1][2][3]。但它的宣传口径走在了证据前面——365款模型适配、99%非闭源覆盖率，都不是能折现的证据。我们的立场是：承认景气，拒绝把兼容清单当业绩。在拿到DCU收入拆分、客户结构与订单金额之前，最合理的姿态是跟踪，而非外推。