海天瑞声机构调研纪要

调研日期: 2026-06-07 北京海天瑞声科技股份有限公司成立于2005年,是我国最早从事AI训练数据解决方案提供商之一。海天瑞声作为AI数据行业首家主板上市公司,致力于为AI企业、研发机构提供AI数据集及服务。公司覆盖多语言、跨领域、跨模态的人工智能数据,包括智能语音、计算机视觉、自然语言等多个核心领域,覆盖全球近200个主要语种及方言。海天瑞声与全球810家科技互联网、社交、IoT、智能驾驶等领域的主流企业,以及教育科研机构等建立了深度合作关系,成功交付数千个定制项目,深得客户信赖。 投资者关系活动主要内容介绍, 1、一季度公司毛利率提升的原因是什么? 2026 年第一季度公司毛利率同比提升,主要得益于业务结构的积极变化,具体来说:高毛利的政府平台类业务在本季度显著起量。政府(G端)客户的可信数据空间建设,核心是提供标准化程度较高的数据处理平台及方案,相比传统定制化的数据采集与标注业务,其人力密集程度更低、交付周期更短、边际成本递减效应更明显,因此毛利率水平更高。 2026 年第一季度,随着公司前期在 G 端市场的全面布局进入收获期,这部分高毛利业务在收入结构中的占比明显提升,从而带动了整体毛利率的增长。 2、后训练和强化学习阶段,对数据标注需求有哪些变化? 在后训练和强化学习(RLHF/GRPO)阶段,模型的目标从"预训练期学会语言统计规律"转向"对齐人类偏好",这对标注数据的需求产生了 深刻变化。 (1)从"量"到"质"与"复杂度"的转变 后训练阶段不再需要海量的原始文本,转而需要高质量、细粒度、领域专家级的标注数据。例如,SFT(监督微调)依赖精确的"标准答案",而 RL 训练则需要能区分"好/较好/差"的偏好排序数据。 (2)聚焦"难例"与"长尾"场景 在 RL 阶段,"难例"(模型初始成功率低的数据)的价值远超易例,且能极大增强模型的泛化能力。标注重点从普遍规律转向稀缺、复杂的边界案例。 3、公司在具身数据领域的核心竞争优势是什么? (1)硬件理解+驾驭壁垒:通过头部主流本体厂商合作经验,深度理解本体硬件性能特性、负载逻辑与异构适配要点,可快速解决硬件高故 障率与稳定性问题;已在北京运营首个具身智能数据训练场,依托 100+台机器人实现高效数据产出。 (2)模型理解与落地壁垒:核心团队拥有大模型开发等资深背景,懂模型更懂数据;数据体系精准对齐机器人大脑训练范式,提供具备高泛化能力的数据解决方案,支撑具身大脑模型训练。 (3)综合数据工程化壁垒:不仅具备全球化数据采集与低成本交付资源;同时,自研的 AI 自动化标注平台与 7×24 小时算法质检,兼顾低成本与专家级质量。 4、不同机器人公司之间,是否存在可以共用的数据? 不同机器人公司之间确实存在可以共用的数据,但需要区分数据类型来看。 目前数据主要分为三类:真机数据、UMI 数据、第一人称视角数据。 从共用难度来看,真机数据很难直接共用,而 UMI 和第一人称视角数据相对更容易跨本体迁移。UMI 数据和第一人称视角数据不绑定具 体机器人的关节参数和运动学模型,采集的是"操作过程"本身,理论上可以被不同机器人学习和泛化。 为什么真机数据很难共用?主要有 2 个原因: 一是硬件本体不统一。不同厂家机器人关节数量、自由度、末端执行器各不相同,A 公司的"抓取"数据没法直接拿去训练 B 公司的机械臂。 二是数据格式各自为政,行业缺乏统一的标准和"通用语言"。 所以行业正在推动的是:让 UMI 和第一人称这类"本体无关"的数据更多流通共用,同时通过技术对齐和标准统一,逐步解决真机数据的跨本体迁移问题。 5、具身智能数据服务的需求逻辑? 答:具身智能的核心在于赋予机器人具备理解与泛化能力的"大脑"。这不仅是代码的堆砌,而是类似大模型"涌现"的范式变革。由于 当前仿真环境无法完美模拟物理接触与长尾场景,海量、高泛化度的真实物理交互数据成为训练具身大脑的唯一"燃料",这是具身智能区别于传统自动化的根本逻辑。 6、具身客户为何不自己做数据,而选择外部采购? 答:数据工程是一项重人力、重流程、重管理的"苦活累活",并非算法厂商的核心基因。自建数据团队不仅边际成本高,且难以应对波峰波谷的弹性需求。我们定位为"具身智能行业的数据富士康",通过规模化、标准化、可伴随客户迭代而同步迭代的整体数据供应链能力,帮助客户剥离非核心业务,使其聚焦于算法与本体研发,实现产业分工的最优解。 7、具身智能数据赛道能做多久,是否像智驾一样只有短期机会? 答:这是一个比自动驾驶更长、更宽的赛道。正如李飞飞教授所言,自动驾驶主要解决避障与导航,而具身智能需要解决非结构化环境下的 复杂物理交互。当前我们甚至还未穷尽场景的定义,数据需求将伴随机器人进家庭、进工厂的全过程。我们定位为全行业的数据基础设施,旨在伴随行业全生命周期成长,而非短期套利。