“AI四小龙建立的优势，AGI正在重新计算；格灵深瞳，重新入局。

2026年世界人工智能大会（WAIC）上，几乎所有AI公司都在争夺舞台中央。

大模型、智能体、具身智能，每家公司都试图证明自己仍然站在这一轮AI浪潮的最前沿。展馆里人潮涌动，发布会一场接着一场。

吴一洲走进会场后的第一反应却很不一样。

“跟泡泡浴一样，太火热了，展馆里很热闹，但我也闻见了是泡沫的味道。”

她并不反感泡沫，泡沫的另一面是百花齐放。因为每一轮技术革命都会经历资本蜂拥、创业者扎堆、估值快速膨胀的阶段。没有泡沫，就不会有资金，也不会有足够多的人才进入这个行业。当热度退去，能够兑现承诺的公司，才会留在牌桌上。

2024年11月，吴一洲接任格灵深瞳CEO。此前，她曾在德勤从事管理咨询，也曾参与科技企业投资，后面转型负责数字产业和人工智能相关的产品和业务，是一位拥有咨询、投资和科技落地的管理者。

她接手时，公司正处在业务重构的节点。2023年，智慧金融仍是格灵深瞳最大的收入来源，农业银行等金融客户贡献了公司绝大部分业务；但到了2024年，金融业务收入同比下滑超过75%+，过去依赖单一项目的商业模式开始失效。此后，公司逐步拓宽客户及行业范围，在城市治理、银行、特种领域、智慧体育等多领域进行落地尝试。到2025年，政务及特种、城市管理两项业务已经合计贡献近九成收入，智慧金融占比则降至不足10%。

对于吴一洲而言，这不仅意味着寻找新的客户，更意味着让一家依赖少数大客户和项目交付的公司，重新建立更加均衡的业务结构和组织行动力。

在创始人赵勇持续关注前沿研究的同时，吴一洲更关注如何将技术转化为可持续迭代的产品、业务和经营成果。接手之后的时间里，她一直在推动格灵深瞳摆脱对项目制和大客户的依赖，让产品能够标准化、商业化，并最终兑现为收入和利润。

和我们的对话中，她反复提到一个词——兑现。她认为，企业最终还是要靠一次次兑现承诺来建立信任，而不是依靠市场情绪或资本热度。

这种理念也体现在今年的WAIC上。

格灵深瞳没有像多数AI公司一样搭建独立展台，而是把产品分别放进了百度、海光信息和瑞芯微的展位。

对于一家曾经的“A股计算机视觉第一股”来说，这样的选择多少有些反常。

吴一洲告诉我们，一个行业里，大多数公司最终都会成为分母。格灵深瞳上一轮中有幸没有成为分母，并不意味着这一轮也不会。相比搭一个更大的展台，她更看重产品能否进入生态伙伴的真实场景。

因为她知道，今天的格灵深瞳，需要回答一个更现实的问题：

一家上一代AI公司，如何在大模型时代重新找到自己的位置。

计算机视觉为什么突然不香了？

格灵深瞳成立于2013年，正好赶上中国计算机视觉创业最热的一轮周期。

当时，深度学习在图像识别上的突破刚刚开始从实验室走向商业市场。摄像头快速普及，城市安防、银行风控、商业零售和交通管理都在寻找一种新的能力：不仅把画面记录下来，还要让机器理解画面里的人、车辆和行为。

商汤、旷视、依图和云从相继成立，资本把计算机视觉视为中国最有机会率先实现商业化的人工智能技术。

格灵深瞳也是这一轮创业浪潮的参与者，只是相比“AI四小龙”，它的规模和市场声量一直更小。

2022年3月17日，格灵深瞳登陆上交所科创板，成为A股第一家以计算机视觉为核心业务的上市公司。公司发行价为39.49元，发行4624.52万股，募集资金总额约18.26亿元，扣除发行费用后的净募集资金约16.7亿元，比原计划多募了约6.7亿元。

那次上市既是格灵深瞳的高光时刻，也几乎踩在上一代视觉AI叙事的尾声。

此时，曾经被资本追捧的“AI四小龙”，日子也没有想象中顺利。

商汤率先登陆港交所，却长期承受高额研发投入和持续亏损的压力，随后不得不把增长重心转向生成式AI、算力基础设施和大模型业务。直到2025年，公司仍未实现全年盈利，尽管亏损已经明显收窄。

旷视先后尝试赴港和登陆科创板，上市之路持续五年，最终在2024年撤回A股IPO申请。依图科技的科创板上市申请则早在2021年便已中止，此后一直没有进入公开资本市场。

云从科技虽然在2022年成功上市，却始终没有摆脱亏损。2025年，公司营收约5亿元，归母净亏损约5.56亿元，上市时未盈利，上市后也尚未实现盈利。

几家公司的路径不同，却走进了同一个困境：算法不断进步，商业模式却始终没有建立规模效应。

因为客户购买的不是一个可复制的软件产品，而是一套高度定制的解决方案。每新增一个场景，都需要重新采集数据、训练模型、部署系统并完成现场交付。项目越多，销售、算法和实施团队就越庞大，收入增长难以摆脱人力扩张。

ChatGPT出现后，上一代计算机视觉公司的位置变得更加尴尬。

它们过去的核心能力，是为特定任务训练专用模型，例如识别人脸、车辆、摔倒行为或者设备缺陷。每增加一个任务，往往都需要重新收集和标注数据，再训练一套新的算法。

多模态大模型改变了这条技术路径。模型不再只能识别预先定义的几类目标，而是能够同时理解图像、视频和文字指令，对陌生画面进行描述、推理和泛化。过去需要针对单一场景“手搓”的视觉算法，开始可以在统一的基础模型上完成微调和适配。

过去，每进入一个场景，就要重新训练一套算法；如今，越来越多通用视觉能力已经被内置在基础模型中，企业不必再从零开始。

这意味着，格灵深瞳过去十多年积累的部分算法优势不再像从前那样稀缺。但另一方面，基础能力的开放，也让规模较小的公司第一次有机会站在与头部企业相似的技术底座上。

大模型没有解决视觉AI的商业化难题，却重新定义了这场竞争。

大模型改写了游戏规则

我们聊到大模型时，吴一洲首先提到的不是参数、算力，也不是Agent，而是“平权（Equalization）”。

在她看来，大模型并没夸张到让所有公司重新站在同一起跑线，却让领先者的优势不再像过去那样持续扩大。

过去几年，商汤、旷视等公司拥有更多资金、更大的研发团队、更丰富的数据资源、更强大的组织和人员梯队，格灵深瞳几乎没有机会在基础模型上追赶。“大模型让我们、商汤、旷视和很多做算法应用的公司，无意间拉近了距离，也降低了进入视觉算法应用的普遍门槛。”吴一洲说。

因此，格灵深瞳没有选择加入通用模型的参数和算力竞赛。在吴一洲看来，那是OpenAI、阿里、百度等公司的战场，也是个别顶尖创业团队的战场。从格灵深瞳过往的成长路径来和现在能吸引的筹码来看，即使压上身家，也很难打出一套有竞争力的通用基础模型。

相比重新训练一个大模型，她更关心的是另一个问题：如何让越来越强大的模型能力，真正以快速、灵活、易用的方式进入产业现场。

这也是格灵深瞳过去两年最重要的产品方向——视觉智能工坊VE²S（Visual End-to-End Studio）。

它不是一个新的视觉大模型，而是一套覆盖算法生产、算法运营、业务编排、边缘执行和持续优化的全生命周期视觉智能平台。

一个视觉AI项目通常要经历数据采集、标注、模型训练、测试、部署、上线和持续迭代，每进入一家新的工厂、矿山或轨道交通现场，这条流程几乎都要重新走一遍。

VE²S希望把这条链路标准化。按照格灵深瞳的设计，它覆盖数据管理、智能标注、模型训练、算法运营、边缘部署、业务反馈和持续迭代。现场识别错误或者无法判断的数据，可以重新回流到训练环节，用于优化模型。

简单来说，它试图把原本依赖算法工程师手工完成的工作，变成一条可以持续运行的视觉算法生产线。

今年WAIC首次公开展示的VE²S-GBOX，则是这套系统进入现场的智能端侧硬件。

它既是一台边缘计算设备，也是视觉算法的运行节点，可以连接摄像头、PLC及其他工业设备，在本地完成视频分析和模型推理，不必持续把海量视频上传到云端。

边缘推理的意义不仅在于节省带宽，也在于降低延迟、保护现场数据，并让识别结果能够直接进入生产或业务流程做决策支持。系统最终交付给客户的，不只是“画面里出现了什么”，而是“是否存在缺陷”“是否需要告警”“是否应该停机”，以及是否触发下一步动作。

吴一洲把这套产品比作乐高。

过去，每做一个项目，都像重新盖一栋房子；现在，公司希望先做好一套标准化积木，再根据煤矿、电网、轨道交通、智能制造等不同场景快速组合，让过去需要数月完成的算法开发和部署，变成一套可以持续复制的工程体系。

VE²S并不试图消灭定制。客户现场的摄像头角度、光线、设备和业务规则各不相同，完全标准化并不现实。它要做的，是把定制中可重复的环节标准化，将过去需要大量算法工程师、耗时数月的项目，压缩成更轻、更快的适配过程。

不过，这条路线仍处于验证阶段。

从收入结构看，格灵深瞳还没有完成从项目公司向产品公司的转身。根据2025年年报，公司全年实现营业收入约1.55亿元，其中政务及特种领域收入约9268.6万元，占59.62%；城市管理收入约4226.5万元，占27.19%；智慧金融收入约1440.95万元，占9.27%。

公司收入仍然主要来自智慧终端、行业平台和项目解决方案，而非可以大规模复制的软件平台。

VE²S最终需要回答的，仍是视觉AI行业十多年来始终没有解决的问题：如何在高度定制的产业现场，实现足够标准化的交付。

如果答案是肯定的，格灵深瞳卖出的将不再是一个个项目，而是一套可以持续复制的视觉AI生产体系。

留在牌桌上，才有下一局

格灵深瞳的创始人赵勇，是中国早期计算机视觉创业者中典型的科学家型创始人。

他本科和硕士分别就读于复旦大学电子工程和微电子专业，随后在美国布朗大学获得计算机工程博士学位，研究方向涉及计算机视觉和计算摄影。毕业后，赵勇进入Google总部研究院，担任资深研究员，是Google Glass早期团队成员之一，也参与过Android图像处理和视觉计算相关工作。

2013年，赵勇回国创办格灵深瞳。他对公司的早期设想并不只是做人脸识别，而是让机器理解复杂空间中的人、物体和行为。

这种技术理想主义塑造了格灵深瞳。公司推出过多人场景三维人体行为分析产品、远距离目标识别设备，并逐步进入城市管理、银行、轨道交通和体育等行业。

但它也给公司留下了一个长期问题：一个有前景的研究方向，不等于产品的能够有竞争力且规模化出售。

2024年，赵勇卸任总经理，继续担任董事长兼首席科学家，吴一洲作为CEO开始负责日常经营。两人的分工由此变得更清晰：赵勇持续关注技术战略与前沿研究，吴一洲则重点推进公司经营、产品化和组织能力建设。

吴一洲接手后，给格灵深瞳定下的第一个目标是“留在AI牌桌上”。

这个目标并不意味着重新参加参数和算力竞赛。她给公司划出了一条明确的边界：不做面向全领域任务的通用大模型，但也不能放弃视觉基础模型和多模态能力。

因为一旦完全依赖外部模型，格灵深瞳就可能退化成一家AI 集成商：上游模型更新什么，它就使用什么，这样很难在算法和落地侧建立技术护城河和构建应用效率。

在一个基础模型逐渐成为公共能力的时代，格灵深瞳仍然希望保留理解模型、训练模型和改造模型的能力。它可以调用阿里、百度等公司的模型，也可以使用外部开源模型，但必须继续训练自己的视觉模型，完成行业数据微调、模型压缩和国产芯片适配。在这个过程中，格灵深瞳也开始在细分场景里，例如室内、室外泛安防里微调自己的专业模型，从而在产品和客户场景里增加从底层到应用层的综合技术优势。

这不是为了成为下一家大模型公司，而是为了避免在AGI时代彻底失去技术主动权。

吴一洲对此有一个更准确的描述：

“我还没有上桌，但是已经回到这个热闹的餐馆里了。”

今年的WAIC，格灵深瞳没有独立展台，却同时出现在模型公司、芯片公司和端侧硬件公司的展位上。它不再试图用一块大展板证明自己无所不能，而是主动把自己嵌入新的产业链：上游连接基础模型和芯片，下游连接数据、设备和生产流程。

这意味着承认自己的边界，也意味着拒绝退场。

格灵深瞳没有能力定义AGI时代的基础模型，却不愿意只做一个随时可以被替换的实施商；它无法占据产业链的中心，却仍想掌握视觉AI进入现实世界的关键接口。

十多年的视觉技术积累、上市公司的资金基础，以及一场仍未完成的产品化改造，是它留在牌桌上的筹码。

这些筹码未必足以把格灵深瞳送上主桌，却足以让它继续留在这场牌局里。对于一家经历过两轮AI浪潮的公司而言，能够继续参与未来的竞争，本身就是重新创业的意义。

文：王茜茜 / 数据猿

责编：凝视深空 / 数据猿