海康威视.穿越迷雾之从"看得懂"到“大模型赋能”（4）

type

status

date

slug

summary

被“诅咒”的行业

传统AI的挑战

这是整个系列中最具技术含量的一章。但别担心，瞎搞君不打算写成一篇技术文章，保证科技小白能看懂。

我们先来看安防领域的发展路径：看得清 ➡️ 看得懂 ➡️ 智能决策。所谓看得懂，是系统不仅能够采集和传输天量视频数据，同时还能利用人工智能对数据进行处理。而不是像看得清阶段，天量的视频数据流，只是静静地躺在硬盘或者云上，等待人工调用。你没有调用到的数据，就是永远沉寂的无效死数据。

在看得懂阶段，人工智能的参与，使视频监控不仅成为记录影像资料的工具，同时还成为主动对事件进行干预的管理者。让整个系统从以前的“事后备查”阶段，跃升为“事前预防”和“事中预警”阶段。

传统AI算法确实让视频从“死数据”变成了“活情报”。但这条路用传统AI技术，走起来比想象中艰难得多。

“碎片化”的诅咒

从2017年到2023年，海康在AI上投入了天量的研发资源，但利润率并没有像预期那样飙升。为什么？

答案是两个字：碎片化。

安防行业有一个“诅咒”——每个场景都不一样。煤矿要识别皮带撕裂，养猪场要识别猪的体温，学校要识别学生打架，工厂要识别产品缺陷，商场要识别人流热力图……

这些需求看起来都是“让摄像头看懂画面”，但底层的规则完全不同。你教会了摄像头识别皮带撕裂，它不会自动懂得识别猪的体温。这意味传统的AI是“定制化”的。每接一个新单子，你就要派一个产品经理去现场收集数据，回来之后标注样本、算法工程师训练模型、调试参数。一个项目少则几周，多则几个月。

这些工程师的薪资可不便宜，动辄年薪几十万。这么搞下来，收入是增长的，但人力成本也在线性增长。这就是所谓的“规模不经济”——越做越大，但利润率没有改善。

财报：2010-2025年研发投入情况

财报：2010-2025年净利润率变化

从图中可以看到，海康的研发投入从2015年的17.23亿，增长到了2024年的118.64亿；同期，净利润从58.69亿增长到了2024年的119.77亿，但是同期净利润率却从2015年23.22%下降到了2024年的12.95%。

对比两张图中的数据，我们可以明显看到最近几年，海康的研发投入都维持在营收的12%左右，要知道早在前几年，这个比例都在10%以下。所以，当别人问“为什么海康这么重视AI，利润率却没有大幅提升”的时候，答案之一就是：碎片化场景的定制成本，吃掉了传统AI算法带来的效率红利，当然了，也有可能是最近几年大模型研发投入比较多。

技术范式转移：从“训练”到“理解”

2023年，ChatGPT横空出世，全世界都在讨论“大模型”。作为一个“半罐水”的科技爱好者，瞎搞君这里不打算讨论什么Transformer架构、多模态融合这些技术术语。瞎搞君只关心一件事：大模型到底能够海康的商业带来什么？

AI 1.0时代：教摄像头“认东西”

以前的AI是这样工作的：你想让摄像头认识猫，就给它看一万张猫的照片，告诉它这是猫。它记住了猫的特征，以后看到猫就能识别出来。但问题是，它只认识你教过它的东西。你没教过它狗，它就不认识狗。更麻烦的是，你教它认的是正面的、光线好的、普通花色的猫。如果来了一只侧面的、光线暗的、异色瞳的猫，它可能就认不出来了。

每一个新场景、新需求，都要重新收集数据、重新训练模型，这就是碎片化的根源。

AI 2.0时代：教摄像头“理解世界”

大模型的逻辑完全不同。它不是“认东西”，而是“理解世界”。

你不需要给它看一万张猫的照片来教它认猫。因为它在训练的时候，已经看过了全人类积累的所有文字、图片、视频。它不仅知道猫长什么样，还知道猫喜欢吃什么、猫会爬树、猫会抓老鼠……

这意味着它能“举一反三”。你告诉它“帮我识别生产线上的缺陷产品”，它能理解什么叫“缺陷”，即使它以前没见过你这条生产线的产品。你不需要给它看一万张缺陷产品的照片，你只需要给它看几张，甚至用文字描述一下，它就能开始工作。

传统小模型 vs 大模型

从“手工作坊”到“工业化流水线”

翻译成商业语言，大模型对海康的意义是：以前： 每个项目都要从头定制算法 ➡️ 边际成本高 ➡️ 规模不经济；现在： 用一个大模型覆盖大量场景 ➡️ 边际成本低 ➡️ 规模经济。

形象地说，以前海康做AI就像开手工作坊，每一件产品都要手工打磨；现在可以开工厂，用流水线批量生产。

海康2023年发布了自己的多模态大模型——"观澜"。据公开资料介绍，这是一个专门面向工业物联网场景的大模型。

海康“观澜”大模型

如果大模型真的能大幅缩短算法交付周期——比如从“月”缩短到“天”甚至“小时”——那对海康的财务影响将是巨大的：

研发费用率有望企稳甚至下降：同样的研发投入可以复用到更多可能的场景

毛利率有望提升：定制成本下降，边际利润提高

EBG业务更具可扩展性：可以更低成本地覆盖更多企业客户的长尾需求

这才是大模型对海康真正的价值——解决碎片化的痛点。

数字化转型的“物理接口”

第一篇我们聊过，海康正在从2G（政府）转向2B（企业）。连续多年，EBG事业群的增量弥补了PBG事业部的缺口。我们来看一下三大事业部营收绝对值的变化情况就明白了：

换挡成功：EBG 确立新主航道

2022 年是历史性拐点，EBG（165亿）首次超越PBG（161 亿）成为第一大收入来源。到2024年，EBG（176.5亿）已大幅领先PBG（134.7亿）逾40亿元，证明企业数字化业务已成功接棒政府业务，成为公司最核心的增长引擎。PBG从2019年的55.86亿跌至2024年134.7亿，减少了约21亿；同期EBG增长约50亿，SMBG增长约26亿。

PBG/EBG/SMBG 2019-2024年增速对比

歪个楼，顺便我们来看一下三大事业部的增速情况，可以明显看到是三大事业部的增长率明显是向右下倾斜的，你懂得，这几年大家日子都不好过，这是一大隐忧，需要持续关注。

企业为什么要买单？

我们回到正题，企业为什么要买海康的账？瞎搞君认为是降本增效。

2020年以后，宏观经济进入下行周期。企业的日子不好过，都在想办法省钱、提效率。传统的降本方法——裁员、砍预算——都有极限。你不可能把人全裁光，生意还得做。于是，“数字化转型”成了热词。所谓数字化转型，说白了就是用机器替代一部分人的工作，或者用数据帮人做更好的决策。

但数字化有一个痛点：数据从哪里来？ 互联网公司的数据来自线上——你在淘宝上浏览了什么商品，在抖音上看了多长时间的视频，这些都是数据。但工厂、仓库、工地、商场这些物理空间呢？它们产生的数据在哪里？

答案是从物理世界来，在摄像头里，在传感器里。 海康的摄像头和传感器，就是物理世界和数字世界之间的“接口”。它们负责把物理世界发生的事情（一个工人走过、一辆叉车启动、一件产品下线），转化成计算机能理解的数字信号。再配合AI算法，这些数字信号就变成了有价值的信息：

这个工人今天走了多少路，效率是不是正常？

这辆叉车的运动轨迹是不是最优的，有没有浪费时间？

这件产品有没有瑕疵，要不要剔除？

具体案例

让瞎搞君举几个例子，把“EBG”这个抽象概念具象化：

工厂场景

以前，工厂要统计流水线的产量，靠的是工人手工计数或者扫码。现在，流水线上方安装AI摄像头，每一件产品经过都自动识别、自动计数，实时更新到管理系统。

以前，品检员用肉眼看产品有没有瑕疵，看久了眼睛疲劳，容易漏检。现在，AI摄像头自动识别瑕疵，比人眼更快更准，24小时不休息。

仓库场景

以前，仓库管理员要人工巡视，看哪里的货物快没了需要补货。现在，AI摄像头实时监控货架，库存低于阈值自动报警。配合海康机器人的AGV，从“看到货物不够”到“自动去补货”可以实现全自动化。

商超场景

以前，商场要统计人流量，靠的是红外计数器，只知道一个数字。现在，AI摄像头可以分析人群的热力图——哪个区域人多，顾客在哪个货架前停留时间长，走动路线是什么样的。这些信息对于优化商品陈列、调整促销策略都有价值。

海康卖的不是摄像头，是效率

到这里，你大概率能理解为什么EBG业务能抗跌了——越是经济不好，企业越需要降本增效；越需要降本增效，越需要数字化转型；越需要数字化转型，越需要海康提供的“物理接口”。 这是一个反周期的逻辑。当然了，这也有个度，比如我们看到EBG和SMBG的增长率随着时间的推移，是向右下方倾斜的。

软硬解耦

聊到这里，一个问题自然浮现：海康到底是硬件公司还是软件公司？ 这个问题很重要，因为它决定了海康应该享受什么样的估值。

硬件公司，毛利率低，估值便宜——比如做组装的代工厂，给个10倍PE差不多了。软件公司，毛利率高，估值贵——比如做SaaS的，30倍、50倍PE都有可能。

2024财报：增值税退税

根据财政部、国务税务总局《关于软件产品增值税政策的通知》(财税〔2011〕100 号)规定,自行开发研制的软件产品销售先按 13%的税率计缴增值税，其实际税负超过 3%部分经主管税务局审核后予以退税.

从2024年的财报中，我们可以看到海康有约18.75亿的增值税退税（约占净利润的15.65%）。软件产品才有增值税退税优惠，这说明在税务局眼里，海康的收入有相当一部分是“软件”属性的。

2025年的定位：智能物联AIoT

今天的海康，自我定位是 “智能物联AIoT”。拆解一下，它包含两层：

硬件层（躯壳）： 摄像头、传感器、存储设备这些物理硬件。这一层必须自研——参见第二篇，供应链安全是海康的生命线。但单纯的硬件是不值钱的，因为它容易被复制、被替代。一个摄像头的成本大家都差不多，你卖1000块，我卖900块，最终卷成白菜价。

软件层（灵魂）：

操作系统：海康有自己的HEOP，这是设备运行的底层系统。

中间件：各种算法组件、数据管理模块。

大模型：观澜大模型，负责"理解"视频内容。

应用层：面向各个行业的解决方案。

软件是海康的核心竞争力所在，也是高毛利的来源。

一个值得深究的信号

海康的财报披露口径，经历了一次重要的转变。2020年及以前，海康按 “前端产品”、“后端产品”、“中心控制产品” 来分类报告收入。2021年开始，海康按 “主业产品及服务”、“主业建造工程”、“创新业务” 三大类来分类报告收入。这个变化本身，就是一个值得玩味的信号。

2021-2024

中心控制产品并非高毛利

按照直觉，你可能会认为：中心控制产品主要是软件和平台，毛利率应该最高。但事实恰恰相反。

2020年及以前各产品线毛利率

2020年的数据显示：前端产品毛利率最高（55.63%），中心控制产品毛利率反而最低（44.93%）。为什么？瞎搞君猜测“中心控制产品”不是纯软件，可能混杂了：

服务器（硬件，毛利率低）

显示大屏（硬件，毛利率低）

管理平台（软件，毛利率高）

硬件拉低了整体毛利率。而前端产品之所以毛利率最高，是因为摄像头等产品可能本来就嵌入了端软件，或者是海康服务的溢价？——智能化程度越高的摄像头，定价权越强。

新分类的玄机

2021年开始，海康不再披露前端/后端/中心控制的分类，改为：

主业产品及服务（毛利率约46%）

主业建造工程（毛利率约21-23%）

创新业务（毛利率约40%）

2021-2024年三大业务分类毛利率

这个变化背后有三层含义：

1. 产品边界越来越模糊。海康转型为“智能物联AIoT”公司后，一个AI摄像头不再只是“前端”——它内置了边缘AI能力，可以做本地推理，既是感知设备也是计算设备。传统的前端/后端分类已经不能准确描述业务。

2. 强调“解决方案”属性。新分类更突出“产品+服务”的打包销售模式，而不是单纯卖硬件。这是海康向资本市场讲述“从硬件公司转型为方案公司”故事的一部分。

3. 隐藏了一些细节。旧分类可以让投资者追踪“中心控制产品收入占比是否提升”——这是判断软件化程度的指标。新分类把所有产品打包在一起，你就看不到这个细节了。

一个值得警惕的信号：建造工程

你可能注意到了：建造工程的毛利率只有21%左右，远低于产品业务的46%。建造工程是什么？瞎搞君认为就是海康承接的智慧城市、智慧园区等项目的“交钥匙工程”。海康不仅卖产品，还负责整个项目的建设和交付。

这类业务的特点是：

收入大：一个项目动辄上亿

毛利率低：要采购别人的设备、要施工、要管理

竞争激烈：很多公司都能做集成

如果建造工程收入占比持续提升，海康整体毛利率会被稀释。 这是一个需要长期跟踪的风险点。

真正的观察指标

既然传统的“中心控制产品占比”指标已经不可用，我们应该关注什么来判断海康的“软件化”进程？

指标一：增值税退税。

在税务局眼里，海康确实有相当一部分收入是“软件”属性的——这就是为什么海康每年都有大额的增值税退税（软件产品有即征即退优惠）。如果退税金额占收入比例稳定或提升，说明软件收入占比在增加。

指标二：整体毛利率趋势。

2023年海康整体毛利率为44.44%，相比2022年的42.29%有所提升。毛利率的提升可能来自：产品结构优化、软件收入占比提升、或者成本控制改善。

指标三：研发费用率与产出效率。

如果大模型真的能降低算法定制成本，那么研发费用率应该企稳甚至下降，但算法产出数量应该增加。这是验证“大模型赋能”是否真正落地的核心指标。

2015-2024年增值税退税金额

简而言之：海康是不是在变成一家软件公司，不能只看它怎么说，要看这几个硬指标怎么变。

安防护城河的终极形态

现在我们来讨论一个更本质的问题：海康在大模型时代的核心业务护城河到底是什么？

有人可能会担心：现在通用大模型这么火，OpenAI、Gemini、Claude、阿里通义千问都很厉害，它们会不会干掉海康？答案是：几乎不可能。原因是海康构建了一个三位一体的护城河体系，三个维度相互支撑、相互强化。

行业交付经验（Know-How）

这是最容易被忽视、却最难复制的护城河。有人可能会疑惑：你前面不是说大模型可以泛化场景吗？那还需要行业经验干嘛？问得好。这里需要区分两件事：

维度	大模型能替代吗？
算法训练：教AI识别猪的体温、识别皮带撕裂	能。大模型可以泛化
交付落地：用什么硬件、装在哪里、怎么集成	不能。这是系统工程

大模型解决的是“算法定制”问题——以前每个场景要从头训练模型，现在大模型可以“举一反三”。但客户买的不是单一的算法模型，而是需要一个能用且好用的系统。

一个行业定制产品从“客户提需求”到“系统正常运行”，中间要经历：

1. 需求理解：客户说“我要识别产品缺陷”——但什么叫“缺陷”？划痕算不算？变色算不算？多大的划痕算？客户说的和他真正想要的，往往不是一回事。

2. 方案设计：流水线多长？产品移动速度多快？用多少台摄像头？装在什么高度？什么角度？用什么镜头焦距？这些都直接影响识别效果。

3. 系统集成：怎么和客户的MES系统对接？怎么和流水线的PLC通信？报警信号怎么触发剔除机构？

4. 现场调试：实际光线和设计不一样怎么办？反光太强怎么办？产品颜色变了识别率下降怎么调？

5. 持续运维：误报太多客户投诉怎么优化？系统卡顿怎么排查？摄像头脏了谁来擦？

这些问题，大模型帮不了你。

海康有上万名工程师，常年深入公安、交通、金融、能源、制造、物流、零售等几十个行业的一线。他们积累的不是“如何训练算法”，而是如何把技术变成能可落地的软件产品：

煤矿的摄像头要防爆，装在井下什么位置既能看清又不妨碍生产？

养猪场的摄像头要耐腐蚀，猪圈的氨气浓度很高，普通设备撑不了多久。

高速公路的摄像头要抗振动，大货车经过时的震动会影响画面稳定性。

这些know-how没有写在任何教科书里，也不在互联网上。它们散落在海康工程师的脑子里，沉淀在海康的项目交付流程里。

大模型让“算法”不再是瓶颈，但“交付”永远是门槛。一个新玩家想复制？你可以花钱找人，但是你很难花钱买时间。

硬件覆盖网络（场景入口）

光有行业经验还不够。经验需要载体来落地，算法需要硬件来承载。海康的第二层护城河是：全球最大的摄像头覆盖网络。

想象一下：海康卖出去的每一台AI摄像头，都是一个边缘计算节点。这些摄像头分布在全球各个角落——城市的十字路口、工厂的流水线旁、仓库的货架上方、矿井的巷道深处。它们24小时不间断地“看”，在本地实时运行AI算法，把物理世界的信息转化为有价值的决策。

这里需要澄清一个误解：客户的数据属于客户，海康无权获取私有数据。海康的优势不是“收集客户数据”来训练模型，而是场景覆盖带来的验证飞轮：

1. 软件与硬件的深度耦合

AI摄像头的核心不只是“算法”，而是“算法+芯片+镜头+结构设计”的一体化优化。海康每年卖出上亿台设备，涵盖几千种不同的场景配置。这种海量的部署实践，让海康比任何人都清楚：什么样的芯片功耗在户外环境最合适？什么样的镜头角度在流水线上识别率最高？什么样的外壳设计在矿井里最耐用？

这些know-how在实验室里模拟不出来，必须在真实场景中用真实硬件去踩坑、去迭代。

2. 边缘AI的规模效应

2025年是“边缘AI元年”，AI推理正在从云端下沉到终端。海康的优势在于：它有全球最大的边缘AI部署网络。

每一次边缘芯片升级、每一次模型技术进步，海康都能第一时间在海量设备上验证效果、收集反馈、快速迭代。新玩家即使有同样的算法，也没有这张覆盖全球的“实验网络”来打磨产品。

3. 产品迭代的反馈闭环

海康每天都在从一线获取反馈：哪个场景的误报率太高？哪个功能客户根本不用？哪个需求客户反复提起？

这些反馈来自销售、售后、技术支持、客户投诉……它们不是客户私有数据，而是产品使用过程中的公开痛点和需求。海康把这些反馈汇总、分析、转化为下一代产品的改进方向。

三重飞轮

设备卖得越多 ➡️ 场景覆盖越广 ➡️ 硬件适配越精准 ➡️ 边缘AI越成熟 ➡️ 产品竞争力越强 ➡️ 设备卖得更多 ➡️ ……

通用大模型巨头有算力、有资金、有人才，但它们没有这张覆盖物理世界的“硬件网络”。它们可以训练出推理能力更强，图片及视频创作更优异的大模型，但它们不知道矿井里的摄像头应该用什么芯片、流水线上的算法应该怎么调参、户外的设备应该怎么防尘防水。

物理世界事情，大概率终究还得靠“物理”。

数据沉淀闭环（数据资产）

有了行业经验，有了数据入口，最后一步是把数据转化为资产。海康在公安、交通、工业、物流、零售等领域做了几十年，积累的不只是交付经验，还有海量的标注数据。

什么是标注数据？就是“带答案的数据”。一段视频里，哪里是人脸、哪里是车牌、这个人是不是在打架、这个产品有没有瑕疵——这些都需要人工标注，AI才能学会。

标注数据是AI的“燃料”，而且是最稀缺的燃料。

大模型训练流程示意图

海康几十年积累的行业标注数据，已经沉淀为公司的核心资产：

交通场景：什么样的车流模式预示着即将拥堵？

安全场景：什么样的肢体语言暗示着冲突升级？

工业场景：光伏板的什么外观特征意味着存在缺陷？

这些知识，只能从海康独有的行业数据里挖掘出来。2025年行业共识是：AI竞争的焦点正在从“模型能力”转向“数据价值”。基础大模型正在快速商品化，真正的差异化竞争将围绕“谁的数据更独特、更深入”展开。

为什么难以逾越？

现在你大概理解了——海康的护城河不是单一维度的，而是三个维度相互咬合、相互强化：

维度	内容	护城河属性
行业Know-How	几万名工程师、二十年交付经验	时间壁垒
硬件网络	全球最大的摄像头覆盖网络	规模壁垒
数据资产	海量行业标注数据	数据壁垒

一个新玩家想挑战海康？请同时突破这三道壁垒：

1. 先培养上万名懂行业的工程师，深入几十个行业趟一遍坑

2. 再卖出几亿台摄像头，铺设自己的数据采集网络

3. 最后花几十年时间积累标注数据，训练出能用的算法

这不是“砸钱就能追上”的事情，而是“砸时间都不一定追得上”的事情。 通用大模型可以在通用场景上吊打海康——写代码打不过Claude，创作图片干不过Gemini，深度研究追不上ChatGPT。但在工业物联网的垂直场景上，海康的大模型可以吊打通用大模型——因为三道护城河守着这一亩三分地儿。

护城河

大象起舞

让瞎搞君来总结一下这篇文章的核心观点：

大模型对海康来说，不是蹭热点的概念，而是解决商业模式痛点的工具。海康商业模式最大的Bug是：碎片化场景导致边际成本过高，规模不经济。大模型的价值在于：让AI从“定制手工作坊”变成“工业化流水线”，大幅降低边际成本。

海康大模型的护城河三位一体的竞争壁垒——行业交付能力（时间壁垒）、硬件覆盖网络（规模壁垒）、数据资产（数据壁垒）。

这三道壁垒相互咬合、相互强化。通用大模型巨头有算力、有资金、有人才，但它们既没有几万名懂得如何把算法落地成系统的工程师，也没有覆盖全球的边缘硬件网络来打磨产品，更没有几十年积累的行业标注数据。

大模型解决了“算法泛化”问题，但从“模型”到“能用的系统”之间的交付鸿沟，是砸时间都不一定追得上的差距。

如果说第一篇我们讲的是“护城河有没有垮”；第二篇讲的是“付出的代价可控”；第三篇讲的是“创新业务正在崛起”——结论是创新业务正在崛起；那么这一篇讲的是“护城河还在不在？”——结论是不仅没有被填平，反而被大模型重塑后更加稳固。

当海康打通了“感知（摄像头）—认知（AI大模型）—决策（行业解决方案）”的闭环，它在物理世界中的地位，就如同微软在数字世界中的地位（这有点夸张了哈，比喻，比喻）。这是一头正在学跳舞的大象。

所有的定性分析（护城河、抗压能力、第二曲线、AI变革），最终都要汇入那三张财务报表。下一篇，也是本系列的收官之作，瞎搞君要拿出计算器，回答那个最终极的问题：

在经历了这一切之后，2026年的海康威视到底值多少钱？

这篇瞎搞君聊了海康在大模型赋能上有天然的优势，但是也仅仅是代表海康在新环境下，守住了安防领域的一亩三分地儿，投资分析需要看未来，看增长。作为谨慎的投资者，瞎搞君永远秉持着“不亏本金”的信条，不见兔子不撒鹰，优势再好，也只能作为茶余饭后的谈资，最终一切要在财务上找到支撑。

（未完待续）

如果觉得这个系列对您有帮助，欢迎点赞、收藏、转发，这对瞎搞君也有很大帮助。