Data for AI正依托AI再训练需求，打造为经常性业务。AI用途企业许可是当前增长引擎，下半年业绩取决于在手订单的执行。

摘要

上半年累计营业收入同比基本持平。AI用途企业许可带动许可型收入增长。但上年同期有北美新增数据建设项目，基数较高，项目型收入同比下降，调整后EBITDA亏损扩大。管理层强调，AI模型再训练需要重复使用历史数据。因此，公司计划将Data for AI发展为经常性许可业务，而非一次性销售。经营活动现金流及自由现金流转正，全年指引维持不变。3D数据的落地应用同步推进：公司入选国土交通省3个物流自动化项目，并新获1个港口项目。

重点项目（业绩要点与增长举措）

• 管理层战略与市场判断
  • AI训练的产出是权重，但要提升性能必须持续再训练。仅用新数据再训练会引发偏差和遗忘，因此历史训练数据同样不可或缺。
  • 基于这一再训练循环（数据飞轮），公司规划以经常性合同取代一次性数据交付。
  • 公司定位为"让AI理解现实世界的数据与系统提供商"，而非AI开发商。管理层认为，受区域差异及应用场景扩展驱动，即便E2E模型持续演进，数据需求仍将延续。
  • 经营环境较1Q无明显变化。管理层视Physical AI投资增长为利好，但仍关注汽车行业的不确定性。
• 业务进展与驱动因素
  • 许可型收入增长并非依赖单一项目，而是三方面因素共同贡献：现有客户覆盖区域扩大、新行业新客户拓展，以及量产搭载车型增加。
  • 某海外大型半导体厂商在使用北美数据后，追加订购欧洲、韩国及日本数据。各区域道路环境与交通规则的差异，正是数据需求的来源。
  • 经营活动现金流改善主要源于应收账款回收。量产许可扩大带动合同负债增加，亦有贡献。
  • 3D数据许可在房地产开发、基础设施管理领域的应用逐步推开。但管理层坦言，要形成可观的收入贡献，仍需进一步拓展客户与应用场景。
• 核心战略举措与拐点
  • 公司的3DGS将影像与点云、高精度3D地图相结合。其差异化优势在于：可借助生成式AI，在保持几何结构不变的前提下，变换天气、时段及交通参与者。
  • 公司将真实行驶数据与3DGS生成数据分别输入公开E2E模型并对比输出结果，验证维度是模型行为，而非视觉效果。
  • 近期已向某大型科技公司研发部门交付AI-native数据，客户群拓展至Physical AI研究领域。
  • 公司方案新入选国土交通省港口技术开发项目，将搭建港区内车辆与装卸设备的信息共享平台，具体细节待条件成熟后公布。

展望与战略

• 全年指引维持不变：营业收入70亿日元，调整后EBITDA 5,000万日元。上半年实绩加在手订单合计62亿日元，剩余约8亿日元需从13.4亿日元的储备项目中转化（本公司估算）。
• 上半年营业收入的全年计划达成率为35.1%（本公司估算）。管理层解释，客户验收及企业许可收入确认在结构上集中于下半年，上一会计年度仅4Q即确认23亿日元。
• 中长期营业收入增长目标为年均10–30%。部分AI用途企业许可项目毛利率达100%，公司目标是许可型业务整体边际利润率超过80%。
• 3个物流示范项目将作为自有系统开发，而非一次性试点。计划将经验知识标准化，横向推广至仓库、港口、机场及工厂，并以许可形式提供。
• 管理层指出，随着自动驾驶卡车实现量产和商业化，相关企业许可有望转为量产许可。
• M&A方面，公司继续研究测绘企业整合（roll-up）及下游领域收购。集团协同效应正逐步显现，包括无人机测绘带来新订单、外包业务转为内部承接等。

正面因素

• 企业许可客户群已从半导体厂商扩展至自动驾驶系统开发商、自动驾驶卡车开发商及大型科技公司。
• 公司数据经由半导体厂商，以生态系统形式触达下游车企及开发商。管理层计划未来直接向这些数据使用方供货，以降低对特定客户的依赖。
• 量产许可方面，公司数据新获Nissan Elgrand采用，汽车厂商B搭载公司数据的新车型亦已上市销售。
• 公司入选国土交通省三大领域项目：物流设施内转运、出行枢纽及自动物流道路。管理层认为，北美自动驾驶卡车商业化市场的启动早于日本。
• 10月28日，合并子公司披露获得沙特阿拉伯道路数据建设订单（约6.7亿日元）。
• 10月27日，公司宣布正与Toshiba探讨在车路协同出行平台领域开展合作。
• 除雪支援系统与地方政府的签约工作在今冬来临前进展顺利。3Dmapspocket已获Tokyo Tatemono、SYLA及Mitsui Fudosan Residential采用。

风险

• 上半年营业毛利为-4.19亿日元。营业成本增加6.33亿日元，其中折旧增加1.56亿日元。盈利改善有赖于下半年高毛利许可收入的积累。
• 全年指引的达成高度依赖下半年。管理层亦承认，即便是已签订单，也存在因客户开发进度及验收时点变化而推迟的风险。
• 企业许可的客户构成未予披露，外部难以评估主要客户缩减或变更合同可能带来的影响。
• 3DGS仍处于基于公开数据和公开模型的技术验证阶段。管理层表示，不认为其输出与真实行驶数据完全等效。能否在使用客户数据的实际项目中积累有效性案例，是需重点跟踪的事项。
• 净资产由2026年3月末的72.29亿日元降至56.88亿日元。长期借款增至14.24亿日元，并已确保20亿日元的承诺授信额度。
• 外部不确定性仍存，包括地缘政治风险及油价上涨导致汽车行业盈利走弱、中东当地局势，以及熊本地震相关的地图数据重建成本（特别损失3,200万日元）。

业绩亮点

FY3/27上半年，许可型业务增长抵消了项目型业务的下滑，营业收入同比基本持平。调整后EBITDA为-10.63亿日元，同比恶化4.97亿日元。归属于母公司股东的中期净亏损为17.23亿日元，经营活动现金流则转正至3.47亿日元。

分业务板块业绩

*除许可型外，增长率均为本公司估算。营业利润仅按合并口径披露。由于上年同期亦为亏损（-11.42亿日元），未列示增长率。

• 许可型收入占比：52.2%（同比+13.7pt，本公司估算）
• 海外收入占比：86.5%（同比+12.9pt，本公司估算）
• 自由现金流：2,700万日元（同比―）
• 现金及存款：38.13亿日元（较2026年3月末+1.55亿日元）
• 量产车型搭载：累计6家车企/39款车型（同比―）
• AI-native数据累计下载量：超过4,500次（同比―）

问答一览

• Q

  据了解中东地图建设已完成交付，相关收入是否已截至2Q全部确认？如未确认，将于何时确认？

  A

  我们理解该问题指的是近期披露的新高精度3D数据建设项目。该项目整体仍在推进中，尚未完成交付。收入并非在交付时一次性确认，而是按项目进度确认，剩余收入同样将随项目推进陆续确认。

• Q

  许可型收入同比增长35.8%，表现亮眼。增长主要由哪些客户群体或应用场景驱动？

  A

  增长驱动因素之一是以AI用途为核心的汽车领域企业许可增加。首先，我们扩大了对现有客户的区域覆盖。具体而言，在向某海外大型半导体厂商提供北美数据后，该客户又提出欧洲、韩国及日本数据需求，我们获得了追加订单。这一项目证明了公司能够将全球高精度3D数据向同一客户跨多个区域、多种场景部署，并直接转化为收入。其次，客户群也在扩大。除半导体厂商外，我们正越来越多地向自动驾驶系统开发商、自动驾驶卡车企业及大型科技公司提供用于Physical AI训练、评估、验证及仿真的数据，即我们所说的Data for AI。在传统量产车用3D数据之外，向AI用途的拓展推动了企业许可（而非量产许可）的增长。量产许可方面，新车型也在陆续采用，累计搭载已达6家车企、39款车型。本次许可收入增长并非依赖单一项目，而是现有客户区域与场景扩大、新行业新客户拓展以及搭载车型增加共同作用的结果。

• Q

  未来将采取哪些举措进一步扩大许可型收入？

  A

  公司在全球范围内拥有数据资产。我们将充分利用这些资产，一方面扩大对现有客户的供货范围，另一方面向新客户开发和提案新的应用场景，稳步积累许可型收入。

• Q

  经营活动现金流和自由现金流已经转正。请说明主要驱动因素，如应收账款回收、合同负债及资本开支等。

  A

  经营活动现金流改善的主要原因是应收账款回收。此外，随着量产许可扩大，合同负债也有所增加。合同负债是指已根据量产许可合同收取、将在剩余合同期内确认为收入的对价部分。上半年合同负债的增加同样对经营活动现金流改善有所贡献。与此同时，我们持续进行增长投资，包括在第27、28个国家和地区开展数据生成以及M&A。尽管有上述投资，上半年自由现金流（经营活动现金流加投资活动现金流）仍实现转正。

• Q

  请说明今后的资本配置方针。

  A

  我们将持续投资于能够带来未来许可型收入的数据集建设、产品开发及M&A。管理层将在综合评估投资优先级、盈利能力及资本效率的基础上做出资本配置决策。

• Q

  上半年亏损但维持全年指引，意味着下半年需实现大幅的收入和利润。为达成全年目标，预计下半年将确认多少收入？请结合已签订单进展及追加订单假设说明。

  A

  我们基于上半年业绩及当前订单情况维持了全年指引。计划是执行计划于下半年确认收入的已签订单，并争取追加项目。项目型方面，我们正推进中东及新区域的汽车数据建设项目，同时将执行国内政府项目以及今天介绍的3个物流自动化订单，并按进度确认收入。许可型方面，预计收入来自三个方面：一是以AI训练、评估、验证为主的企业许可；二是搭载车型增加带动的量产许可；三是面向基础设施管理及房地产开发的3D数据许可，其中3D数据许可规模较小。从过往会计年度来看，公司项目验收及企业许可收入往往集中在下半年。事实上，上一会计年度4Q确认了23亿日元收入，主要来自企业许可。由于业务结构特点，仅凭上半年业绩无法完整反映全年进度。我们将通过上述收入确认，结合成本管控及集团资源的高效利用，力争实现全年营业收入70亿日元、调整后EBITDA 5,000万日元。根据当前项目进展，我们认为无需修订指引，因此予以维持。

• Q

  关于支撑全年指引的项目，请尽可能按上半年实绩、已签订单及洽谈中储备项目，拆分说明收入构成及确定性。

  A

  业绩说明资料第40页已将全年指引的实现路径拆分为实绩、已签订单及储备项目三个层次。第一层是上半年实绩，即截至2Q已确认的收入。第二层是计划于下半年确认收入的已签订单。与前一个回答部分重叠，项目型方面，我们已获得国内外数据建设项目及物流自动化项目订单，即将进入执行阶段。许可型方面，量产许可已签约；部分以AI为主的企业许可也已签约但尚未交付，我们正推进执行以实现收入确认。第三层是洽谈中的储备项目，即与客户沟通已取得进展、预计具有一定确定性的项目，我们正努力推动签约及收入确认。全年指引将通过在上半年实绩基础上叠加已签订单、并将储备项目转化为合同和收入来实现。不过，即便是已签订单，收入确认时点也可能因客户开发进度及验收时点变化而推迟。在充分认识上述风险的前提下，我们正严格管理各项目进度，以确保达成全年指引。

• Q

  我认为Data for AI是一个重要增长机会，可使DMP的数据资产实现反复变现。如何通过增加区域和应用场景，将其发展为经常性许可收入？

  A

  基本变现模式有两种。第一种是将在全球建设的影像、点云及高精度3D数据，以企业许可形式提供，用于训练、评估、验证及仿真等AI-native用途。第二种是将客户现有的影像及行驶数据与我们的数据相结合，生成契合客户开发目标的3D环境模型及评估场景，实质上是在转动飞轮。两者并非相互独立，而是打包提供。客户在开发中实际使用我们的数据后，新的区域、场景及数据需求会随之明确，进而带动追加数据供应、进一步的生成与加工以及数据更新，我们希望与客户共同转动数据飞轮。实际案例中，我们最初向某海外大型半导体厂商提供北美数据，在此基础上，本会计年度正将覆盖范围扩大至欧洲、韩国及日本。在基于AI的自动驾驶及ADAS开发中，各区域的道路环境与交通规则不尽相同，因此需要与各服务区域相匹配的真实世界数据。即便车辆能够在某一区域行驶，要确保该区域的安全性，仍需反映区域差异的数据。收入机会也不止于区域扩展。随着开发推进，应用场景可从训练延伸至验证仿真、安全验证、法规认证，乃至推理而非训练用途，这可能沿着我们此前介绍的Data for AI五大类别展开。因此，我们认为Data for AI并非简单的一次性数据销售，而是一项可通过区域与场景扩展、持续使用期、数据更新及新客户获取不断积累的许可业务。虽然无法保证个别项目的追加订单或续约，但我们将持续构建企业许可的订阅型、经常性模式。

• Q

  即便3DGS生成的数据看起来逼真，对AI而言未必具有与真实行驶数据同等的价值。请说明目前已确认和尚未确认的实际效用分别有哪些。

  A

  正如您所指出的，我们的技术验证并非仅基于视觉逼真度。如演示视频所示，我们将各环境模型输入公开E2E模型，确认其可用性，即能否正常运行，并展示了输出结果的对比数据。基于单一3D环境模型，我们可以生成匹配不同摄像头位置、视场角及行驶轨迹的数据，还可自由添加对向车辆等交通参与者，复现多种场景，从而验证E2E模型能否正确运行。不过，目前仍处于基于公开数据和公开模型的技术验证阶段，我们不认为其输出与真实行驶数据完全等效。今后，我们将把基于车企等客户所持数据生成的3D环境模型，与公司高精度3D数据及AI数据集相结合，支持AI模型的训练、评估与验证。

• Q

  如何评估包括E2E模型在内的自动驾驶AI进步、导致对高精地图和结构化数据依赖下降的风险？为何DMP的数据在AI训练、评估、验证及安全验证中仍不可或缺？

  A

  首先，作为基本前提，我们并非自行开发AI的公司，而是提供让AI准确理解现实世界、并完成训练、评估与验证的数据和系统。生成式AI通过自动学习网络上的文本和图像变得更加智能；自动驾驶、工程机械、产业机械及机器人领域的Physical AI，同样通过理解现实世界来学习。下面说明数据在其中如何被持续使用。由于前面已介绍按区域、按场景追加数据的必要性，这里从更技术性的角度说明。AI模型训练完成后，数据并不会因此变得多余。用烹饪打个比方，AI模型相当于菜谱步骤，如往锅里加水、加热；数据则相当于食材和积累的烹饪经验。AI开发中经常提到的权重，是通过反复训练，将A与B哪个影响更大等各要素的重要程度加以量化，是庞大的数值信息块。用烹饪来类比，相当于食材的克数、锅的温度和火候，据此可以完整复现这道菜。但这样只能做出一道菜。要让菜做得更好，也就是推进AI模型训练，需要结合新食材以及过往的食材和烹饪经验反复改进。AI同理，为提升性能而进行的再训练同样需要原有训练数据集，因此数据必须持续供应。仅用新数据训练，会导致此前学到的内容被遗忘，就像只用新食材做菜会导致口味失衡一样。因此，训练必须在混入历史数据的同时持续进行。换言之，模型训练一旦开始，客户在整个训练期间都会将我们的数据与权重配合使用。我们设想将其打造为具有经常性特征的数据业务。

• Q

  企业许可的增长似乎高度依赖少数大客户。如果此类客户缩减合同或调整战略，收入是否会受到重大影响？请说明相关风险及应对措施。

  A

  我们不披露单一客户的收入构成及合同条款。项目与许可业务合计的主要客户已在有价证券报告书中披露，但企业许可的构成未予披露。我们力求从客户、场景、区域三个维度尽可能分散企业许可。客户方面，海外大型半导体厂商的占比自然较高，但客户群正扩展至车企、自动驾驶系统开发商、自动驾驶卡车开发商及其他科技公司。半导体厂商的下游是车企和自动驾驶系统开发商，即采用GPU等产品、系统及软件开发工具的终端客户。因此，即便直接客户是半导体厂商，我们的数据也被下游众多用户和开发项目所使用。我们认为这将带动数据在整个自动驾驶、ADAS及Physical AI生态系统中的部署。今后，我们还计划直接向这些数据使用方供货，进一步扩大客户群。场景方面，正如五大类别所述，用途涵盖AI训练、AI验证，以及作为AI的补充或辅助信息、法规审批等。区域覆盖也正从北美扩展至欧洲、韩国及日本。我们将通过生态系统驱动的部署与直接客户开发双管齐下，持续扩大客户、场景和区域，降低对特定客户的依赖。

• Q

  我认为向物流设施、仓库、港口及工厂的横向拓展潜力巨大。如何将当前的示范数据、技术及经验知识转化为通用产品和经常性许可收入？

  A

  在物流自动化领域，我们已向日本和北美多家开发自动驾驶卡车的客户提供高精度3D数据，并以企业许可形式实现变现。这些在研自动驾驶卡车看起来已接近量产和商业化，未来可能按搭载台数转为并演进为量产许可。此外，我们正推进今天介绍的几个领域的项目：物流设施内转运、自动驾驶卡车接收系统，以及将公共道路改造为自动物流道路。在各项目中，除公司高精度3D数据和信息共享平台外，我们还与泊位管理系统、设施管理系统等第三方系统进行集成，力求与各相关方共同将物流自动化打造为通用平台。目前，这些项目将作为项目型收入执行。之后，我们计划将由此积累的技术和运营经验通用化、标准化，推广至物流设施、仓库、港口、机场及工厂，进而实现数据产品和系统的许可化。我们完全不将其视为一次性试点，而是作为自有系统进行开发，设想各现场以许可方式使用的商业模式。市场环境方面，我们切身感受到北美自动驾驶卡车商业化市场的启动早于日本。在日本，除已中标的3个项目外，我们希望近期能发布一个提升港口安全性的项目。随着政府举措的推进，我们预计日本市场今后也将像美国一样持续扩大。