地平线扭亏为盈：智能驾驶芯片商业模式与技术底座解析

如果你是从事汽车智能化、智能驾驶芯片或者嵌入式 AI 开发的人，最近大概率会看到这样一组数据：地平线机器人 2026 年上半年归母净利润达到 37.84 亿元，与上年同期相比实现扭亏为盈。这个数字放在整个智能驾驶产业链里都很有冲击力，因为过去几年自动驾驶赛道一直被贴上“投入大、周期长、盈利难”的标签，很多公司还在烧钱换规模，而地平线率先交出了一份正向盈利的答卷。

这篇文章不打算写成简单的财经快讯，而是想把这件事拆开来看：归母净利润到底怎么理解？扭亏为盈靠的是什么？收入结构里哪些是可持续的主业，哪些需要特别注意？同时，我也会从芯片、BPU 架构、工具链和量产上车角度，解释地平线的技术底座如何支撑商业回报，并附上 Python、SQL 分析财报数据的可运行示例，方便你在自己项目中复用。

适合的读者包括：准备投资或研究智能驾驶赛道的朋友，整车厂、Tier1 以及智能驾驶方案公司的从业者，正在学习嵌入式 AI、自动驾驶芯片相关技术的开发者。读完你会明白，一个智能驾驶芯片公司从亏损到盈利，背后到底经历了什么。

1. 事件背景与核心概念

1.1 地平线到底是一家什么公司

先简单交代一下背景。地平线机器人成立于 2015 年，核心业务是智能驾驶计算方案，通俗讲就是做“车脑”芯片和配套软件。它既不是简单的芯片设计公司，也不是纯粹的软件算法公司，而是走“芯片 + 算法 + 工具链 + 量产解决方案”的软硬结合路线。

地平线的产品线以征程系列芯片为核心，从征程2、征程3、征程5，再到征程6系列，覆盖从基础辅助驾驶到高阶智能驾驶的不同算力档位。征程系列搭载的 BPU 架构，是地平线自研的智能计算架构，专门用来跑神经网络模型，尤其是视觉感知、预测、规划这类自动驾驶高频任务。

除了芯片之外，地平线还提供感知算法、规划控制方案、开发工具链、仿真平台、数据闭环系统等。很多整车厂从项目立项开始就会接触地平线提供的评估板、开发套件和算法文档，这也是为什么它在开发者社区里有较高关注度。

在本次标题所提到的 2026 年上半年业绩中，最关键的信息不是简单的“赚钱了”，而是“归母净利润”这个口径实现了历史性的转向。这背后有业务规模扩大、毛利率改善、费用结构优化、股份支付压力缓解等多重因素。

1.2 归母净利润与扭亏为盈的含义

“归母净利润”是上市公司财报里的常见概念，全称是“归属于母公司所有者的净利润”。如果一家公司旗下有控股子公司，而子公司并非 100% 持股，那么合并报表中的净利润就要拆成两部分：一部分归属于母公司股东，另一部分归属于少数股东。

归母净利润反映的是母公司股东真正能分享到的利润。比如合并报表净利润是 40 亿元，但其中 3 亿元属于少数股东，那么归母净利润大约就是 37 亿元。标题提到的 37.84 亿元，就是指归属地平线母公司股东的净利润。

“同比扭亏为盈”的意思是，和上年同期相比，公司从亏损状态转入盈利状态。这里的关键不是单纯看盈利金额，而是看“方向变化”，即去年同期归母净利润为负，今年同期为正。在上市公司业绩分析中，这是一条非常强的反转信号，但也要进一步拆解利润来源，才能判断它是否可持续。

1.3 为什么这个业绩节点值得关注

智能驾驶赛道的商业化落地，过去长期面临一个尴尬：技术很炫，但很难赚钱。核心原因是研发投入极高、车规级验证周期长、单车价值量有限，而且客户主要是强势的整车厂，议价空间并不大。

地平线作为国内智能驾驶芯片的头部玩家，一旦实现盈利，至少说明三件事：第一，前装量产规模已经达到一定程度，收入能够覆盖可变的研发和销售成本；第二，产品结构不再依赖单纯卖芯片，授权、工具链和服务收入开始贡献可观利润；第三，智能驾驶计算方案的商业模式是可以跑通的，这对整个产业链都有正向信号。

因此，37.84 亿元归母净利润这个数字，不只是地平线一家公司的业绩，更是自动驾驶赛道从“讲故事”走向“看报表”的一个标志性事件。

2. 财务口径拆解：37.84 亿元的“成色”怎么看

2.1 利润表的核心变量

要理解一家公司为什么扭亏为盈，不能只看净利润这一个数字，而要看利润表里几个关键变量的变化。

第一个变量是营业收入。地平线的收入主要来自两部分：产品解决方案（芯片及相关硬件）和授权与服务（算法、工具链、开发服务等）。如果营收增速很快，说明前装量产车型在增加，客户覆盖面在扩大。

第二个变量是毛利率。芯片公司一旦形成规模化量产，单位成本会明显下降，毛利率会逐步提升。尤其当授权与服务业务占比提高时，整体毛利率也会被拉高，因为软件和算法交付的边际成本远低于硬件。

第三个变量是费用率，包括研发费用、销售费用和管理费用。智能驾驶公司研发费用率往往很高，但只要收入增速高于费用增速，费用率就会下降，从而改善盈利水平。

第四个变量是股份支付。很多科技公司在上市前后会给员工大量期权或限制性股票，这部分支出在财报中会作为费用处理。随着上市时间拉长，股份支付费用通常会逐年下降，从而对扭亏为盈产生正向贡献。

结合地平线 2026 年上半年归母净利润 37.84 亿元这个结果，大概率是“收入增长 + 毛利率提升 + 费用率下降 + 非经常性收益”共同作用的结果。具体各因素的贡献比例，需要等财报完整披露后结合分部数据进一步分析。

2.2 扣非净利润与非经常性损益

归母净利润为正，不代表“主营业务赚钱能力”已经完全稳定。财务分析里还有一个更严格的指标：扣除非经常性损益后的净利润，通常简称“扣非净利润”。

非经常性损益包括政府补助、投资收益、公允价值变动、资产处置收益等。这些项目和公司主业没有直接关系，可能一年有、一年没有。如果一家公司归母净利润为正，但扣非净利润仍然为负，说明主营业务本身还没形成稳定造血能力，盈利更多依赖一次性收益。

所以，如果你要写一家公司的业绩点评，不能只说“净利润多少亿”，还要追问一句：扣非净利润是多少？经营现金流是正还是负？研发资本化比例高不高？

对于地平线这次扭亏为盈，后续财报发布后，最值得关注的也是扣非净利润。如果扣非净利润同步转正，说明主营业务真正进入正向循环；如果扣非仍亏，那 37.84 亿元里可能包含较多非经常性收益，需要单独拆出来看。

2.3 现金流、收入确认与应收结构

除了利润表，现金流量表也很关键。有些公司账面上有利润，但钱都压在应收账款里，实际收到的现金很少。智能驾驶方案公司通常和整车厂之间结算周期较长，如果回款不顺利，就会导致收入增长但现金流紧张。

另外，软件和授权业务的收入确认规则比较复杂。比如一次性收取多年授权费、按里程碑确认开发服务收入、按车型量产节点确认 royalty 收入，这些都会影响当期利润的“含金量”。分析时不能只看到利润数字，还要看收入确认政策有没有发生变化，应收账款和合同负债的结构是否合理。

对地平线这类公司来说，更健康的模型是：芯片销售带来稳定的硬件收入，软件授权和服务带来高毛利收入，量产规模扩大后，现金流和利润同步改善。只要这个模型成立，扭亏为盈就有较强的可持续性。

3. 技术底层：征程系列与 BPU 架构如何支撑商业化

3.1 从征程2到征程6的产品矩阵

地平线的技术路线，是围绕“征程”系列芯片不断升级迭代。

早期征程2主要面向 L2 级辅助驾驶，提供基础的车道保持、自动泊车等功能；征程3 在算力和能效上进一步优化，适合中低阶智驾方案；征程5 面向高阶自动驾驶，算力明显提升，可以支持城市 NOA；而征程6 系列采用了新一代 BPU 架构，分成多个档位，覆盖从入门级摄像头方案到旗舰级多传感器融合方案。

为什么产品矩阵很重要？因为智能驾驶是一个分层市场。几万元的经济型车也需要 L2 辅助驾驶，二三十万元的车可能需要城市领航辅助，更高端的车型则追求全场景自动驾驶。如果一家公司只有单一算力芯片，就很难覆盖不同价位、不同功能的车型需求，商业天花板也会受限。

地平线的打法是提供从低到高的完整产品线，然后配合同一套工具链和软件架构，让车型之间可以复用开发成果。这种“平台化”策略，有助于摊薄研发成本，也能让整车厂在同一个技术栈上做多车型开发。

3.2 BPU 架构与软硬协同

BPU 是地平线的核心 IP，也就是 Brain Processing Unit，可以理解成专门为神经网络计算设计的处理器。它和通用 GPU 的区别在于，BPU 对卷积、Transformer 等自动驾驶常用模型算子做了深度优化，在同样的功耗和面积下，能实现更高的有效算力。

这里要特别强调“有效算力”这个概念。很多芯片标称的 TOPS 是理论峰值，但实际跑模型时，利用率可能很低。地平线一直强调 soft 与 hard 协同优化，也就是算法模型和芯片架构一起设计，编译器能把神经网络图高效映射到 BPU 上，从而减少算力浪费。

在实际开发中，这意味着开发者拿到征程芯片后，不是简单地把模型跑起来，而是可以通过地平线的工具链做模型量化、算子调优、编译部署。比如征程6 配套的工具链支持从 PyTorch、ONNX 模型导入到板端部署的全流程，同时提供性能分析工具，帮助定位算力瓶颈。

对于一个自动驾驶芯片平台来说，芯片设计只是第一步，真正决定体验的是编译器、运行时、工具链和开发者文档。这也是为什么地平线一直在强调自己不是“芯片公司”，而是“智能驾驶计算方案公司”。

3.3 量产上车是盈利的护城河

智能驾驶芯片的竞争力，最终要看量产上车量。一颗芯片从流片回来到真正装入量产车，中间要经历功能安全认证、可靠性测试、AEC-Q100 车规认证、软件适配、整车测试等多个环节，周期往往以年为单位。

一旦芯片进入某个车型平台，后续替换成本就非常高。车企不会轻易更换芯片供应商，因为摄像头接入、传感器标定、算法调参、域控制器硬件设计都是围绕芯片进行定制开发的。这种“上车即锁定”的特性，让地平线在商业模式上具备了一定的客户粘性。

地平线这些年积累的车型量产经验，本质上就是一道很深的护城河。越来越多的车型搭载征程芯片，意味着市场的规模效应正在显现，而每一颗芯片的量产又会反哺芯片架构和软件工具链的迭代，形成正向循环。

4. 商业模式：从亏损到盈利的路径

4.1 从卖芯片到卖解决方案

地平线的收入结构可以分为几类。

第一类是产品解决方案，也就是向客户销售征程芯片、计算平台和参考设计。这类业务类似于传统半导体公司的硬件销售收入，毛利相对适中，但规模大、容易标准化。

第二类是授权与服务，包括算法授权、软件开发套件授权、定制开发服务等。这类业务通常按照项目或车型收取费用，毛利率明显更高，也是科技公司估值中最被看重的部分。

第三类是工具链和生态服务，比如提供仿真平台、数据标注工具、模型训练平台等。这类业务可能形式上是软件订阅或者一次性授权，却为后续长期合作创造了入口。

从亏损到盈利的过程，往往是收入结构从“纯硬件销售”向“软件和服务收入占比提升”转变的过程。因为软件和服务的边际成本低、毛利率高，只要营收规模达到一定水平，就能对整体利润率产生明显的拉动作用。

4.2 授权收入、服务收入与生态分成

地平线的客户主要是整车厂和 Tier1 供应商。在实际项目里，地平线往往不是只交付一颗芯片，而是和客户一起完成域控制器设计、传感器选型、算法适配、测试验证等环节。

这种合作模式下，收入确认通常会拆成多个部分：芯片采购费用、平台授权费用、算法许可费用、工程服务费用，以及后续量产后的 royalty。所谓 royalty，就是按照车型销量或软件激活量收取一定比例的分成，类似于软件领域的按量付费。

royalty 模式一旦建立，地平线就能从每辆车的持续销售中获得经常性收入，而不是一次性卖完芯片就结束。这也意味着，公司利润的稳定性会随着累计量产车型数量的增加而增强。

4.3 规模效应与头部客户牵引

智能驾驶行业有明显的规模效应。芯片流片成本固定，但销量越大，分摊到每颗芯片上的研发成本就越低。同时，软件工具链的初始开发投入很高，但一旦成熟，服务一个新客户的新增成本远低于第一个客户。

因此，地平线扭亏为盈背后，很可能存在一个正向循环：头部客户车型量产带来收入，收入支撑研发投入，研发成果增加产品竞争力，竞争力带来更多客户和车型。当量产规模突破某个临界点后，利润就会快速释放。

从公开合作信息来看，地平线的客户已经覆盖多家主流自主品牌和新势力车企，合作车型也从入门辅助驾驶逐步延伸到高阶智驾。当然，具体客户与车型的真实贡献，只能等财报中的前五大客户收入占比、业务分部数据披露后进一步确认。

5. 用 Python 快速分析财报数据

下面我们做一个可以运行的财报分析示例。注意示例使用模拟数据，不是地平线真实财报，目的是演示思路和方法。如果你需要分析真实数据，可以从财报 PDF、巨潮资讯或港交所披露易获取原始数据，再替换到代码中。

5.1 准备财务摘要数据

首先创建项目目录和虚拟环境。

mkdir -p financial_analysis cd financial_analysis python3 -m venv .venv source .venv/bin/activate pip install pandas

然后在目录中创建analyze.py文件，写入模拟的财务摘要数据。

# analyze.py import pandas as pd # 模拟数据，仅用于演示分析方法 data = { "指标": ["营业收入", "营业成本", "研发费用", "销售费用", "归母净利润"], "2026H1": [86.50, 41.20, 23.60, 5.80, 37.84], "2025H1": [15.80, 10.30, 18.90, 4.20, -8.76], } df = pd.DataFrame(data) print("原始财务摘要：") print(df)

运行脚本：

python3 analyze.py

输出会显示两期数据，其中 2025H1 归母净利润为负，2026H1 归母净利润为正，这就是“同比扭亏为盈”的量化起点。

5.2 计算毛利率、净利率与同比变化

接下来我们增加计算逻辑。

# analyze.py import pandas as pd data = { "指标": ["营业收入", "营业成本", "研发费用", "销售费用", "归母净利润"], "2026H1": [86.50, 41.20, 23.60, 5.80, 37.84], "2025H1": [15.80, 10.30, 18.90, 4.20, -8.76], } df = pd.DataFrame(data).set_index("指标") # 计算同比变化，注意净利润从负转正时不计算百分比 for idx in df.index: cur = df.loc[idx, "2026H1"] prev = df.loc[idx, "2025H1"] if idx == "归母净利润": df.loc[idx, "同比变化"] = "扭亏为盈" if prev < 0 and cur > 0 else "未扭亏" else: df.loc[idx, "同比变化"] = f"{(cur / prev - 1) * 100:.2f}%" print("\n计算同比变化后：") print(df) # 计算毛利率和净利率 revenue_2026 = df.loc["营业收入", "2026H1"] cost_2026 = df.loc["营业成本", "2026H1"] profit_2026 = df.loc["归母净利润", "2026H1"] gross_margin_2026 = (revenue_2026 - cost_2026) / revenue_2026 * 100 net_margin_2026 = profit_2026 / revenue_2026 * 100 print(f"\n2026H1 毛利率：{gross_margin_2026:.2f}%") print(f"2026H1 净利率：{net_margin_2026:.2f}%")

这种拆解能帮你快速定位：利润率改善是来自毛利提升，还是费用压缩，还是净利润之外的非经常性损益。真实分析里，还可以把分季度数据拉出来，看趋势是否稳定。

5.3 判断“扭亏为盈”并输出报表

如果想把判断逻辑固化成函数，可以这样写：

# analyze.py def judge_turnaround(cur_profit: float, prev_profit: float) -> str: if prev_profit < 0 and cur_profit > 0: return "同比扭亏为盈" if prev_profit > 0 and cur_profit < 0: return "同比盈转亏" if prev_profit < 0 and cur_profit < 0: return "持续亏损" return "持续盈利" cur = 37.84 prev = -8.76 print(judge_turnaround(cur, prev))

这个函数输出“同比扭亏为盈”。如果你的数据源是直接读取 CSV 或数据库，也可以用同样的逻辑批量判断多家公司，快速筛选出业绩反转标的。

需要强调的是，自动化脚本只能处理数值和口径，无法替代人工理解。真正写报告时，还是要结合财报附注，区分经常性损益和非经常性损益，再下结论。

6. 用 SQL 搭建财报指标查询

如果你在数据库里维护了一批公司的财务数据，想定期观察“扭亏为盈”标的，可以用 SQL 来完成查询。

6.1 财报表结构设计

假设有一张financial_statement表，结构如下：

真实场景中通常还有更多维度字段，比如业务分部、地区分部、毛利率等。这里只保留核心字段用于演示。

6.2 查询同比和扭亏指标

使用窗口函数可以很方便地把上一期的归母净利润取出来。

SELECT company_code, company_name, period, revenue, net_profit_parent, LAG(net_profit_parent, 1) OVER ( PARTITION BY company_code ORDER BY period ) AS prev_profit FROM financial_statement WHERE company_code = 'HORIZON' ORDER BY period DESC;

如果你希望自动标记扭亏为盈，可以在外层包一层查询：

SELECT t.company_code, t.company_name, t.period, t.net_profit_parent, t.prev_profit, CASE WHEN t.prev_profit IS NOT NULL AND t.prev_profit < 0 AND t.net_profit_parent > 0 THEN '扭亏为盈' ELSE '其他' END AS trend FROM ( SELECT company_code, company_name, period, net_profit_parent, LAG(net_profit_parent, 1) OVER ( PARTITION BY company_code ORDER BY period ) AS prev_profit FROM financial_statement WHERE period IN ('2025H1', '2026H1') ) t WHERE t.company_code = 'HORIZON';

这段 SQL 会先取每个公司上一期归母净利润，然后判断是否满足“上期为负、本期为正”的条件，最后输出标注结果。

6.3 自动化日报思路

你还可以把 SQL 脚本接入定时调度，每个财报季结束后自动扫描全市场数据，输出扭亏为盈公司清单。比如用 Python 的 pandas 读取 SQL 查询结果，再写入 Excel 报表或推送消息通知。

import pandas as pd from sqlalchemy import create_engine engine = create_engine("sqlite:///financial.db") sql = """ SELECT * FROM financial_statement WHERE period = '2026H1' """ df = pd.read_sql(sql, engine) print(df.head())

自动化报表的意义在于减少重复劳动，但前提是源数据准确、口径统一。财务分析最怕的是数据口径不一致，比如不同公司对“营业收入”的包含范围不同，就会导致横向对比失真。

7. 财报解读常见误区与排查思路

7.1 误区：归母净利润为正就等于全面盈利

归母净利润为正，确实说明报表层面实现了盈利，但并不等于公司已经具备稳定的自我造血能力。很多科技公司在扭亏当年，盈利中可能包含政府补助、投资收益、公允价值变动、递延所得税调整等项目。

正确做法是打开利润表，把非经常性损益剔除掉，计算“扣非净利润”。如果扣非净利润也为正，说明主营业务真正赚钱；如果扣非仍为负，则盈利质量需要打个问号。另外要结合现金流量表中的“经营活动产生的现金流量净额”，判断利润是否转化为真金白银。

7.2 误区：只看营收不看毛利率与费用率

一家公司营收高速增长，但如果毛利率持续下降、费用率居高不下，那么利润很难释放。反过来，营收增速平稳，但毛利率提升、费用率下降，也会带来利润快速增长。

在分析地平线这类硬科技公司时，尤其要关注研发费用率和股份支付费用。研发费用率高不是坏事，但要看研发投入的转化效率；股份支付费用高往往是因为上市初期股权激励较多，随着时间推移会自然下降，这种“费用减少”对利润的正向影响需要单独说明，避免误读为公司经营效率突然大幅提升。

7.3 误区：把阶段性扭亏当成长期趋势

一次扭亏为盈，可能是长期趋势的起点，也可能是阶段性因素导致。例如某一年有大额一次性收益，或者某一年特殊的收入确认节奏，都会造成利润的大幅波动。

验证长期趋势的方法很简单：拉长时间线看 3 到 5 年的季度数据，观察毛利率、费用率、现金流是否持续改善。如果只有单季度或单半年报盈利，还不能过早下定论。

下面用表格做一个小结：

8. 对行业与开发者的启示

8.1 对投资者：关注扣非、现金流和订单质量

从投资角度，地平线扭亏为盈是一个信号，但不是全部。下一步要重点关注三件事：第一，扣非净利润是否同时转正；第二，经营活动现金流是否持续为正；第三，在手订单和新增定点项目是否充足。

订单质量也很重要。所谓质量，包括客户是否为头部车企、项目是否为平台型量产项目、合作是否包含软件订阅或 royalty 分成。如果订单只是单次开发服务，收入可持续性就会弱一些；如果是平台化量产项目，后续的收入释放周期会更长、更稳定。

8.2 对汽车智能化从业者：芯片、工具链与数据闭环

对于汽车智能化从业者来说，地平线的盈利意味着整个产业链的投入开始进入回报期。过去大家更关心“谁的算力高”“谁的芯片强”，接下来会更关心“谁的方案能更快量产”“谁的工具链能提升开发效率”“谁能真正帮车企降本增效”。

这对开发者提出了新的要求：不仅要懂算法模型，还要懂芯片架构、编译器优化、嵌入式部署、车规级软件。单纯会训练一个深度模型已经不够，能够把模型在低功耗芯片上高效跑起来，才是量产场景的核心能力。

8.3 对学习者：从自动驾驶芯片入手的路线

如果你正在学习嵌入式 AI 或自动驾驶，可以从几个方向入手。

第一，学习神经网络模型在嵌入式平台上的部署流程，包括量化、剪枝、编译、板端性能分析。第二，理解常见车载计算单元的架构差异，比如 GPU、FPGA、ASIC 和 BPU 这类专用计算架构。第三，动手做一些端到端的小项目，比如目标检测模型部署到开发板，跑通数据采集、模型训练、转换、部署、结果可视化全流程。

不需要等所有知识都学完再动手，可以先从官方文档和开发套件开始，把一个小模型部署起来，再去深入理解底层原理。相比理论学习，这种实践方式会更贴近自动驾驶量产的真实工作状态。

9. 总结与后续关注点

地平线 2026 年上半年归母净利润 37.84 亿元、同比扭亏为盈，是智能驾驶芯片行业一个值得记录的时间点。它说明智能驾驶计算方案的商业模型正在走通：随着车型量产规模扩大、授权和服务收入占比提升、费用结构优化，硬科技公司完全有可能实现从高投入到稳定回报的跨越。

对普通读者来说，看懂这次业绩的关键是建立一套分析框架：先看归母净利润，再看扣非净利润，然后分析毛利率、费用率、现金流，最后结合量产车型和客户结构做判断。本文中给出的 Python 和 SQL 示例，就是帮助你把这套框架落到工具里的起点。

如果你对这个话题感兴趣，下一步可以继续关注几个方向：地平线后续财报中扣非净利润是否继续为正、征程6 系列在更多车型上的量产落地速度、海外市场拓展情况，以及工具链和开发者生态的活跃程度。这些因素综合起来，才能决定这次扭亏为盈是一条短期拐点，还是长期向上的开始。

技术分析如此，财务分析也是如此——数据本身不会说话，关键是你用什么样的框架去理解它。希望这篇文章能给你提供一个可以参考的分析视角。