竹间智能科技（上海）有限公司：人工智能软件、自然语言处理、情感计算、数字软件与工业服务专精特新企业档案

竹间智能科技（上海）有限公司：产业链深度研报

报告日期： 2025年2月18日

分析师： 庖丁门产业链研究团队

一、企业速览

企业基础信息：公司名称：竹间智能科技（上海）有限公司；地区：上海市徐汇区；行业方向：人工智能与数据智能；成立时间：2015-08-25；注册资本：9000万美元；员工规模：11 人；专利数量：219 件；专精特新认定：第三批（2021年）；上市状态：未上市。

一句话速览： 竹间智能是以自然语言处理和情感计算为核心技术，为企业提供对话式AI、知识工程等平台型软件产品的认知智能解决方案商，处于电子信息与数字技术产业链中“数字软件与工业服务”的关键节点。

二、主营产品与产业链定位

竹间智能的核心产品是围绕“AI平台”构建的，其具体产品线包括BotFactory对话式AI平台、Gemini知识工程平台、AICC+解决方案平台、NLP自然语言处理平台及Scorpio自动化机器学习平台。这些产品解决的产业链核心问题是：将海量非结构化数据（文本、语音、图像）转化为可被企业业务系统理解、调用和决策的结构化知识，并实现业务流程的自动化与人机交互的智能化。

在“电子信息与数字技术”产业链中，竹间智能位于“数字软件与工业服务”环节，其角色是智能化的“中间件”和“应用支持层”。产业上游主要包括：

1. 基础算力资源提供商：如提供GPU云计算资源的阿里云、华为云、AWS等。模型训练和推理需要消耗大量算力，这是竹间智能的刚性成本。

2. 基础模型与开源框架：如深度学习的PyTorch、TensorFlow框架，以及底层的基础大模型（如智谱AI的GLM、百度的文心等）。竹间智能在其之上进行垂直领域的调优与应用开发。

下游客户则主要集中在金融、企业服务、健康医疗、制造、政务等垂直行业。这些行业的核心痛点是需要处理海量的合同、客服录音、医疗病例、法律文书等非结构化数据。以金融为例，竹间智能的Gemini知识工程平台可以为银行构建一个动态更新的“知识大脑”，用于智能客服、信贷审核、合规检查等场景。其价值在于将原本需要大量人力的重复性、知识密集型工作，通过软件实现部分或完全替代。

三、核心工序与技术依赖

该类数字软件企业的研发生产流程，与传统制造业不同，其核心工序主要围绕“数据-模型-应用”展开。基于行业共识，其关键工序包括：

1. 数据采集与清洗：从客户处获取或购买特定领域的原始文本、语音、对话数据。典型要求：数据量级通常在百万至千万条，数据标注的准确率需达到95%以上。

2. 模型预训练与微调：基于开源大模型或自研Base模型，使用清洗后的行业数据进行领域适应性训练。典型参数：使用千卡级别以上GPU集群，训练周期在数周，微调后的模型在特定任务（如意图识别、实体抽取）上准确率需达到98%+。

3. 知识图谱构建：将微调后的模型与Gemini知识工程平台结合，从客户提供的业务文档、规范、数据库中抽取实体和关系，形成领域知识图谱。核心指标：图谱的密度（节点数和关系数）和推理的准确率。

4. 对话/业务流程编排：在BotFactory或AICC+平台上，通过拖拽式界面或脚本，将模型、知识图谱与客户现有ERP、CRM等业务系统API进行对接，形成具体的智能问答机器人或自动化审批流程。典型要求：响应延迟低于500ms，并发处理能力至少支持上千级。

5. 集成测试与交付部署：在客户实际或模拟环境中，进行全链路的功能、性能和安全测试，并完成私有化或SaaS化部署。

上游关键原材料和设备的典型来源（行业共识）：

基于其219件专利和主营记录，竹间智能的核心定位是模型层的“精修师”和应用层的“建筑师”。它不制造芯片或基础算力，而是专注于将通用AI技术转化为特定行业的商业价值。其专利方向很可能集中在情感识别、对话管理、知识图谱推理等技术细节，而非基础模型架构创新。

四、竞争格局

该赛道（数字软件与工业服务）在全国共有1578家同类企业，竞争激烈。核心竞争维度集中在：

1. 行业Know-How的深度：谁能更精准地理解金融、医疗等行业的特定业务流程和术语，谁就能构建更有效的解决方案。

2. 模型效果与成本：在保证高准确率的同时，能否降低对算力的依赖，实现更低成本的部署和推理。

3. 产品化与平台化能力：能否将复杂的AI能力封装成易用、可复用的标准化软件产品，而非仅仅是定制化项目。

主要竞争对手（真实企业）：

在专利维度，竹间智能以219件专利数量，显著高于行业中位数89件，处于行业前25%的头部位置。这反映出其在自然语言处理、情感识别等细分赛道上具备较强的技术研发投入和成果积累，是其区别于大部分同类企业的重要标签。

五、护城河判断

基于现有数据分析：

• 技术壁垒：中高。219件专利是其技术密集度的直接体现。结合其产品（BotFactory, Gemini等），专利方向很可能围绕“多轮对话理解”、“长文本知识抽取”和“多模态情感识别”等关键应用场景。相较于1178家专利数在行业中位数以下的企业，这构成了明确的技术差异。但需要警惕当前大模型时代的冲击——如果这些专利不能有效融入和增强大模型能力，其壁垒价值可能随时间衰减。
• 客户壁垒：中低。数字软件与工业服务环节的客户验证周期较长（行业共识：通常在3-6个月），包括POC测试、安全审计、对接开发等环节。一旦深度集成，切换成本较高（涉及数据迁移、业务流程重构）。然而，竹间智能目前客户名单未披露，且11人规模的团队，意味着其同时服务的大型客户数量可能极为有限，客户网络尚未形成规模效应。
• 规模壁垒：低。11人的员工规模非常引人注目。对于一家拥有219件专利并宣称服务金融、制造等多个领域的企业而言，这个团队规模对应的是极轻的研发-交付模型。典型情况是，公司可能高度依赖外部开发团队或PaaS平台进行项目交付，自身团队聚焦核心技术研发与复杂项目的架构设计。这使得其难以同时承接多个大型私有化部署项目，限制了收入规模和客户覆盖能力。
• 认定价值：中等。作为第三批（2021年）认定的专精特新“小巨人”，其资质反映了政策在早期对其技术先进性和市场前景的肯定。在当前“专精特新”资质扩容、政策支持边际递减的背景下，该标签更多是进入了国家级扶持的“白名单”，在税收优惠、融资便利、品牌背书等方面仍有价值，但已不构成稀缺优势。

六、风险与机会

• 行业风险：

1. 大模型“碾压”效应：随着GPT-4、文心一言等通用大模型的成熟，其对话、理解、知识总结能力大幅提升，可能直接冲击竹间智能等专注于NLP应用层的企业的业务。客户可能会质疑：“为什么我不直接用大模型，而要用你的平台？”（公开证据：这是2023-2024年AI行业的核心讨论话题）

2. 商业化落地难题：AI软件的毛利率虽高，但部署成本（算力、适配）和项目制依赖导致盈利困难。众多AI公司至今未能实现稳定盈利，行业普遍面临“增收不增利”的困境。（行业共识）

3. 数据安全与隐私合规：在金融、医疗等强监管行业，客户对数据不出境的本地化部署和模型安全审计要求极高，这增加了交付的复杂度和成本。

• 公司风险：

1. 人员结构风险：11人的团队规模是最大的风险信号。这远低于同赛道竞争对手，极有可能意味着核心技术团队严重依赖少数核心人员，一旦人员流失，可能导致技术断档或交付能力崩溃。

2. 营收与融资信息缺失：未披露营收区间，且2024年“准独角兽”的头衔与11人的规模形成巨大落差。这暗示公司可能处于营收规模极小、依赖外部融资维持存续的状态。其9000万美元的注册资本与7641.02万美元的实缴资本比对，也暗示可能存在资本承诺尚未完全到位的情况。

• 机会窗口：

1. 垂直行业大模型“精调师”：通用大模型虽强，但在金融财报分析、医疗病案管理等高度专业、需要极高准确率和特定知识库的“理性”场景中，其表现往往不如经过精细调优的垂直模型。竹间智能的Gemini知识工程平台恰是解决此问题的工具，可以作为“中间层”，帮助企业用内部知识库+大模型能力，构建私有、高效、可控的“专属大模型”。

2. 信创与国产替代机遇：在政策推动下，金融、政务等关键行业倾向于采用国产AI软件。竹间智能作为上海本土的专精特新企业，有机会在国产替代浪潮中，替换掉部分国际供应商的客服、流程自动化系统，进入这些高客单价、高粘性的客户群。