2022年创新奇智业务布局及核心竞争力分析

2023-11-02 06:26:00 来源 : haohaofanwen.com 投稿人 : admin

下面是好好范文网小编收集整理的2022年创新奇智业务布局及核心竞争力分析，仅供参考，欢迎大家阅读！

创新奇智是干什么的

1. 创新奇智介绍

创新奇智成立于 2018 年 2 月，是中国快速发展的企业 AI 解决方案提供商。公司以“人工智能赋能商业价值”为使命，提供全栈式 AI 产品和解决方案，包括 AI 平台、算法、软件及 AI 赋能设备，从而为企业实现降本增效及透过业务经营及信息管理的智能转型优化决策。

公司专注于制造、金融等行业的 AI 赋能，在“技术产品”+“行业场景”双轮驱动模式下，依托计算机视觉和机器学习技术，打造了 ManuVision（机器视觉智能平台）；MatrixVision（边缘视频智能平台）；Orion（分布式机器学习平台）和 Cloud（云平台）四大专有 AI 平台，为客户提供可快速交付落地的人工智能产品及解决方案。

公司自成立以来快速发展，形成覆盖多个城市的全国性布局，下设两家制造业子公司：赛迪奇智、中铁奇智，深耕智能制造产业。

公司目前员工数 400+，计划扩充到千人规模。

1.1. 公司发展历程

1.2. 公司大股东结构

根据一致行动人安排，创新工厂，创新工厂育成，汪华，陶宁构成公司单一最大股东，持股比例 27.61%。SVF II ZEAL（软银集团）是公司基石投资人，持股 7.12%，中金公司占 15%左右。

1.3. 公司主要管理层介绍

李开复，自 2018 年 2 月起担任公司董事长兼非执行董事。于 1983 年 6 月获得美国纽约哥伦比亚大学计算机科学学士学位，并于 1988 年 4 月获得美国宾夕法尼亚州卡内基梅隆大学计算机科学博士学位。

1988 年至 1991 年担任卡内基梅隆大学计算机科学学院研究员兼助理教授； 1990 年至 1996 年，先后在 Apple Inc.担任副总裁等多个职位；1998 年至 2005 年担任微软中国研究院院长、Microsoft Corporation 自然交互服务产品部门的企业副总裁，并担任微软亚洲研究院院长；2005 年至 2009 年担任 Google Inc.大中华区总裁；自 2009 年起担任投资集团 Sinovation Ventures Group 的董事长兼首席执行官；世界经济论坛第四次工业革命中心人工智能理事会联席主席，并于 2013 年入围 Times 100。2015 年 11 月至 2019 年 6 月担任香格里拉（亚洲）有限公司的独立非执行董事；2013 年 6 月至 2019 年 7 月担任 LightInTheBox Holding Co., Ltd.的独立董事；2016 年 7 月至 2019 年 6 月担任鸿海精密工业股份有限公司的独立非执行董事；2016 年 8 月起，担任美图公司的非执行董事；2017 年 3 月起，担任复星国际的独立非执行董事。

徐辉，公司联合创始人，2018 年 2 月以来担任公司首席执行官及执行董事。于 1995 年 7 月获得上海交通大学电气工程学士学位，并于 2007 年 1 月获得北京大学高级管理人员工商管理硕士学位。

1996 年 11 月至 2009 年 11 月先后担任 IBM 金融服务事业部中国区保险证券行业总经理、银行业副总经理、全球科技服务事业部大中华区服务产品群及合作联盟总经理与中国区域拓展总经理，负责 AI 软件及解决方案（涵盖制造及金融行业的 IT 基础设施、云计算、数据存储及 IT 运维）的销售管理；2009 年 10 月至 2013 年 2 月担任 SAP 大中华区副总裁兼华中华东区总经理，负责 AI 软件及解决方案（涵盖制造行业的智能综合信息管理平台及 IT 谘询服务）的销售管理；2013 年 3 月至 2016 年 11 月担任 Microsoft Enterprise & Partner Group (EPG)大中华区副总裁兼总经理及客户服务与支持集团(CSS)大中华区总经理与亚太地区云计算支持主管，负责 AI 软件及解决方案（涵盖企业 O2O 智能传输、云计算及大数据分析）的销售及技术管理； 2016 年 11 月至 2018 年 1 月担任万达网络科技集团副总裁，主要从事提供涵盖云计算、大数据分析、智能营销及运营、智能供应链及物联网的数字化及智能转型解决方案的全链式业务管理服务；2016 年 9 月以来，为本间高尔夫有限公司的独立非执行董事。

张发恩，自 2018 年 5 月起担任公司首席技术官。于 2005 年 7 月获得吉林大学软件工程学士学位，并于 2008 年 7 月获得中国科学院软件研究所(ISCAS)计算机软件与理论硕士学位。现为宁波诺丁汉大学的荣誉教授。

2008年 7月起担任微软中国有限公司的软件开发工程师；2010年 12月至 2015 年 12 月担任谷歌信息技术（中国）有限公司的技术主管，主要负责项目包括 Google Maps、Google Search 及 Google Knowledge Graph；2015 年 12 月至 2018 年 5 月担任百度在线网络技术（北京）有限公司百度智能云的技术委员会主席兼首席架构师，领导开发一系列 AI 服务及平台，包括 Baidu Recommender System、 Baidu ABC Appliance、Baidu BDL（深度学习平台）、Baidu Message System 及 Baidu MapReduce。

曹钧，自 2021 年 5 月起担任首席财务官。于 2005 年 5 月在美国宾夕法尼亚州获得宾夕法尼亚大学沃顿商学院工商管理硕士学位。

2006 年 5 月至 2008 年 12 月任职于摩根士丹利(Morgan Stanley)；2009 年 4 月至 2014 年 9 月任职于巴克莱资本(Barclays Capital)；2016 年 9 月至 2018 年 9 月任职于瑞银(UBS)；2019 年 12 月至 2021 年 3 月担任上海找油信息科技有限公司的首席财务官，随后担任顾问。

肖磊，自 2020 年 1 月起担任投融资总监、2021 年 5 月起担任董事会秘书和联席公司秘书。于 2009 年 6 月获得中国政法大学法学学士学位，并于 2012 年 6 月获得中国政法大学民商法硕士学位。

2012 年 7 月至 2014 年 4 月担任中粮置地管理有限公司的法律顾问；2014 年 5 月至 2020 年 1 月担任首泰金信（北京）股权投资基金管理股份有限公司的法务部副总经理及总经理、董事会秘书、投资银行部总经理及公司副总经理。

2. 创新奇智产品和业务

公司的 AI 产品体系统称 MMOC 平台，由四部分组成，分别是 Orion 分布式机器学习平台，ManuVision 机器视觉智能平台，MatrixVision 边缘视频智能平台和 Cloud 云平台。MMOC 平台以“数据+算法”为技术核心，内置组合特微挖掘、小样本学习、预训练模型等技术内核，可提供结构化和非结构化等多元数据支持，实现“云 +端”协同，提升资源利用率和灵活性，满足应用需求。另外，基于 MMOC 平台构建的 AI 解决方案 ABS 和 RDP 可以缩短售前 POC（概念验证）周期和解决方案交付周期，提升业务效果和工具/流程的标准化程度，同时沉淀技术资产，实现跨项目复用。

Orion 分布式机器学习平台为企业级端对端机器学习平台，包含 IRC 智能资源调度中心、DAC 智能数据自动化中心和自动化机器学习三个组件，覆盖三个关键 AI 元素，即算法、数据及计算能力。

ManuVision 机器视觉智能平台为深度学习技术的边缘机器视觉检测软件系统，旨在定位、测量、检测及识别常见缺陷或关键指标。该平台由三个部分（即训练器、设计器及运行器）组成，提供涵盖图像标注、深度学习模型训练、模型测试、算法模型流水线及线上检测的全方位解决方案。该智能平台配备专有的工业云平台，其可在公有云或私有云中运行。通过无线或 5G 网络，边缘运行的 ManuVision 可以与工业云平台双向交换信息，包括通过云端服务升级推理模型，更新在线设备状况及运行日志等功能。

MatrixVision 边缘视频智能平台系统化地结合边缘计算和深度学习，基于专有的边缘计算设备，可以执行视频流解码、图像编码及解码、模型转换与迁移、模型部署及实时推理等任务。

Cloud 云平台作为基础设施底座，主要包括 IRC 资源管理引擎和 IPC 技术资产中心。提供异构资源管理与调度能力以及全要素 AI 技术资产管理和应用能力，通过对算力资源和数据、算法、特征、模型等 AI 资产的统一纳管、共享、复用，有效降低 MMO 及 AI 解决方案研发成本并提升效率。

经 MMOC平台数据处理、学习和训练后的算法模型以及算力资源等技术资产最终被 AI 封装嵌入到 ABS 及 RDP 中，交付给最终用户现场。ABS 及 RDP 指由技术资产构建的业务解决方案或者可快速部署的软硬件一体化产品，比如机器臂+摄像头+ManuVvison 的质检流水线。

2.1. 业务场景

公司基于 MMOC平台提供四大业务场景：智能制造、边缘视觉分析、智能数据中心及智能数据治理。智能制造和边缘视觉分析属于计算机视觉工业智能，智能数据中心和智能数据治理属于智能决策范畴。

工业智能制造以 ManuVison 平台为基础，支持二维图片智能识别，主要涉及质控和品控，包括四个标准场景，即检测，测量，识别和定位。检测的应用场景最多，比如“无序抓取”案例。国内制造业工厂的现场物料堆放普遍处于相对无序的状态（与发达国家工厂相比较），规则算法控制机器臂 A 到 B 点的抓取过程在国内不适用，多数情况下，器件材料等物料处于无序堆垛状态（SKU 堆放），必须借助 AI 的不规则算法来控制机器臂准确识别并执行从 A 点到 B 的物件抓取。这一过程中，首先利用定位技术，对堆垛进行扫描并进行 3D 建模；然后对突出和收敛的形状和边缘界面进行识别和修正，进而判断堆垛中涉及的 SKU 数量，并从中确定需要抓取的核心部件。最后，测量 A 点到 B 点的距离，并进行抓取的动作。检测的应用场景涉及的技术环节最多，可以包含定位，识别和测量，一般分为两大类：表面瑕疵检测和装备质量检测。

边缘视觉分析是以 Matrix Vision 平台为基础的视频智能识别系统，包含了边缘计算的轻量化算法视频 AI 分析平台，主要分析人的肢体行为和动态物体的识别，应用场景包括工业园区，智慧厂区，加油站，也可以对车牌等物体进行动态识别。

智慧铁水运输案例：基于 AI 视觉算法及自动驾驶技术的智慧铁水运输系统，帮助机车及雷达探测车自动检测及避开轨道中的障碍物，识别机车尾部和吊钩，实现全自动化的挂钩脱离。通过自动化的路线规划和作业操作，该方案可持续提升铁水的温控效果，为钢铁公司带来可观的经济回报。

3C 质检案例：在 3C 行业，公司提供 2D/3D 视觉质量检测，可检测手机中框上刮、擦、碰、脏污等缺陷，以及电路板上的螺丝缺陷，替代大量的人力重复工作，降低流水线人力成本。

智能数据中心的应用领域主要是金融/保险的 IDC 数据中心，大量的金融数据中心涉及智能运维，包括新建和旧的计算资源，老的数据中心存在大量的历史资产，通过 AI 算法可对新老设备做全生命周期的运行维护，解决问题和预测问题。该系统是一套 IaaS+PaaS 企业级混合云平台，实现智能分配算力及资源存储的调度维护。

智能数据治理的应用与第四范式的解决方案类似，提供智慧风控，反欺诈等智能决策服务。另外，公司含有 AI 算法的 ABC 一体机产品（算法模型+服务器+传感器），可以根据整个机房的湿度、温度等环境参数进行 AI 能耗管理等服务（参数+ 模型+自动智能决策）。

在所有的应用场景中，Manu/Matrix 平台类似于电脑上的 windows 操作系统，被集成到 ABS/RDP/ABC 中，交付给最终客户。目前，公司的 MMOC 平台主要应用在 AI+制造、AI+金融和 AI+其他行业。AI+制造主要包括钢铁冶金、能源电力、汽车装备、OLED 面板半导体、3C 高科技和工程建筑领域；AI+金融主要服务于银行、保险、券商等金融机构，为金融 IT 基础设施提供智能运营维护、智能混合云管理以及智能数据治理等应用。AI+其他行业，如零售和信息技术行业，为客户提供供应链自动化管理及信息管理智能优化等服务。

2.2. 开放生态的 AI 平台

公司正在建立一个开放式架构的技术平台以吸引 AI 行业价值链中更多的参与者，并加深与各参与者的合作。公司计划将 ManuVision 和 MatrixVision 平台发展为具有更高兼容性的云平台，可与第三方插件兼容。第三方开发商可以为创新奇智 AI 云平台开发具有额外功能的自有技术资产（AI 算法模型及软件组件）的插件，也可以提供与该功能相兼容的设备或硬件组件（如工业相机），而潜在客户则可以选择各种选项并根据实际需求购买或订阅。根据年报披露，公司希望借此平台创建一个开放的生态系统，计划 2022 年底前推出测试版，于 2023 年推出具有基本功能的正式版，并在 2025 年推出通用的完整版本。

3. 创新奇智业绩

3.1. 主营业务收入

2018 到 2021 年，公司实现收入分别为 3720.8 万，2.29 亿，4.62 亿和 8.61 亿。其中，制造业收入分别为 1364 万，7843 万，1.93 亿和 4.49 亿；金融行业收入分别为 536 万，5354 万，1.83 亿和 2.74 亿；其他行业（包括零售、信息技术等）收入分别为 1821 万，9717 万，8571 万和 1.38 亿。2021 年，公司整体收入增长了 86%，其中制造业收入增长 133%，汽车装备暴涨了 5889%，3C高科技细分领域也大幅增长了 142%，其他几个子行业也分别增长了 40%-80%；金融行业 2021 年增长了 49%，其中银行业增长 206%，而保险业下滑了 76%，主要原因是保险行业的投资特征是大小年采购，保险大客户有 20年的历史资产，每两到三年一个周期，会对设备进行更新换代，在集采大年会增购公司的产品。

2021 年，公司继续深耕 AI+制造，制造业营收占比提升至 52.2%，其次是 AI+ 金融服务，两者的收入占比达到 84%。受益于新基建和“十四五”智能制造发展规划的政策推动，我们认为，在制造业这个强赛道，公司将会继续保持高速增长。2022 年至今，全国出现疫情反复，特别是长三角地区，不过由于公司的主要客户基本在珠三角，除 3C 行业可能会受到一些影响外，其他行业应该受疫情影响程度有限，相反的，由于疫情的相关限制因素，制造业和金融机构等领域可能会越发倾向于使用 AI 产品和解决方案来取代许多人工任务，进一步推动运营数字化和人工智能解决方案的需求。

3.2. 毛利率

2018 年到 2021 年，公司毛利率分别为 62.8%，31.2%，29.1%和 31.0%。 2018 年公司刚刚成立，公司主营一套零售渠道智能陈列 SaaS 平台，面向快消品牌，如如可乐，伊利等，通过计算机视觉技术对货架、冰柜或无人售货柜等陈列的产品进行监控，确保商品在最佳视线位置并及时补货，这类业务场景叫渠道陈列。该业务毛利率很高，可达 70%左右，但由于受限市场的天花板，2019 年公司开始战略转型，开始向制造业和金融领域深耕。公司参考了其他工业解决方案提供商的定价策略，并结合公司自身的产品交付成本和外采成本，制定了具有竞争力的价格策略以快速扩大客户群。To B的 AI项目需要软硬件一体化解决方案，且结合紧密，纯软件形成不了垂直行业的 AI 落地解决方案，所以公司的毛利率虽然从 2018 年的 60%的水平下降到 30%的水平，但属于正常情况，从云从和旷视现在的毛利率水平可以验证这一点。

我们对公司未来 4 年的毛利率进行了测算，随着市场销售的规模效应，降本增效的管理水平以及供应链管理的不断优化（随着业务增长将增强对供应商的议价能力），公司的毛利率会逐年提升，每年可提升 1 到 1.5 个百分点，到 2025 年可提升到 36%左右的水平。

3.3. 运营成本（OPEX）

2018年到2021年，公司销售费用占收入的比例分别为55.6%，33.2%，13.1% 和 13.5%；管理费用占比为 133.6%，55.4%，42.2%和 52.2%；研发费用占比为 77.1%，49.4%，39.3%和 38.1%。目前，公司的销售主要借助合资公司和优质集成商渠道，并聚焦在高端客户，未产生大量销售和营销成本，费用比率处于下降趋势，随着经营效率的持续改善和业务规模的扩大，我们认为，公司销售费用的比例将会继续下降。管理费用占比目前较高，主要原因为公司股份激励政策的集中支付，2018 年到 2021 年，属于管理费用的股份支付费用分别为 1620 万，3132 万， 1.01 亿和 2.9 亿，另外，上市费用为 5150 万。研发方面，公司在 2021 年继续优化调整各专业工程师的团队架构，并减少了自然语言处理的研发人员数量，以专注于计算机视觉和机器学习的研发投入，并将若干技术服务外包给第三方服务供应商来提高成本效益和交付效率，公司研发费用占比呈小幅下降趋势。随着股份激励集中支付的逐渐减少和销售规模的快速扩张，我们预计公司的研发费用比率将会继续呈较快下降趋势。

公司研发费用比率与同行业竞争对手相比偏低，主要与公司的发展路径相关。如前述所说，公司在向上探索，深耕各行业应用场景落地，而避免基础层和平台层的大规模投资，相应的在人力资源方面，公司更加注重 AI 工程化人才的培养，懂行业知识，并与少样本 AI 算法相结合，落脚点在工程实践的顺利完成。

3.4. 净利润

2018 到 2021 年，年内亏损分别为：7117 万，2.48 亿，3.60 亿和 6.35 亿元人民币。经调整后的净亏损额为：4538 万，1.60 亿，1.44 亿和 1.42 亿元人民币。调整项包括股份支付费用和可赎回股份的金融负债成本。2018 到 2021 年，公司股份支付费用总额分别为 2334 万，5323 万，1.34 亿和 4.07 亿。

我们对公司进行了 10年的盈亏平衡点测算，随着收入规模的高速增长以及三项费用占比的持续下降，预计公司在 2024-2025 年期间或可实现盈亏平衡。

3.5. 经营性现金流

2018 至 2021 年，公司经营性现金流净流出分别为 290 万，1.89 亿，1.74 亿和 2.37 亿元人民币。公司将持续通过扩大销售规模，提高经营效率来改善经营性现金流状况，公司预计未来两年仍将有较大经营性现金流流出，主要原因为业务增长导致的贸易应收款和存货的增加所致。

3.6. 客户情况

2021 年，公司的总客户数为 159 个，较前两年增速放缓，但优质客户继续保持快速增长，同时，收入的大幅增加也说明公司大客户或者优质客户的复购能力表现良好。公司目前主要通过各行业的优质系统集成商参与投标程序，并与相关系统集成商签订销售合同，提供 AI 产品及解决方案，属于总包商的分包商。目前通过系统集成商获得的收入占总收入的比例在 75%左右，截止 2021 年前 9 个月，公司有 46 家系统集成商合作伙伴。

公司采取系统集成商的销售模式主要有以下三个原因：（1）相对于 AI 四小龙，创新奇智的成立时间较短，刚满三年，前两年未上市，在很多项目中，由于投标条件不满足，无法进入大型企业的供应商名录，需要通过属于企业白名单的优质系统集成商来完成销售拓展。（2）弗若斯特沙利文认为，国内很多大型企业更倾向于选择一家系统集成商作为总包商来实施大型项目，属于行业特征。比如某保险公司，与某家总包商已合作十几年，存在深厚的合作基础，大型项目都走总包商模式，AI 的部分分包给创新奇智；又或者某金融客户与某云计算厂商合作大型云计算项目，云提供商作为总承包商签署合同，再分包给公司执行金融 AI 的部分，创新奇智不做云计算项目，所以这种模式将会长期存在。（3）公司有两家合资公司，赛迪奇智和中铁奇智，根据弗若斯特沙利文的报告，中冶赛迪在中国能源冶金领域具有领导地位，与全球前 50 家钢铁厂中的 40 家有业务往来，公司借助中冶赛迪合资公司的资源优势开拓冶金行业市场，比如铁水智能化运输系统标杆项目，而中铁奇智亦然。短期内，公司以市场扩张为导向，成长性和规模是公司关注的焦点，并不会刻意回避通过集成商来拓展市场，但公司的总体战略是根据市场条件积极开拓直销客户，但兼顾集成商模式。

目前，公司以分包方式进入市场，但随公司成立年限变长、上市品牌度提升、合作期持续后，我们预计，在 2-3 年内公司会逐渐切入到部分大客户的供应商名录中，公司集成商收入占比会呈下降趋势，与直销模式相结合，形成更加合理的分布结构。总体来看，公司的商业模式为直销+集成商+复购+新增，根据公司披露的复购率数据和优质客户收入，2021 年，优质客户复购收入占 45%的收入贡献。

4. 创新奇智的中长期收入规模分析

根据我们的测算，借用第 1.3节 IDC市场规模数据，公司的市占率达到 4%时，收入规模可以达到 40 亿，长期来看可以达到 100 亿的销售规模。

5. 创新奇智的成长驱动力

（1）公司采用 1+N 和 1*N 解决方案复制的市场扩张策略，通过灯塔和枢纽客户以点带面向行业内其他客户或跨行业客户持续扩张。比如公司的 AI 解决方案从 2018 年的汽车装备和 3C 高科技扩展至 2019 年的工程、建筑及钢铁冶金，2020 年进一步扩展到 OLED 面板半导体和能源电力，并将继续向更多垂直领域延伸，如化学材料、食品加工等等。随着行业 know-how 的不断深入，公司 ABS 和 RDP 解决方案的快速可复制性在不断提升。

（2）公司优质客户的复购率处于高水平。

（3）行业规模潜力庞大。公司目前是中国最大的“AI+制造业”独立第三方人工智能解决方案提供商，但市占率也只有 1.6%。另外，中国数字智能化从政策推动到产业技术改造发展有个显著特点，即自动化，数字化和智能化三期叠加发展，各类产线正在跳跃式发展，一步到位。AI 厂商绑定传统自动化/数字化集成商直接为最终客户提供智能化改造，为公司的成长性奠定了市场基础。

6. 创新奇智的核心竞争力

AI 算法+行业 know how。只有对行业深度了解，才能进行数据集生成、数据标注和模型算法设计，这是公司的技术路线护城河。

市场先发优势。公司积极培育灯塔客户和枢纽客户，进而在行业内和其他行业快速复制和扩张。比如冶金行业，公司选择与中冶赛迪合作，拓展中国钢铁冶金行业。据我们了解，一个钢铁智慧铁水项目一般交付周期 7 到 9 个月，前 4 个月完成算法、模型训练（包括根据客户数据的预训练和交付过程中根据客户环境的实际情况调整参数进行的重复/精确训练）、调度中心的中控系统建设和客户化开发，同时进行罐车预装工作，包括雷达、摄像头等相关配套设备的调试，3 个月的测试、安装、工程实施，最后两个月上线试运营。从前期讨论方案到最终交付上线试运行，需要 AI 工程师与行业专家密切配合，精通行业知识，收集数据集，掌握行业 know how，形成公司的行业解决方案。总体来说，AI 工程化实践非常耗时，且前期需要掌握大量行业知识，具有市场先发优势的公司将在往后的市场竞争中处于非常有利的位置。

ToG 与 to B 的应用场景完全不同，场景的不同导致技术路线的不同，进而形成赛道的不同。以商汤为代表的计算机视觉目前主要以人脸识别技术为主线，而创新奇智所在赛道则是以物体识别为主线。人脸相对来说属于标品，难点在于抗干扰和降噪，即人脸的背景比较复杂，在一个非常复杂的现场环境下，迅速抓取目标人脸的特征点位并精准识别。上层是神经网络，底层是大量的样本学习，通过百万级的海量样本，生产出高精度算法模型，并不断提高准确率。大样本大模型计算需要算力的支撑，需要 AI 基础设施的建设，比如商汤推出“大装置”和 AI 超算中心。对比来说，创新奇智走的是完全不同的发展路线，工业物体识别一般不需要对背景进行降噪处理，背景相对简单且光源稳定，难点在于物体不是标品，金属表面，玻璃表面，螺丝、面板、元器件的固体表面等等，各种 SKU 品类都不一样。另外，样本数也较少，公司的算法、论文和专利几乎全部基于小样本学习、迁移学习（通过 A 样本学习，推理出 B 样本的学习）和物理缺陷模拟技术（根据少样本学习自主生成一些缺陷样本，与真实的少样本相结合进行深度模型学习），比如：点位瑕疵、挡圈划痕等等，这类缺陷检查较难有数据层面的积累，以前靠人工检测，经验判断。另外，在新能源、芯片等高科技领域，良品率很高，即正样本多，负样本数（瑕疵样本）较少，属于工业领域常见的现象，公司的样本数级别在几百到几千个，远远低于人脸识别的样本数（几十万到上百万或更多）。所以，从严格意义上来说，目前创新奇智与其他传统 AI人脸识别厂商并不在一个赛道（金融类数据决策除外），具备差异化核心竞争力。