Data for AI正以AI再訓練需求為核心，朝經常性業務發展。AI用途企業授權帶動成長，下半年關鍵在於在手訂單能否順利執行。

摘要

上半年累計營業收入年比持平。AI用途企業授權推升授權型營收；惟專案型營收受上年同期北美新數據建置專案的高基期影響而下滑，調整後EBITDA虧損亦擴大。管理層強調，AI模型再訓練須重複使用歷史數據，因此規劃將Data for AI發展為經常性授權業務，而非一次性銷售。營業現金流與自由現金流轉正，全年財測維持不變。3D數據的實際應用亦有進展：公司獲選國土交通省3項物流自動化專案，並新獲選1項港灣專案。

重點項目（業績要點與成長策略）

• 經營策略與市場觀點
  • AI訓練的產出為權重，但性能提升有賴持續再訓練。若僅以新數據再訓練，將導致偏誤及遺忘，因此仍須同時使用歷史訓練數據。
  • 公司以此再訓練循環（數據飛輪）為基礎，構想經常性合約模式，而非一次性數據供應。
  • 公司將自身定位為「讓AI理解真實世界的數據與系統供應商」，而非AI開發商。管理層認為，即使E2E模型持續演進，在區域差異與應用場景擴大的帶動下，數據需求仍將延續。
  • 經營環境與1Q大致相同。管理層視Physical AI投資增加為順風，但仍持續關注汽車產業的不確定性。
• 現有業務進展與驅動因素
  • 授權型營收成長並非仰賴單一案件，而是由三項因素共同貢獻：既有客戶的區域涵蓋擴大、新產業的新客戶，以及採用數據的量產車型增加。
  • 某大型海外半導體廠於使用北美數據後，追加訂購歐洲、韓國及日本數據。各區域特有的道路環境與交通規則，正是數據需求的來源。
  • 營業現金流改善主要來自應收帳款回收；量產授權擴大帶動合約負債增加，亦有所貢獻。
  • 3D數據授權在不動產開發及基礎設施管理領域逐步擴展。惟管理層坦言，要對營收產生實質貢獻，仍須進一步擴大客戶與應用場景。
• 主要策略舉措與轉折點
  • 公司的3DGS結合影像、點雲及高精度3D地圖，其差異化優勢在於可在保留幾何結構的前提下，運用生成式AI改變天候、時段及交通參與者。
  • 公司將實際行駛數據與3DGS生成數據分別輸入公開E2E模型並比較輸出結果，以模型行為（而非視覺外觀）驗證其有效性。
  • 近期已向某大型科技公司研發部門交付AI-native數據，客戶群擴及Physical AI研究領域。
  • 公司提案新獲選國土交通省「港灣技術開發計畫」。該專案將建置港區內車輛與裝卸設備的資訊共享平台，細節待就緒後公布。

展望與策略

• 全年財測維持營業收入70億日圓、調整後EBITDA 5,000萬日圓。上半年實績加計在手訂單合計62億日圓，其餘約8億日圓須自13.4億日圓的潛在案件中轉化（本公司估算）。
• 上半年營收達成率為全年計劃的35.1%（本公司估算）。管理層說明，客戶驗收及企業授權認列在結構上集中於下半年，並指出上年度光是4Q即認列23億日圓。
• 中長期營收成長目標為年增10–30%。部分AI用途企業授權案件毛利率達100%，公司目標授權型業務整體邊際利潤率逾80%。
• 3項物流實證專案並非一次性試點，而是作為自有系統開發。公司計劃將相關know-how標準化，橫向推展至倉庫、港灣、機場及工廠，並以授權方式提供。
• 管理層指出，隨著自動駕駛卡車邁向量產及商業化，相關企業授權有望轉為量產授權。
• M&A方面，公司持續評估測量公司的整併（roll-up）及下游領域的收購。集團綜效逐步顯現，包括無人機測量的新案件及外包作業內製化。

正面因素

• 企業授權客戶群已由半導體廠擴展至自動駕駛系統開發商、自動駕駛卡車開發商及大型科技公司。
• 透過半導體廠，公司數據以生態系結構觸及下游車廠及開發商。管理層計劃日後直接供應這些數據使用者，以降低對特定客戶的依賴。
• 量產授權方面，數據新獲Nissan Elgrand採用，車廠B亦已開始銷售搭載公司數據的新車型。
• 公司獲選國土交通省三大領域專案：物流設施內轉運運輸、移動樞紐（mobility hub）及自動物流道路。管理層認為，自動駕駛卡車商業化市場在北美的起步早於日本。
• 10月28日，合併子公司公告承接沙烏地阿拉伯道路數據建置訂單（約6.7億日圓）。
• 10月27日，公司宣布正與Toshiba研議基礎設施協同型移動平台的合作。
• 除雪支援系統與地方政府的簽約進展順利，以迎接今年冬季。3Dmapspocket已獲Tokyo Tatemono、SYLA及Mitsui Fudosan Residential採用。

風險

• 上半年營業毛損為-4.19億日圓。營業成本增加6.33億日圓，其中折舊費用增加1.56億日圓。獲利改善有賴下半年高毛利授權營收的累積。
• 全年財測的達成偏重下半年。管理層亦坦承，即使已接獲的訂單，仍可能因客戶開發進度及驗收時點而遞延。
• 企業授權的客戶組成未予揭露，外部難以評估主要客戶若縮減或變更合約所造成的影響。
• 3DGS仍處於以公開數據及公開模型進行技術驗證的階段，管理層表示不認為其產出與實際行駛數據完全等同。能否在使用客戶數據的實際專案中累積有效性實績，為關鍵觀察重點。
• 淨資產由2026年3月底的72.29億日圓降至56.88億日圓。長期借款增至14.24億日圓，並已取得20億日圓的承諾融資額度。
• 外部不確定性仍存，包括地緣政治風險及油價上漲導致汽車產業獲利轉弱、中東當地情勢，以及熊本地震相關的地圖數據重建成本（非常損失3,200萬日圓）。

業績亮點

FY3/27上半年，授權型成長抵銷專案型下滑，營業收入年比持平。調整後EBITDA為-10.63億日圓，年比惡化4.97億日圓。期中歸屬母公司業主淨損為17.23億日圓，營業現金流則轉正至3.47億日圓。

業務板塊表現

*除授權型外，各成長率均為本公司估算。營業利益僅揭露合併數字；由於上年同期亦為虧損（-11.42億日圓），故不列示成長率。

• 授權型營收占比：52.2%（年增+13.7個百分點，本公司估算）
• 海外營收占比：86.5%（年增+12.9個百分點，本公司估算）
• 自由現金流：2,700萬日圓（年比 ―）
• 現金及存款：38.13億日圓（較2026年3月底增加1.55億日圓）
• 量產車採用：累計6家車廠／39款車型（年比 ―）
• AI-native數據累計下載次數：逾4,500次（年比 ―）

問答一覽

• Q

  據了解中東地圖建置已完成交付，相關營收是否已於2Q前全數認列？若否，將於何時認列？

  A

  我們理解此問題是指近期公告的新高精度3D數據建置專案。該專案整體仍在進行中，尚未完成交付。營收並非於交付時一次全額認列，而是依專案進度認列，剩餘營收亦將隨專案推進陸續認列。

• Q

  授權型營收年增35.8%，表現相當亮眼。請問是由哪些客戶群或應用場景帶動？

  A

  成長動能之一是以AI用途為主的車用企業授權增加。首先，我們擴大了既有客戶的區域涵蓋。具體而言，我們向某大型海外半導體廠供應北美數據後，該客戶進一步要求歐洲、韓國及日本數據，我們因而取得追加訂單。此案證明公司能將全球高精度3D數據跨多個區域與應用場景提供給同一客戶，並直接轉化為營收。其次，客戶群持續擴大。除半導體外，我們對自動駕駛系統開發商、自動駕駛卡車業者及大型科技公司供應Physical AI訓練、評估、驗證及模擬用數據（即Data for AI）的案件亦持續增加。在原有量產車用3D數據之外，拓展至AI用途，帶動的是企業授權而非量產授權的成長。量產授權方面，數據亦持續獲新車型採用，累計採用已達6家車廠、39款車型。本次授權營收成長並非由單一案件帶動，而是既有客戶區域與應用場景擴大、拓展新產業與新客戶，以及採用車型增加等因素共同貢獻的結果。

• Q

  未來將採取哪些措施進一步擴大授權型營收？

  A

  公司擁有全球數據。我們將善用這些數據資產，擴大對既有客戶的供應範圍，同時為新客戶開發並提案新的應用場景，穩步累積授權型營收。

• Q

  營業現金流及自由現金流均已轉正，請說明應收帳款回收、合約負債及資本支出等主要驅動因素。

  A

  營業現金流改善的主因是應收帳款回收。此外，隨著量產授權擴大，合約負債亦有所增加。合約負債是指依量產授權合約已收取、將於剩餘合約期間內認列為營收的對價。上半年合約負債增加，亦有助於營業現金流改善。另一方面，我們持續進行成長投資，包括第27、28個國家等新國家與區域的數據建置，以及M&A。儘管有上述投資，上半年自由現金流（營業現金流加計投資現金流）仍已轉正。

• Q

  請說明未來的資本配置方針。

  A

  我們將持續投資於可帶動未來授權型營收的數據集建置、產品開發及M&A。管理層將在評估投資優先順序、獲利能力及資本效率的前提下，做出資本配置決策。

• Q

  上半年雖為虧損，但全年財測維持不變，意味下半年營收與獲利須大幅增加。為達成全年目標，包括在手訂單進度及追加訂單假設在內，預計下半年將認列多少營收？

  A

  我們依據上半年實績及目前接單狀況維持全年財測，計劃執行預定於下半年認列營收的在手訂單，並爭取追加案件。專案型方面，中東及新區域的車用數據建置專案正持續推進；國內政府專案以及今日介紹的3項物流自動化訂單亦將依進度執行並認列營收。授權型方面，預期營收來自三大來源：以AI訓練、評估及驗證為主的企業授權；搭載車型增加帶動的量產授權；以及基礎設施管理與不動產開發用的3D數據授權，其中3D數據授權規模較小。從過往年度可見，公司業績具有專案驗收及企業授權營收集中於下半年的特性；事實上，上年度光是4Q即認列23億日圓，主要來自企業授權。基於此業務結構，僅憑上半年業績無法充分反映全年進度。透過上述營收認列，搭配成本控管及集團資源的有效運用，我們目標達成全年營業收入70億日圓、調整後EBITDA 5,000萬日圓。依目前專案進度，我們認為無須修正財測，因此予以維持。

• Q

  關於支撐全年財測的案件，請盡可能按上半年實績、在手訂單及洽談中潛在案件，說明營收組成與確定性。

  A

  達成全年財測的路徑，已於業績簡報第40頁分為實績、在手訂單及潛在案件三個層級說明。第一層為上半年實績，即2Q前已認列的營收。第二層為預定於下半年認列營收的在手訂單。與前一題回答部分重疊，專案型方面，已接獲國內外數據建置專案及物流自動化專案，將陸續執行；授權型方面，量產授權已入帳，部分以AI為主的企業授權亦已接單但尚未交付，正推進至營收認列。第三層為洽談中的潛在案件，即與客戶討論已有進展、可預期一定確定性的案件，我們正努力促成簽約並認列營收。財測將透過上半年實績加計在手訂單，並將潛在案件轉化為合約及營收來達成。惟即使為在手訂單，營收認列時點仍可能因客戶開發進度及驗收時點而遞延。我們已認知此類風險，並嚴密管理各案件進度，以達成全年財測。

• Q

  我認為Data for AI是讓DMP數據資產可重複變現的重大成長機會。公司將如何透過增加區域與應用場景，將其發展為經常性授權營收？

  A

  基本變現模式有兩種。第一種是將全球建置的影像、點雲及高精度3D數據，以企業授權方式提供給訓練、評估、驗證及模擬等AI-native用途。第二種是將客戶既有的影像及行駛數據與公司數據結合，依客戶開發目標生成3D環境模型及評估情境，亦即轉動飛輪。兩者並非各自獨立，而是以組合方式推展。客戶實際將公司數據用於開發後，新的區域、應用場景及數據需求便會浮現，進而帶動追加數據供應、進一步生成與加工，以及數據更新，我們的目標是與客戶共同轉動數據飛輪。實務上，我們最初向某大型海外半導體廠供應北美數據，並以此為基礎，於本年度將涵蓋範圍擴大至歐洲、韓國及日本。在以AI為基礎的自動駕駛及ADAS開發中，各區域的道路環境與交通規則不同，因此需要與各服務區域相符的真實世界數據。即使車輛能在某區域行駛，仍需反映區域差異的數據，以確保在當地的安全性。營收機會不僅來自區域增加。隨著開發推進，應用場景可由訓練延伸至驗證模擬、安全驗證、法規認證，乃至推論而非訓練，可望依循我們先前說明的Data for AI五大類別展開。因此，我們將Data for AI定位為透過增加區域與應用場景、持續使用期間、數據更新及開拓新客戶而逐步累積的授權業務，而非單純的一次性數據銷售。雖然個別追加訂單或續約無法保證，我們仍將持續為企業授權建構訂閱型、經常性的模式。

• Q

  即使3DGS生成數據看似逼真，對AI而言可能不具與實際行駛數據相同的價值。請說明目前已確認及尚未確認的實用性。

  A

  如您所指出，我們的技術驗證並非僅以視覺真實度為依據。如示範影片所示，我們將各環境模型輸入公開E2E模型，確認其可用性（即能否正常運作），並提出比較輸出結果的數據。從單一3D環境模型，即可生成對應不同攝影機位置、視野及行駛軌跡的數據，亦可自由加入對向車輛等交通參與者，重現多樣情境，藉此驗證E2E模型能否正確運作。惟目前仍處於以公開數據及公開模型進行技術驗證的階段，我們並不認為其產出與實際行駛數據完全等同。未來，我們將結合以車廠等客戶所持數據生成的3D環境模型，與公司的高精度3D數據及AI數據集，支援AI模型的訓練、評估及驗證。

• Q

  包括E2E模型在內的自動駕駛AI持續進步，可能降低對HD地圖及結構化數據的依賴，公司如何評估此風險？為何DMP的數據在AI訓練、評估、驗證及安全驗證上仍不可或缺？

  A

  基本前提是，我們並非自行開發AI的公司，而是提供讓AI準確理解真實世界、並得以進行訓練、評估及驗證的數據與系統。生成式AI透過自動學習網路上的文字與圖像而變得更聰明；自動駕駛、營建機械、產業機械及機器人等領域的Physical AI，同樣是透過理解真實世界來學習。以下說明數據在其中如何被持續使用。由於區域及應用場景帶來的追加數據需求已說明過，以下從較技術性的角度解釋。AI模型完成訓練後，數據並不會因此變得不再需要。以烹飪比喻，AI模型是食譜步驟，例如在鍋中加水加熱；數據則是食材與累積的烹飪經驗。AI開發中常提到的權重，是透過反覆訓練，將A或B哪個因素影響較大等各項因素的重要程度予以量化，形成龐大的數值資訊。以烹飪而言，相當於食材的克數、鍋溫及火候，可藉此精準重現同一道菜。但這樣只能做出一道菜。若要讓菜色更好，也就是推進AI模型訓練，就必須結合新食材以及過去的食材與烹飪經驗反覆改良。AI亦同，為提升性能而進行的再訓練同樣需要原始訓練數據集，因此數據必須持續供應。若僅以新數據訓練，會導致先前所學被遺忘，正如只用新食材烹飪會使菜色失衡，因此訓練必須持續混入過去的數據。換言之，一旦模型訓練開始，客戶在整段期間內都會將公司數據與權重一併持續使用。我們構想將此發展為具經常性特質的數據業務。

• Q

  企業授權成長似乎高度依賴少數大客戶。若此類客戶縮減合約或改變策略，營收是否將大受影響？請說明風險與因應對策。

  A

  我們不揭露個別客戶的營收組成及合約條件。專案與授權業務合計的主要客戶已於有價證券報告書中揭露，但企業授權的客戶明細並未揭露。我們的目標是沿客戶、應用場景及區域三大軸向，盡可能分散企業授權。客戶方面，大型海外半導體廠的比重自然較高，但客戶群正逐步擴展至車廠、自動駕駛系統開發商、自動駕駛卡車開發商及其他科技公司。半導體廠的下游是車廠及自動駕駛系統開發商，亦即採用GPU等產品、系統及軟體開發工具的終端客戶。因此，即使直接客戶為半導體廠，公司數據仍被廣泛的下游使用者及開發專案所使用，我們相信這將促成公司數據在整個自動駕駛、ADAS及Physical AI生態系中的推展。未來，我們亦計劃直接供應這些數據使用者，以進一步擴大客戶群。應用場景方面，如五大類別所述，用途涵蓋AI訓練、AI驗證，乃至作為AI的補充或輔助資訊及法規核准之用。區域涵蓋亦由北美擴展至歐洲、韓國及日本。我們將透過生態系推展與直接開拓客戶雙管齊下，持續擴大客戶、應用場景及區域，降低對特定客戶的依賴。

• Q

  我認為橫向拓展至物流設施、倉庫、港灣及工廠的潛力相當可觀。公司將如何把目前的實證數據、技術及know-how轉化為共通產品及經常性授權營收？

  A

  物流自動化方面，我們已向日本及北美多家開發自動駕駛卡車的客戶供應高精度3D數據，並以企業授權方式變現。這些開發中的自動駕駛卡車看似已接近量產及商業化階段，未來可望依搭載台數轉為量產授權並進一步發展。此外，我們正推進今日說明的各領域專案，包括物流設施內轉運運輸、自動駕駛卡車收貨系統，以及將公共道路轉為自動物流道路。各專案除公司的高精度3D數據及資訊共享平台外，亦與泊位管理、設施管理等第三方系統整合。我們的目標是與所有利害關係人共同將物流自動化打造為共通平台。現階段將以專案型營收執行，之後計劃將所獲得的技術與營運know-how共通化、標準化，推展至物流設施、倉庫、港灣、機場及工廠，進而實現數據產品與系統的授權化。我們完全不將這些專案視為一次性試點，而是作為自有系統開發，構想由各據點以授權方式使用的商業模式。市場環境方面，我們切身感受到自動駕駛卡車商業化市場在北美的發展較日本更為領先。在日本，除已獲選的3項專案外，我們期望近期能公布強化港灣安全的專案。隨著政府政策持續推進，我們預期市場將與美國一樣逐步擴大。