在一套交通安检系统里，摄像头拍下画面之后，下一步应该由谁来判断？一种办法，是把图像尽可能完整地传到远端算力中心，交给能力更强的大模型处理。另一种办法，是让现场设备先完成初步识别，只把复杂、存疑的结果送到中心复核。前者容易理解：集中建设，统一调用。后者看起来多了一道工序，却可能更适合网络条件复杂、实时性要求较高的业务现场。这不是一个假设中的技术选择。2025年12月，由中交信通网络科技、中科海微与品高股份联合申报的“面向智慧交通场景的视频与图像智能识别系统”获得首届综合交通运输大模型智能体创新应用大赛一等奖。中国交通通信信息中心对项目的介绍，恰恰提到“前端小模型识别、远端大模型复核”的协作方式。一边是不断扩张的集中式算力，一边是逐渐深入业务现场的小型智能设备。两种路径并不矛盾，却提醒人们：人工智能真正进入产业，未必只是把模型做得更大、把芯片堆得更多。更难的问题是，如何让算力在合适的地方运行，并长期保持可用。这也为理解品高股份提供了一个不同于“AI概念股”的视角。01算力很热，现场却有另一套规则机房里的计算机，最重要的工作之一是快速处理任务。但到了列车、工厂或安检通道，评价标准会发生变化。先说网络。假设一个车站的多路视频都要实时传回中心，网络负担便会随设备数量增加。碰上网络抖动、链路拥堵，中心模型再强，也无法完全消除传输带来的延迟。在这种场景里，现场先处理一部分数据，往往比“全部上传再判断”更现实。再说数据。政务、工业与特种行业的一部分信息有明确的访问和传输边界。用户不是不需要人工智能，而是不愿意为了使用模型，把所有敏感信息送到外部系统。私有化部署和本地推理因此有了商业理由。还有一个经常被忽略的条件：运维。数据中心有专职团队，边缘设备却可能分散在不同车站、列车或无人值守的场所。设备要能承受现场环境，能在连接中断时维持必要功能，还要能够远程更新、故障定位和恢复。部署一个样机不难，把一批设备稳定运行多年才难。但把AI放到边缘，也不是简单地缩小一台服务器。现场设备受到散热、功耗、空间与成本限制，无法照搬中心机房的配置。小模型推理适合就近响应，大模型则更适合处理复杂判断；两边需要协作，才能兼顾速度、效果与使用成本。“边缘AI”的价值就在这里。它不是要取代云，而是要重新分配云与现场设备的工作。这种变化也体现在政策方向上。工业和信息化部2025年发布《算力互联互通行动计划》，重点讨论的已不只是算力设施建设，还包括不同架构、不同主体资源的统一标识、互联与跨域调度。按照计划，到2026年，要建立较为完备的算力互联互通标准、标识和规则体系。这并不意味着所有企业马上都能实现跨平台调用，却说明行业正在把“如何管理已有算力”提升为一道重要问题。02云计算的下一站，不只在机房对于一家从云计算起家的企业，边缘AI可能是一次技术延伸，也可能是一次商业模式的重新组织。品高股份原本长期服务政务、公安、轨道交通、金融等行业客户。它熟悉的工作不是制造芯片，而是通过云操作系统管理服务器、网络、存储和业务软件，让不同设备在同一个系统下运行。这段经历为什么与边缘AI有关？可以把传统云平台想象成大型建筑的总控室：服务器是不同房间，业务程序是房间里的设备，而云平台负责分配空间、电力和访问权限。当计算节点从机房搬到车厢、站点和工厂，管理对象变得更分散、更难接触，总控室反而更加重要。品高股份披露的BingoEdge边缘云平台，主要面向资源受限、网络不稳定和无人值守环境，强调轻量化部署、异构适配以及集中运维。公司与苏州华启智能在车载边缘云方面开展合作，尝试用一套可管理的计算底座，承载车载业务，而不是让每套应用都依赖独立设备。华启智能官网也展示了面向列车的边缘云主机与一体化承载方案。这还只是从“云”走向“边”的第一步。大模型真正要在现场工作，仍然需要推理芯片、软件适配和模型管理工具。于是，品高将产品链条向上下两端延伸：上游，与江原科技合作推出搭载国产AI加速芯片的品原AI一体机；中间，通过BingoAIInfra平台进行异构算力接入与调度；上层，再以BingoAIStack支持模型选择、部署、知识库和推理服务。这些产品名字看起来复杂，放在一个企业的实际采购流程里就比较清楚了：一体机解决“设备从哪里来”，调度平台解决“多台设备如何一起用”，模型平台解决“拿这些算力完成什么工作”。其中所谓GPU资源切割，也不必理解为把芯片物理切开，而是让符合条件的算力资源根据任务需要被划分、分配和管理。它的意义不在于让每块芯片的峰值性能神奇提高，而在于减少资源闲置和重复采购的可能性。实际收益仍取决于具体芯片、工作负载和调度方式。2026年上半年，品高披露完成对江原科技的增资及股权受让，合计投资4亿元，持股比例增至14.53%。这让芯片适配与产品协同有了更紧密的合作关系。但必须区分：参股一家芯片企业，不等于品高自己掌握该企业全部技术或产能；下一代产品能否顺利量产，仍要接受供应链和客户验证。品高这条路径的看点，不是突然变成一家芯片公司，而是尝试将既有云平台、行业客户与新的算力硬件放进同一套交付体系。03财报开始出现转身的痕迹判断一场转型，不能只看产品目录。财务报表是另一张更难修饰的答卷。根据2025年年报，品高股份全年实现营业收入约4.75亿元，同比下降8.75%；归母净利润亏损约5252万元，比上年亏损有所收窄。与此同时，经营活动现金流量净额由2024年的约负1.13亿元转为2025年的正2356万元。这组数字说明两件事：传统业务仍面临增长压力，但公司在回款与经营资金周转上出现改善。AI业务能否成为新的增长来源，需要看之后的实际收入，而不是只看技术储备。2026年半年报给出了更具体的线索。上半年，公司营业收入约1.82亿元，同比增长10.04%；归母净利润约442万元，而上年同期亏损约1581万元；扣非归母净利润约211万元，也从上年同期的亏损转为盈利。这意味着公司不只是账面上增加了某些非经常性收益，扣除非经常性损益后的盈利也出现积极变化。但盈利规模仍然较小，半年报又未经审计，不适合简单推演全年。一个更直接的数字来自产品销售。公司披露，2026年上半年品原AI一体机系列实现收入约4500万元，相当于同期总营收约四分之一的量级。这个比例值得注意。它至少说明，软硬一体的AI产品不再只是展会上的样机或战略规划，已经进入可量化的收入构成。不过，4500万元并不等于4500万元新增收入，也不等于这些产品带来了同等规模的利润。另外一组数据有助于理解盈利改善的来源。2026年上半年，公司综合毛利率约35.15%，高于上年同期约28.90%；同期销售费用下降23.88%，管理费用下降18.29%。产品结构调整与费用控制共同发挥了作用。因此，把利润转正全部归因于AI一体机，同样不够准确。转型还有未完成的一面：2026年上半年经营现金流量净额约为负2550万元，上年同期约为负1713万元。公司解释，供应商货款支付增加抵消了回款改善的部分效果。由于其客户以政企和大型机构为主，项目交付、验收与支付节奏，本来就是影响财务表现的重要变量。从结果看，品高已经有了收入增长、产品销售和利润改善的初步证据；从质量看，这些改善还需要在现金回收和后续订单里得到进一步确认。04比卖出一台设备更重要的事算力设备卖出去，是一笔收入的开始，却不一定是长期商业关系的开始。在交通领域，前述获奖项目提供了一个观察样本。中国交通通信信息中心披露，该项目由多家单位联合完成，采用前端小模型实时识别、远端大模型复核的方式，并依托专网满足数据传输要求。品高作为合作方之一，其价值需要放进整个系统里理解：硬件、调度与行业应用之间，哪一部分不可或缺，哪一部分可以复制到其他项目？奖项能够证明方案获得专业认可，但无法单独证明已经大规模采购，更不能直接折算成订单金额。真正重要的，是这种架构能否在其他安检、工业检测或园区管理场景里重复使用，减少每次从头开发的工作量。轨道交通也有类似逻辑。车载边缘云不是为了让每列车都变成小型数据中心，而是让原先分散的乘客信息、视频分析和设备管理系统共享可控的计算平台。如果平台能够适配不同车型与不同线路，后续扩容、升级、维护就可能形成持续服务需求。品高的另一个值得关注的方向，是从交付算力设备走向交付算力服务。2026年7月，公司披露中标泉州移动2026年至2028年AI模型能力智能调度服务采购项目，服务内容涉及模型调用、调度和运营支撑。相比一次性购买服务器，模型调用和算力调度更接近持续运营：客户关心的是服务能否稳定响应、按需分配、统计使用量，并控制总体成本。对于品高这类拥有云平台经验的企业，运营能力可能比单次硬件销售更能形成长期联系。当然，中标并不意味着合同收入已经全部实现，后续仍取决于项目履约、计费规则和客户实际需求。在边缘AI市场，真正的竞争可能由此变得具体：谁能更快部署，谁能适配更多硬件，谁能让故障设备及时恢复，谁能把一套方案复制到不同客户，谁又能把交付收入转化为持续运维收入。这些指标没有芯片峰值算力那么醒目，却更接近企业采购时的真实算盘。回头看那个安检通道，真正改变工作流程的，不是把大模型安放在某个更远的机房，也不只是给现场添一块芯片，而是让现场识别、中心复核、人工判断形成可靠的分工。品高股份正在尝试把多年积累的云计算能力用于这样的分工。2026年上半年的产品收入与盈利变化，表明这一尝试已有可观察的进展；现金流、业务复制与持续收入，则是接下来更值得跟踪的部分。当人工智能逐渐从演示走向运营，算力产业需要回答的问题也会改变：除了能算得多快，还要回答它能否在真实世界里，稳定地工作下去。
