AI+的故事好不好讲，看看诺比侃的招股书就知道了

锦缎 · 公众号 · 知识产权 · 2024-11-29 08:04

正文

本文系基于公开资料撰写，仅作为信息交流之用，不构成任何投资建议

互联网与传统产业的结合，催生了“互联网+”和“移动互联网+”；而进入大数据时代，基础设施等硬件端持续的完善和迭代与算法技术的进步，让人工智能得到前所未有的发展，各行业也在加快探索AI与传统产业相结合的商业进程。

诺比侃，于2024年11月12日向港交所递表申请IPO；这家将人工智能技术应用到交通、城市治理及能源行业的公司，在业绩持续增长的同时，也在持续“失血”……

在职创业，拉上前同事

人工智能，简单的说，是让机器做出无限接近人类智力的分析、决策。

发展至今，AI的底层是通过机器学习、深度学习等算法技术，从海量“标准化”的数据中寻找规律，在高概率的统计支持下形成模型，进而高效地辅助甚至替代人类的（部分）生产及工作。

诺比侃，主要提供基于AI行业模型的软硬一体化解决方案，其业务包括NBK-INTARI平台、AI行业模型和AI解决方案三层。

理解起来并不复杂，就是通过“深度学习平台”和“大数据平台”融合生成其算法库（NBK），进而将其训练为行业模型并落地产业化。

目前，公司通过人工智能和数字孪生等技术在AI+交通、AI+能源及AI+城市治理等领域，为客户实现智能化监测、检测和运维等深度赋能。

诺比侃成立于2015年3月，创始人为廖峪。

从履历上看，2009年2月至2016年8月期间，廖先生任职于成都锐之狮科技有限公司（一家软件开发企业），属于在职创业。

在实际离职后，同在成都锐之狮的同事林仁辉和唐泰可也在2016年相继离开而加入诺比侃。目前，林仁辉为公司监事会主席兼研发总监、唐泰可则担任董事兼首席技术官。

说起来，廖峪和唐泰可从2007年至今一直为同事：2006年底，锐之狮成立，两人先后加入该公司；2008年3月至2009年2月，两人一起“跳槽”到成都布露视迅科技有限公司；随后双双回到锐之狮，渊源不浅。

不见钱的“茅”利率

一款软件一旦开发完成，在近乎边际成本为0的复用模式下，向来呈现暴利。

诺比侃成立后，于2018年将AI平台应用于轨道交通，迄今已向国内超80%的铁路局（包括超60%的供电分段）提供“接触网悬挂状态缺陷识别解决方案”；自2019年落地后，累计铁路应用里程约37万公里，检测超20万个缺陷。

由于AI模型在近似场景中具有泛化性，诺比侃在2021年和2022年将AI技术应用至城市治理和能源行业，进一步丰富公司的收入来源。

技术能力的泛化，为诺比侃带来显著的业绩增长：

2021年至2024年上半年，诺比侃营业收入分别为1.01亿元、2.53亿元、3.64亿元和1.86亿元；且在底层技术复用下，毛利率整体呈现上升趋势，自2021年的54.46%持续提升至2023年的57.97%。

将近60%的整体毛利率还只是诺比侃在新业务“拖累”下的表现；公司核心的、最早介入且已成熟的业务毛利率堪比茅台，2021年至2024年上半年，“AI+交通”的毛利率维持在90%左右。

遗憾的是，诺比侃业务如此高的毛利率却未能及时“兑现”，反而成为业务扩张的重担。

招股书中显示，2021年至2024年上半年，诺比侃的应收账款分别为0.89亿元、1.76亿元、3.03亿元和4.41亿元，前三年分别占当年营业收入比重为88.12%、69.56%和83.24%。

换个角度看就是2021年至2024年上半年的收入中将近一半未收回。

这就导致诺比侃赚的利润暂时仅为“纸面富贵”：

2021年至2024年上半年，公司净利润为0.26亿元、0.63亿元、0.89亿元和0.51亿元，但是同期经营净流入为-0.14亿元、-0.81亿元、-1亿元和-0.4亿元；

这种“垫钱做生意”的模式让其账面剩下不足0.7亿元的现金可支配，资金极为吃紧。

导致“见不到钱”的一个主要因素，是诺比侃的业务高度依赖大客户，并且终端客户基本为政企单位：

2021年至2024年上半年，来自前五大客户的收入占总营收分别为85.7%、61.1%、85.9%和91.5%；尤其是2024年上半年，收入中61%来自单一的大客户。

这种弱势，是因为同类型业务参与者众多，行业极其分散：

例如，在“AI + 供电系统检测监测解决方案”领域，诺比侃在行业中排名第二，市场份额为6.9%，但是TOP1也只有11%，行业前五占约22%；而提升到“AI + 轨道交通”中，公司在行业中排名第七，市场占有率仅有1.3%，行业前十位参与者占约20%而已。

视觉垂类，长期任重道远

招股书中，诺比侃的业务描述充满着“AI+”，细分业务诸如“AI+交通”、“AI+能源”以及“AI+城市治理”的叫法让人看起来很是高大上。

但是，从其底层技术来看，主要是基于视觉的AI模型用来检测和预警的。

例如AI +交通中对接触网悬挂状态缺陷识别解决方案，实现的方式就是用摄像头拍摄、实录电网状态，然后通过模型分析是否出现问题，的确在相当程度上提高了效率。

这种模型起到预警分析更多是依靠孪生数据，因为长尾事件的案例极少（比如铁路螺丝松动），需要通过模拟事件来投喂算法以达到统计意义；这在AI运用上只能算是低阶产品，其延展性也相对局限：

（1）AI+交通方面，公司在试运行AI+城市交通和AI+机场，前者旨在促进城市交通的日常管理，后者则是通过基于机器视觉的智能泊机产品（协助飞机在近距离泊机位时准确入位）；

（2）AI+能源方面，公司进军AI+化工，目前在为一家大型石化企业的炼化变电站开发智能机器人巡检系统；

（3）AI+城市治理方面，公司在积极开拓应用场景，涵盖园区管理、智慧校园管理、应急管理及社区管理等；

看起来应用范围很广，但是对诺比侃来说任重道远，因为模型要应用到更加动态（不确定性事件更多）的环境中就需要持续强化，而AI模型的迭代就需要大量的数据投喂；

对于没有大量基建（例如治安监控等）支撑的诺比侃而言需要向外采购数据，这也是其近两年研发开支（“数据相关服务费”）大幅增加的原因；

待到模型训练出来之后扩张业务顺利的话，反过来还是要大量的营运资金兜底；更重要的是，随着模型迭代，未来对算力和数据样本的需求将呈指数级增长，费用可就惊人了。(作者：Adam，来源：IPO金榜，锦缎旗下IPO及财报智库）

转载开白 | 商务合作 | 内容交流
请添加微信：jinduan008
添加微信请备注姓名公司与来意

推荐阅读