从归母净利润到技术信号：如何判断智能驾驶公司扭亏的真实成色

当一家智能驾驶技术公司从持续亏损进入同比扭亏为盈时，市场首先看到的通常是归母净利润这一行数字。地平线机器人2026年上半年归母净利润为37.84亿元，同比扭亏为盈，这在智能驾驶赛道里是一个值得重点分析的转折信号。但对技术从业者来说，这个数字本身并不能说明技术是否突破、产品是否量产、竞争是否占优。更实际的问题是：利润从哪里来，是靠芯片出货和软件授权形成的规模效应，还是靠投资收益、政府补助或公允价值变动撑起来的账面结果。这篇文章会围绕这个问题，把财务报表中的利润信号拆成可验证的技术信号，并提供一套分析方法，帮助关注智能驾驶和车载计算平台的工程师从数据反推一家公司的真实技术商业化状态。

有一点需要提前说明：利润表上的“扭亏为盈”是结果，不是原因。要判断一家智能驾驶公司是否真正进入健康增长通道，不能只看净利润是否为正，还要看收入结构、毛利率、研发投入、扣非净利润和现金回款。下面按这个思路展开。

1. 扭亏为盈的数字背后，先分清利润从哪里来

1.1 归母净利润是一个结果，不是原因

归母净利润的全称是“归属于母公司股东的净利润”，它的计算口径是在合并报表净利润中剔除少数股东损益之后，归属于上市公司母公司股东的利润部分。对技术背景的读者来说，可以把它理解成“这家公司整体赚到的钱，最后属于母公司股东的那一部分”。

在利润表里，归母净利润的大致链路如下：

营业收入 - 营业成本 = 毛利 毛利 - 销售费用 - 管理费用 - 研发费用 - 财务费用 = 营业利润 营业利润 + 投资收益 + 公允价值变动收益 + 营业外收支等 = 利润总额 利润总额 - 所得税费用 = 净利润 净利润 - 少数股东损益 = 归母净利润

从这个公式可以看出，归母净利润并不完全等于“卖产品赚的钱”。它包含主营业务利润，也包含投资收益、资产减值转回、政府补助、公允价值变动等非经常性损益。因此，当一个公司宣布“大幅扭亏”时，第一件事不是庆祝，而是拆开利润构成。

地平线机器人2026年上半年归母净利润为37.84亿元，同比扭亏为盈。这句话本身只能说明今年上半年净利润为正，且比去年同期高。至于这个利润是靠智驾芯片、软件授权、解决方案交付赚来的，还是靠投资收益、政府补助或资产处置带来的，需要继续看明细。

1.2 用主营业务毛利和研发投入两个维度排除噪声

判断一家技术公司是否真正“有造血能力”，不能只看净利润，至少要同时看两个维度。

第一个维度是毛利率。毛利率反映的是产品本身赚不赚钱，计算公式如下：

毛利率 = (营业收入 - 营业成本) / 营业收入 × 100%

对智能驾驶公司来说，毛利率受到商业模式影响很大。如果以芯片销售为主，毛利率通常比纯硬件集成高；如果以域控制器或整体方案交付为主，硬件占比高，毛利率会偏低；如果以软件授权、算法许可和工具链订阅为主，毛利率通常更高。

第二个维度是研发费用率。

研发费用率 = 研发费用 / 营业收入 × 100%

一家处于高速成长期的智能驾驶公司，研发费用率通常很高。扭亏时如果研发费用率快速下降，可能是平台复用率提升导致研发效率提高，也可能是公司为了做利润而主动削减研发投入。后一种情况会伤害长期竞争力，需要用研发人员数量、资本化率等指标交叉验证。

只看净利率很容易被误导。比如一家公司净利率从-40%变成+80%，看起来非常夸张，但毛利率只从35%变成42%，说明利润增量大概率不来自主营业务，而是来自投资、补助或会计调整。这时必须看扣非净利润。

1.3 把财务信号映射到技术信号

技术团队平时不常看财务报表，但财务指标背后往往对应着非常具体的工程技术状态。把常见财务指标和技术信号放在一张表里，后续分析会更直观。

在分析地平线机器人本轮扭亏时，建议把“归母净利润37.84亿元”先放一边，优先验证上表中前四行的变化趋势。只有收入、毛利率、研发费用率和扣非净利润同步改善，才能确认利润拐点来自技术商业化取得阶段性成果。

2. 智能驾驶技术公司扭亏的底层链路：芯片、算法、方案与量产交付

2.1 技术栈拆解：从芯片到量产的四个层级

智能驾驶计算平台公司的产品和传统互联网软件差别很大。它既不完全是卖硬件，也不完全是卖软件，而是把芯片、算法、工具链和参考方案组合成一套可量产交付的解决方案。为了理解利润来源，先要把技术栈分层。

方案层：智驾功能、参考方案、域控制器、软件许可 工具链层：编译器、模型量化、算子库、仿真调试工具 软件层：操作系统、中间件、功能安全、感知/规划算法 芯片层：车规级SoC、BPU/NPU、ISP、安全岛、外设接口

芯片层是底座的底座。地平线机器人这类智能驾驶计算方案提供商，核心能力之一是车规级芯片及其计算架构。车规级芯片需要满足功能安全、功耗、散热、寿命等要求，一次流片和车规认证的成本非常高，但只要芯片能够被多个项目复用，单颗芯片的研发成本就会随出货量摊薄。

算法层决定方案能否在芯片上高效运行。光有芯片不够，还需要把感知、预测、规划等算法适配到芯片的并行计算单元上。这一层的难点是精度和算力的平衡，以及在不同车型、不同传感器配置下的泛化能力。

工具链层经常被忽略，但它直接决定开发者能不能把模型快速部署到芯片上。编译器、量化工具、算子库、调试工具、仿真平台的成熟度，决定了车厂和算法团队接入平台的成本。如果工具链不好用，芯片再强也难以上量。

方案层是把前面所有能力封装成车厂能直接采购的产品。这部分包括参考设计、域控制器、传感器适配、功能软件栈以及后续的联调服务。方案层的交付效率直接影响毛利率。

2.2 利润拐点的实质：产品从定制化走向平台化

智能驾驶公司早期亏损，通常不是因为团队不努力，而是因为固定研发成本太高，收入规模却太小。每拿下一个新客户，都要做大量定制适配；每上一个新车型，都要重新做标定和验证。这种模式下，项目越多，研发消耗越大，利润容易被吃掉。

扭亏为盈的实质，是产品开始从“做项目”走向“做平台”。同一颗芯片、同一套软件栈、同一组工具链，能被多个车厂和多个车型重复使用。边际交付成本下降，而收入仍然持续增加，利润就会自然改善。

用公式表达就是：

平台复用率 = 复用已有技术栈的项目数 / 全部量产项目数

平台复用率越高，单位收入对应的研发、适配、测试成本越低，毛利率和净利率就越有可能改善。这也是为什么在分析扭亏时，不能只看净利润数字，而要关注量产车型数量、工具链生态活跃度、芯片出货量等业务指标。

2.3 量产交付效率如何影响毛利

智能驾驶产品进入量产阶段后，毛利水平主要由三个因素决定。

第一个因素是芯片出货规模。芯片的固定成本包括设计、验证、流片、车规认证，出货量越大，单位芯片成本越低。如果一家芯片公司只做了几十万颗芯片，和做出几百万颗芯片，二者的单位成本完全不同。

第二个因素是硬件占比。如果公司主要交付芯片和软件许可，硬件成本占比低，毛利率容易被抬高；如果主要交付域控制器整机，拆机、结构件、连接器、散热组件这些硬件成本都会拉低毛利率。因此，看到一家智能驾驶公司毛利率很高时，需要看它的收入到底是卖芯片、卖IP，还是卖整机方案。

第三个因素是项目适配成本。每个车型的传感器布局不同，车身尺寸不同，使用的摄像头和雷达型号可能不同，这些差异都会带来额外的适配工作。适配工作越少，交付越标准化，毛利越可控。

2.4 技术人员看扭亏最容易忽略的环节

从技术视角分析财务数据时，工程师通常容易忽略四个环节。

第一是研发资本化。研发投入可以费用化，也可以资本化。费用化会直接减少当期利润，资本化则会把研发支出记入无形资产，在后续多年摊销。两个公司研发投入相同，但采用不同会计处理，利润可能差很多。看到净利润改善时，要确认研发费用里有没有明显资本化，以及资本化比例是否比上期大幅提升。

第二是客户集中度。如果前五大客户的收入占比过高，营收增长可能只是少数客户贡献的。一旦这些客户切换平台或减少订单，收入会出现剧烈波动。技术价值不能只靠几张大订单证明，更要看客户覆盖范围。

第三是收入确认时点。智能驾驶项目通常周期长，涉及研发合同、试产、量产、验收等多个阶段。不同交付节点对应的收入确认方式不同，某个报告期收入较高，可能是因为前期的合同集中在当期验收。

第四是库存与备货。如果公司为了准备量产项目提前备货，芯片和域控制器库存会上升。库存占用资金，同时有跌价风险。单看利润表看不到这些压力，必须结合资产负债表。

3. 用数据模型分析财务信号：一个可复用的 Python 示例

3.1 准备输入表

分析上市公司业绩时，不需要手工到处抄数，可以把财报中的关键指标整理成结构化表格，再用 Python 做批量计算。下面的示例以 CSV 文件作为输入，字段只需要包含期间、营业收入、营业成本、归母净利润、扣非归母净利润、研发费用这几项。

实际使用时，数据可以从公司公告、定期报告或财经数据平台导出。下面是一个示例数据结构：

期间,营业收入,营业成本,归母净利润,扣非归母净利润,研发费用 2025H1,15.2,9.1,-6.4,-7.1,8.7 2026H1,42.6,24.8,37.84,35.9,12.1

这里用 2026H1 的归母净利润 37.84 亿元，沿用了题目中的数字。其他数值是演示用示例，不是地平线机器人披露的真实明细。实际分析时必须替换为报表原文数据。

3.2 用 pandas 计算关键指标

下面的脚本会读取 CSV 文件，并计算毛利率、归母净利率、研发费用率和扣非净利率。

import pandas as pd def analyze_profitability(file_path: str) -> pd.DataFrame: df = pd.read_csv(file_path) df["毛利率"] = (df["营业收入"] - df["营业成本"]) / df["营业收入"] * 100 df["归母净利率"] = df["归母净利润"] / df["营业收入"] * 100 df["扣非净利率"] = df["扣非归母净利润"] / df["营业收入"] * 100 df["研发费用率"] = df["研发费用"] / df["营业收入"] * 100 return df if __name__ == "__main__": result = analyze_profitability("fin_data.csv") print(result.to_string(index=False))

运行后输出大致如下：

期间 营业收入 营业成本 归母净利润 扣非归母净利润 研发费用 毛利率 归母净利率 扣非净利率 研发费用率 2025H1 15.2 9.1 -6.4 -7.1 8.7 40.131579 -42.105263 -46.710526 57.236842 2026H1 42.6 24.8 37.84 35.9 12.1 41.784038 88.826291 84.272300 28.403756

这个结果只适合演示，不代表任何公司真实经营情况。但通过这个口径，能直观地看出毛利率变化和净利率变化之间是否存在明显背离。

3.3 如何解读输出结果

对比两年的数据，可以得到几类判断。

毛利率从上期的约40.13%提升到约41.78%，提升了1.65个百分点。这说明产品毛利有改善，但改善幅度有限，不足以支撑净利率从-42%跳到88%。因此，净利率大幅提升的部分，很可能来自投资收益、公允价值变动、政府补助等非经常性项目。

再看扣非净利率，2026H1是84.27%，比归母净利率略低，但仍然很高。这又提示一个疑点：即使扣掉非经常性损益，净利率也偏高。在真实场景中，这种高净利率需要进一步拆解，包括是否有关联交易、是否存在研发资本化、是否包含大额一次性退货或价格保护等。示例数据只是演示计算口径，实际分析不能停留在这一步。

研发费用率从约57.24%下降到约28.40%，这是一个很大的降幅。降幅大可能是好事，也可能是坏事。好事是收入规模扩大而研发投入相对稳定，说明平台开始被复用；坏事是公司可能通过压缩研发来维持利润，长期竞争力会受损。需要结合研发人员数量、资本化比例、新增量产项目数量来判断。

3.4 数据质量与边界

用 Python 算财务指标并不复杂，复杂的是数据口径的一致性。不同公司、不同报告期，营业收入是否含税、研发费用是否资本化、扣非净利润包含哪些项目，都可能影响可比性。

因此，在使用这类脚本前，先确认以下几件事：

• 所有金额单位是否一致，避免亿元、万元混用。
• 扣非归母净利润是否来自公司公告，而不是自行估算。
• 研发费用是否包含资本化研发支出，如果包含，需要单独列示。
• 营业收入是否包含关联方收入，如果包含，需要评估依赖性。
• 单期同比分析只能说明趋势，不能只凭一个报告期做结论。

4. 从财务现象到技术组织状态：排查路径

如果把“扭亏为盈”当作一个待排查的技术问题，排查顺序应该是从外到内、从结果到原因。下面是一条可复用的排查路径。

4.1 第一步：看收入结构，判断在卖什么

看到净利润大幅增长时，先去利润表附注里查分产品收入。常见收入类型包括芯片销售收入、软件许可收入、解决方案开发服务收入、域控制器及其他硬件收入。

不同收入类型的毛利率差别很大。软件许可和算法授权的边际成本低，毛利高；域控制器和硬件整机需要采购物料和组装，毛利受供应链影响大；开发服务往往需要大量工程师投入，毛利不容易做高。

如果净利润改善明显，但收入结构里高毛利产品占比没有显著提升，就要怀疑利润的可持续性。反过来说，如果高毛利的软件和授权收入占比提升，说明产品化程度在提高。

4.2 第二步：看毛利率变化，判断产品标准化程度

毛利率连续两到三个报告期提升，说明公司可能正在从定制化项目转向标准化产品。但单期毛利率提升，不一定代表趋势。

排查时要问：

• 本期的毛利率提升是否来自某个一次性项目？
• 是否因为原材料价格下降，而不是产品竞争力提升？
• 是否通过提高硬件售价来提升毛利率，但芯片出货量反而下降？

如果毛利率提升伴随出货量、量产车型数、客户数同步增长，技术平台的规模效应基本可以确认。

4.3 第三步：看扣非净利润，排除一次性收益

归母净利润高，不代表主营业务赚钱。排查时优先看扣非净利润。

扣非归母净利润 = 归母净利润 - 非经常性损益

非经常性损益通常包括政府补助、公允价值变动、投资收益、资产处置收益、捐赠等。对科技公司来说，政府补助和投资收益是最常见的利润干扰项。

如果扣非净利润为正且逐年改善，说明主营业务具备造血能力。如果扣非净利润仍为负，而归母净利润为正，那么这次扭亏就要打一个问号。

4.4 第四步：看研发投入结构，判断技术积累是否可持续

利润可以短期被“做”出来，但技术积累需要持续投入。研发费用率下降要区分两种情况：

• 平台复用率提升导致单位收入对应的研发投入下降，这是良性变化。
• 公司为了保住利润大幅缩减研发人员、停止新项目，这是恶性变化。

排查方式包括：

• 看研发人员数量是否下降。
• 看研发费用中职工薪酬占比是否下降。
• 看新增专利申请和量产定点数量是否下降。
• 看研发是否从费用化转向资本化，比例是否异常提高。

这一步对技术从业者尤其重要。财务上好看的利润，有时正是技术投入收缩带来的“盈余管理”，长期来看会牺牲产品竞争力。

下面用一张表总结排查顺序：

5. 解读这份业绩时常见的四个误判

5.1 把归母净利润等于主业盈利

最直接的误判是把“归母净利润37.84亿元”直接理解为“智能驾驶业务赚了37.84亿元”。实际上，归母净利润包含非经常性损益，可能来自投资收益、公允价值变动、政府补助等多个渠道。

要避免这个误判，就去看扣非归母净利润。如果公司同时披露了扣非口径，优先用扣非结果判断主业。如果没有披露，至少要看利润表里的投资收益和公允价值变动收益科目，确认这些项目有没有明显增长。

5.2 拿单期扭亏直接推断全年趋势

智能驾驶行业的收入确认有明显的季节性，很多项目的验收集中在下半年。上半年实现扭亏，并不能直接推导出全年利润一定持续增长。还要看存货、合同负债、在手订单、下游车厂排产计划等前瞻性数据。

正确做法是至少看连续两个报告期的环比和同比变化，并关注公司是否调整了全年预期。不能因为一次业绩宣告就下重结论。

5.3 忽略研发投入节奏，把研发收缩当成效率提升

研发费用率下降有时被市场解读为“研发效率提升”，但实际可能是公司主动砍掉了长周期、高风险的预研项目。短期利润变好了，但下一代产品开发进度可能延后，筹码变成了未来竞争力。

排查时应该看研发费用中职工薪酬的绝对金额、研发人员数量、资本化研发投入占比。如果研发人员数量在减少，但收入还在增长，说明现有产品平台确实在放量；如果收入也停滞，研发收缩更像是为保住利润的被动选择。

5.4 把收入增长等同于技术市占率提升

智能驾驶市场仍在高速变化中，收入增长可能来自行业整体渗透率提升，也可能来自竞争对手退出留下的份额，还可能来自公司主动降价。增长本身不等于技术的绝对竞争力。

判断市占率时，要结合车企定点项目数量、芯片出货量、方案覆盖车型数量等业务数据。只看收入金额，容易把行业红利误认为是公司个体能力。

下表总结这四个误判及对应的检查方法：

6. 给技术从业者的可执行清单与后续跟踪方向

6.1 技术健康度观察清单

分析地平线机器人这类智能驾驶公司的扭亏质量，不建议只盯一个财务指标。下面是一份可以直接使用的观察清单：

• 芯片累计出货量和季度出货量是否持续增长。
• 量产车型数量和新增定点项目是否增加。
• 工具链开发者数量和生态伙伴数量是否提升。
• 毛利率是否连续两个报告期改善。
• 扣非归母净利润是否为正，且剔除投资收益后仍为正。
• 研发费用绝对金额是否保持稳定或增长。
• 经营现金流是否为正，而不是只有账面利润。
• 前五大客户收入占比是否过高，是否存在单一车型依赖。
• 库存和应收账款周转是否健康，收入确认是否过于提前。

如果这九项里多数满足，扭亏的技术基础就比较扎实。如果只有净利润转正，其他业务指标没有改善，就需要观望。

6.2 技术人员如何与财务数据协作

很多技术团队在评估合作公司或竞争对手时，只会看产品参数和demo效果，很少看财务数据。但在商业化判断中，财务和业务数据必须结合。

技术人员可以和数据分析同学或财务同事协作，把重点放在三个交叉点上：

• 产品指标与收入指标对齐。比如芯片出货量、量产车型数与营业收入增长是否匹配。
• 研发投入与产品进度对齐。研发费用率变化是否反映了下一代平台、工具链和算法预研的投入节奏。
• 回款与交付质量对齐。经营现金流和应收账款周转率，能反映客户是否真正验收通过，还是项目卡在验证阶段。

6.3 后续可以深入的方向

从这篇分析延伸出去，技术从业者可以继续关注几个方向。

第一个方向是车载计算平台的芯片架构演进。智能驾驶对算力、功耗、功能安全的要求在持续变化，芯片架构如何适应不同等级辅助驾驶和未来机器人平台，是判断长期竞争力的核心。

第二个方向是工具链和 AI 编译器。芯片性能再强，如果开发者无法高效部署模型，也很难放量。工具链的成熟度是影响平台复用的隐性因素。

第三个方向是软硬解耦。车厂越来越希望算法可以跨平台迁移，这对公司的软件栈和中间件能力提出更高要求。如果一家公司能通过标准化软件层降低不同车型的适配成本，毛利率和净利率都会有更稳定的支撑。

第四个方向是机器人计算平台。智能驾驶公司在视觉感知、路径规划、环境建模上的积累，可以迁移到机器人场景。第二业务曲线的成长性，也是判断公司利润可持续性的重要变量。

对技术从业者来说，一家公司是否真正驶入盈利轨道，不能靠一个净利润数字回答。把利润拆解回产品、客户、研发和交付，才能判断扭亏是转折点还是报表现象。接下来值得跟踪的，是地平线机器人能否在后续财报中延续主营业务盈利趋势，以及新增量产项目是否能继续提升平台复用率。这两点，比单季度净利润更能说明问题。