关于经营业绩与业务结构 - 2025年前三季度公司实现营业收入1.93亿元，同比增长0.03%，其中第三季度收入1.27亿元，同比增长88.22%，主要系硬件定制业务突破所致[1] - 2025年前三季度公司归母净利润为-1.37亿元，第三季度为-0.42亿元，均同比由盈转亏[1] - 第三季度收入增长但净利润亏损的原因包括：新硬件定制业务毛利率仅1.56%，对利润贡献有限[3]；传统技术开发/服务业务受运营商“降本增效”影响，第三季度收入2568.47万元，同比减少3750.65万元，毛利率20.28%，同比减少35.75个百分点[3]；销售、管理费用合计增加，进一步侵蚀利润[4][5] - 公司技术开发/服务业务毛利率下滑趋势与同行业可比公司大体一致[5] - 公司信息系统集成业务第三季度毛利率为65.74%，2025年前三季度平均毛利率为43.75%，第三季度较高源于个别高毛利率自有软件集成合同[6] - 硬件定制业务因属细分领域，暂无可比公司数据[6] 关于硬件定制业务 - 硬件定制业务是公司战略转型方向，2025年前三季度实现销售收入9969.90万元，其中算力卡定制业务收入9950.88万元[9] - 算力卡定制业务模式：公司采购芯片等主要部件，自主设计PCB板、散热方案等，委托加工厂生产，经公司测试后交付用户，并提供售后服务[9] - 除算力卡外，公司尚有PCIE Switch扩展卡、工业边缘计算网关等硬件定制业务，目前处于市场拓展阶段，前三季度尚未形成收入[9] - 公司硬件定制业务按总额法确认收入，在交付产品、控制权转移并取得客户验收单时确认，符合企业会计准则[10][11][12][13] - 新增硬件定制业务的获客方式系在公司原有资源基础上引入新团队，拓展新客户，客户需求集中在推理算力卡、PCIe Switch板卡等核心硬件上[7] 关于客户、供应商与订单可持续性 - 2024年系统集成业务增幅较大，获客方式主要为三大运营商DICT业务公开招募及其他客户公开招投标，多为单一项目[8] - 预计2025年系统集成业务规模较2024年有所收缩，因项目需求依赖下游行业数字化投入预算且市场竞争激烈[8] 关于货币资金与利息收入 - 2025年三季报显示，公司货币资金期末余额11.07亿元，同比增长25.53%[13] - 2025年前三季度确认利息收入190.42万元，同比减少64.07%[13] - 利息收入与货币资金规模变动趋势相反的原因：交通银行某支行账户以往年度冻结未计息，去年同期收到该账户存款利息241.62万元，致去年同期利息收入较高[14]；2025年银行活期存款平均利率较2024年同期下降[14] - 2025年前三季度公司货币资金平均利率为0.18%，与市场利率变动趋势一致[14] - 截至2025年第三季度末，公司受限货币资金为3.17亿元，主要为司法冻结资金[13][15] - 除已披露的受限情形外，公司货币资金不存在潜在限制性用途或被其他方实际使用的情况[15] 关于关联交易与风险化解 - 公司控股股东亿阳集团以南京兰埔成新材料有限公司24.9980%股权作价1.6亿元，用于解决公司为其违规担保可能产生的部分赔偿责任[16] - 截至2025年12月22日，上述股权已完成工商登记变更至公司全资子公司名下[18] - 截至公告日，公司因违规担保合计被执行资产1.433亿元，已包含在上述1.6亿元股权价值范围内，由控股股东以相应股权直接抵扣[18] - 抵扣后尚余股权折扣价值1670万元，可用于后续可能发生的司法划扣等情形[18] - 对于违规担保赔偿金额超出1.6亿元股权价值的部分，公司间接控股股东承诺在事项发生之日起90日内以现金全额清偿[18]

边缘AI计算产品发展现状 - 多家厂商在第25届中国国际工业博览会上展示工业边缘AI计算产品 包括曙光网络的新一代国产工业边缘AI计算平台和研华科技基于X86/ARM架构、算力覆盖6Tops-2000Tops的产品[1] - 边缘AI计算产品集成人工智能算法 可实现靠近数据源的实时数据处理与分析 区别于传统边缘计算设备[1] 边缘计算技术演进路径 - 工业数据处理正经历从云计算向边缘计算 再向边缘AI计算的演进过程[1] - 边缘计算将数据处理从集中式云中心迁移至数据源头附近 解决设备联网后的数据存储、显示和处理需求[2] - 分布式架构解决云计算三大痛点：降低传输延迟至毫秒级响应 减少云端依赖和回传成本 降低隐私风险[2] 边缘计算能效优势 - 边缘计算设备体积小集成度高 可嵌入工业设备 节约空间[3] - 通过减少数据传输距离和频率降低能耗 例如一台书本大小的边缘网关即可覆盖整个充电场站的传感器采集和图像识别需求[3] 工业大模型应用趋势 - AI模型在工业领域推动推理需求增长 形成"云边端协同"模式：终端获取数据、边缘实时推理、云上模型训练迭代[4] - 大模型虽推理算力需求高 但凭借预训练知识仅需少量样本即可实现高效训练 开发成本低于小模型[4][5] - 业内采用GPU/ASIC/NPU/FPGA等AI芯片实现边缘部署 例如曙光平台搭载国产GPU加速卡可运行十亿至百亿参数模型 研华产品搭载昇腾Atlas 200I A2加速模块[5] 边缘AI芯片技术挑战 - 低延迟高能效定制芯片需求激增 例如意法半导体STM32N6系列集成NPU 易灵思FPGA支持轻量化AI部署[6] - 边缘设备平均功耗仅5W 难以支撑7nm以下先进制程芯片散热 需探索RISC-V架构与光电芯片融合方案[6] 行业数据预测 - 预计超过75%的数据将在边缘侧产生和处理 受海量终端连接和场景化应用推动[1]