奥雅股份上市后净利连亏
由于跨界算力租赁，奥雅股份（300949）今年以来获得了不少关注度。4 月 24 日，奥雅股份交出了 2023 年"成绩单"，公司报告期内继续亏损，实现归属净利润约为-1.77 亿元，这也是公司连续第二年净利亏损，并且较去年同期亏损加剧。据了解，奥雅股份 2021 年 2 月登陆创业板，上市当年公司净利就出现下滑。上市后业绩一直在走下坡路的奥雅股份，2023 年底也开始进入当下火热的算力租赁行业，但该业务最终能否给公司业绩注入新活力，目前还要打个问号。针对公司业绩以及算力租赁业务相关情况，奥雅股份方面 4 月 24 日接受了北京商报记者采访。
净利亏损加剧
4 月 24 日，奥雅股份披露的 2023 年年报显示，报告期内公司净利续亏。
财务数据显示，2023 年，奥雅股份实现营业收入约为 4.79 亿元，同比下降 0.34%；对应实现归属净利润约为-1.77 亿元，同比下降 241.89%；对应实现扣非后归属净利润约为-2.04 亿元，同比下降 167.93%。
资料显示，奥雅股份 2021 年 2 月登陆 A 股市场，是目前国内首家以景观设计为主业的上市公司，经营业务范围涵盖亲子文旅、数字科技、创新设计领域，为城市更新、乡村振兴、文化古城等不同场景提供全程化咨询与综合运营服务。
对于公司业绩变动的原因，奥雅股份方面在接受北京商报记者采访时表示，低毛利率综合文旅业务占比提升，景观设计出现一定程度下滑，从而导致毛利率整体下降。此外，当期计提应收账款坏账导致信用减值损失和资产减值损失较大，从而导致 2023 年出现净利亏损。奥雅股份方面进而表示，作为一家综合性设计咨询机构和中国亲子文旅领域的领导品牌，公司目前正处于转型发展的阵痛期，使得业绩尚未释放，给当期利润造成较大压力，但公司转型后业务发展呈上升曲线，报告期内公司综合文旅业务收入较上期增加了 6728.45 万元，上升比例为 52.84%。
纵观奥雅股份上市后的业绩表现，上市当年，即 2021 年公司实现归属净利润约为 7542 万元，同比下降 26.54%；2022 年，奥雅股份净利转亏，也是公司上市后首次亏损，当年实现归属净利润约为-5163 万元，对应实现扣非后归属净利润约为-7621 万元。
不难看出，2023 年净利亏损也是奥雅股份连续第二年亏损，并且公司亏损出现加剧。
4 月 24 日，奥雅股份也对外披露了 2024 年一季报，报告期内公司净利仍为亏损状态，其中实现营业收入约为 1.59 亿元，同比增长 58.11%；对应实现归属净利润约为-3859.06 万元，同比下降 23.84%。
不过，今年一季度，奥雅股份实现扣非后归属净利润转正，约为 1160.96 万元，同比增长 130.06%。
奥雅股份方面也表示，公司一季度扣非归母净利润较同期大幅减亏，公司一直在积极寻求提升业绩和扭亏为盈的策略，包括但不限于研发和推广 AI 应用、有效降低成本提高能效等。
重金押宝算力租赁
由于跨界算力租赁，今年以来，奥雅股份市场关注度也较高。
2023 年 12 月，奥雅股份披露称，公司全资子公司深圳市奥创引擎数据服务有限公司（以下简称"奥创引擎"）拟向深圳润信采购 128 台内嵌英伟达 GPU 芯片的高性能运算服务器及配套软硬件，合同金额为 4.352 亿元。通过该事项，奥雅股份也将进入到算力租赁行业。
利好消息影响下，奥雅股份曾在二级市场上连拉三个涨停板。不过，该事项也遭到了监管追问。
奥雅股份方面对北京商报记者表示，公司全资子公司奥创引擎致力于搭建数字经济算力底座，创新行业 AI 应用，特别是 AI 技术在创意设计和文旅开发运营领域的数据要素和场景应用。其智算中心可提供算力支持，连接生态链企业，有机会为合作伙伴提供高效的数据处理服务，推动人工智能（AI）在设计和文旅行业的广泛应用。
北京商报记者注意到，2023 年以来，A 股市场不乏一些公司跨界算力，但今年以来也有鸿博股份、高新发展等公司跨界算力出现"变数"。
诸如，高新发展原拟通过收购四川华鲲振宇智能科技有限责任公司（以下简称"华鲲振宇"）控制权跨界算力行业，由于该收购事项，公司股价也在二级市场接连大涨。不过，4 月 18 日凌晨，高新发展披露公告称，公司拟购华鲲振宇 70%股权事项很可能无法按照当前方案继续推进，之后 4 月 19 日凌晨，高新发展正式披露了收购终止公告，公司跨界算力折戟。
投融资专家许小恒对北京商报记者表示，A 股市场上，蹭热点、炒概念的情况较多，对于跨界并购，投资者要仔细甄别。
资深人工智能专家郭涛对北京商报记者表示，2023 年大模型、生成式 AI 席卷各行各业，作为大模型的重要底层支撑，算力也开始被各界广泛讨论。算力在市场上成本较为高昂主要体现在硬件成本、能耗成本、人力成本三个方面，其中硬件成本高系构建和维护高性能计算设备所需的硬件设备和设施的成本较高；能耗成本高系大规模的金融大模型需要大量的计算资源，这会导致高能耗，进而增加了电力成本；人力成本高则是为了保证金融大模型的正常运行，需要专业的技术人员进行维护和管理。