韋豪被投企業與光科技完成億元級A輪融資，開辟物理AI視覺芯片新方向

近日，韋豪被投企業與光科技完成億元級A輪、A+輪融資。本次融資由舜宇光學科技、老股東信熹資本、觀新投資、中橋創投、京廣協同共同投資。本輪融資將用于計算光譜芯片的量產與技術升級，夯實消費電子影像基本盤；更重要的是推進物理AI視覺芯片的研發，打造空間智能與世界模型的感知硬件入口。立足計算光學、微納光學技術底座，公司將逐步搭建面向下一代智能終端的光芯片平臺，打通從光譜感知到多維物理視覺的技術路徑。

物理AI視覺芯片：為AI打開物理世界的入口

• AI的四個浪潮

AI的發展歷程，可以視為機器能力逐步融入并參與物理世界的演進…

最初，AI的核心能力是“感知”——即識別圖像、理解語音等對環境信息的解讀，這一階段被稱為感知AI（Perception AI）。

隨后，AI實現了“表達”的飛躍，能夠創作文本、生成圖像、合成語音，從而進入生成AI（Generative AI）階段。

當下，AI邁向更高級的形態——智能體AI（Agentic AI）。AI開始像助手一樣協助我們工作，能夠深入工作流程，完成從理解、編碼到執行的端到端任務。正如黃仁勛在最近的GTC演講中所指出的：“Agent go to work，AI可以理解、規劃、生成代碼、調用工具，產出結果。“

來源：英偉達

與此同時，AI也在邁向新的層級：它不再局限于數字屏幕之內，而是開始融入并作用于真實的物理世界。這意味著AI需要理解三維空間、實時感知動態環境、準確判斷變化、參與交互，并能直接驅動實體行動。這標志著物理AI（Physical AI）時代的開啟。

AI的四個浪潮

來源：與光科技整理

• 什么是物理AI

此前的AI發展，主要發生在數字世界里。而到了物理AI，問題變成了：進入現實世界，并基于物理載體穩定地工作。所謂物理AI指的是一種結合傳感器、智能體、硬件載體與環境感知的AI系統，具備完成感知—認知—決策—執行閉環的能力。這很容易讓我們聯想起具身智能，AI不只有“大腦”，還要有“身體”與環境交互。

物理AI的工作流程從物理世界的感知開始，經過傳感器集群進行特征提取，再由模型進行預測和決策，最后通過執行集群作用于物理世界，形成感知、決策、執行的完整閉環。

物理AI的工作流程

來源：Physical artificial intelligence (PAI): the next-generation artificial intelligence，與光科技整理

從全球產業趨勢看，科技巨頭加速押注，物理AI已成確定性賽道：

• Meta在專利中提出利用偏振器件打造AR/VR眼動追蹤方案，通過液晶偏振全息實現更高精度、低功耗的眼部三維感知。
• 谷歌DeepMind發布了兩款模型：Gemini Robotics（VLA）和Gemini Robotics-ER（VLM），強化機器人在物理環境中的空間與視覺推理能力，并控制機器人完成復雜操作任務。
• 英偉達發布Cosmos模型，并進一步與Omniverse系統相融合，打造一套覆蓋訓練、驗證、部署的物理AI完整底座。
• 英偉達與宇樹科技已達成合作，推出搭載自有模型與算力平臺的人形機器人參考設計H2 Plus，深化在物理AI與人形機器人領域的生態布局。

訓練Gemini Robotics將水果分揀至對應顏色的果盤

來源：Google DeepMind

當AI需要“進入”并“影響”真實世界，對數據的需求變得更大、更復雜，物理數據的實時性與精準度便成為系統能力的基礎。AI的競爭已不僅是模型能力和算力規模的競爭，也將是感知能力的競爭，尤其當AI進入現實世界任務時，如何以低功耗、高幀率和強魯棒性，獲取真正能夠支持空間理解與行動決策的關鍵信息，成為至關重要的能力。

• 為什么從視覺開始

不同于主要依賴大數據和深度學習、在后端計算框架中完成信息處理的傳統AI范式，物理AI的核心是智能與物理世界的深度交互——它必須依賴來自真實物理世界的原生信息與實體載體，通過視覺、觸覺等多模態傳感技術，對真實環境進行感知與理解。

相比其他感知模態，視覺是最重要的信息入口之一。人類獲取的外界信息中80%以上來自視覺；對于機器而言，視覺同樣是理解環境、識別目標、判斷空間關系、支持行動決策的基礎功能。無論是機器人、自動駕駛，還是工業控制，機器首先需要 “看見”世界，這是我們選擇從物理AI視覺芯片切入的原因。

這與AI領域的核心突破方向世界模型（World Model）和空間智能（Spatial Intelligence）的底層需求高度契合：當AI從虛擬場景走向現實任務，世界模型需要高質量、連續的環境感知數據以及對時空關系和因果變化的建模能力，從而解決AI在真實世界中樣本效率低、缺乏規劃能力、試錯成本高等關鍵難點。這意味著，機器不僅要知道眼前“是什么”，還要知道“它在哪里”“離我多遠”“是不是在動”“表面是什么材質”“接下來可能如何變化”。在這個過程中，視覺芯片的價值正被重新定義：它有望為機器提供更高效、低冗余的前端輸入，成為空間智能和世界模型的重要底層支撐。

從視覺進入世界模型

來源：AI生成

• 物理AI視覺芯片

受生物視覺啟發，與光科技創始人、清華大學黃翊東教授、崔開宇長聘副教授團隊提出了光譜卷積神經網絡（SCNN）方案，通過在CMOS圖像傳感器表面大規模集成微納調制結構，將傳感器本身同時作為輸入層和第一卷積層，在光譜維度實現大規模并行向量內積計算，并結合后續小規模電計算卷積層，形成高效的光電混合神經網絡。基于這一體系，進一步發展出“物譜芯片”—可直接處理自然圖像，在百萬至上億像素的空間維度實現高度并行計算，并通過連續光譜維度提取圖像中的物質信息，實現對組成成分的動態識別與特征映射，實現了感算一體的邊緣計算（In-sensor Edge Computing），相關成果發表于國際頂尖期刊《自然·通訊》（Nature Communications）。

光譜卷積神經網絡（SCNN）架構

來源：Cui, K. et al. Nat Commun 16, 81 (2025).

基于上述計算感知架構，我們可進一步構建面向多場景應用的物質識別與多模態感知傳感器硬件，并配套開發相應的后端算法體系，滿足復雜場景下的多樣化應用需求。在此基礎上，我們正與頭部手機廠商開展聯合預研，推動相關技術成果的產品化進程。

下一階段，與光將瞄準物理AI的核心硬件缺口，研發多感知維度集成的物理AI視覺芯片。公司將物理AI視覺芯片作為新的戰略支點，在延續消費電子的合作基礎上，進一步面向具身智能與智能工業打開更廣闊的產業空間。

計算光譜：結構色開啟新一代高性能路徑

• 手機影像業務落地

自成立起，公司首先從光譜芯片在消費電子領域的落地實現突破。圍繞手機影像對高質量色彩表現的需求，公司將芯片能力與算法能力深度耦合，在色彩還原、分區色溫判斷、AWB優化等核心環節建立起差異化優勢，打通“芯片—算法—應用”的端到端技術閉環，多款產品已被頭部手機客戶采納，實現10kk級出貨。計算光譜芯片的落地標志著公司具備了將復雜光學能力導入大規模消費市場的產品化能力，也驗證了工程化和量產實力。

• 光譜芯片的技術發展

在光譜芯片方向，行業已經完成“單點感知”到“多光譜成像”的升級，材料色路線在傳統方案中發揮了重要作用，但正逐步觸及性能與設計瓶頸。與此同時，結構色方案的量產條件已經成熟，能夠以更高的光譜調制能力、更強的可編程性，與光譜算法形成更深度的協同，成為新一代多光譜成像的更優解。

首先簡要闡述結構色與材料色的基本原理：結構色通過微納光學結構（包括光子晶體、超表面、法布里-珀羅諧振腔等）對光的干涉、衍射或散射實現顯色；材料色通過化學顏料、染料對光線選擇性吸收、反射顯色。

結構色與材料色對比

來源：與光科技

光譜技術在手機影像領域的發展，主要可分為以下三個階段：

• 單點色溫傳感器：基于多組分立窄帶濾光片實現色溫檢測，光譜調制性能與AWB準確性較RGB CIS有了較大提升，主要瓶頸在于不能成像。在iPhone X率先搭載，后續在國內中高端手機中有較高的普及率。
• 材料色多光譜成像：采用染料濾光片陣列結合光譜恢復算法，實現快照成像式光譜采集，該路線推動了多光譜成像從實驗室走向消費電子終端，已經在手機中搭載。但從技術原理上，受限于材料數量和通道重疊度高的問題，該方案較RGB CIS在光譜調制性能與AWB效果上的提升幅度有限。行業正在探索新的技術，以進一步滿足終端對光譜調制、通道獨立、算法協同提出的更高要求。
• 結構色多光譜成像：采用微納結構濾光片陣列結合光譜恢復算法，通過亞波長尺度的光場調控，對入射光精確光譜編碼，實現高質量快照式光譜采集。結構色在光譜選擇、通道獨立和設計自由度上具備明顯優勢，可顯著提升傳感器的光譜調制性能和AWB準確性。

光譜芯片在手機影像中的發展路徑

來源：與光科技

當前，與光已經完成結構色光譜調制方案的技術升級，相關產品已經具備量產條件，并通過軟硬件協同優化，有效改善了結構色角度敏感性的痛點。結構色基于微納結構實現對光譜的精細調控，具有更高的設計自由度，能夠為終端的性能提升打開更大空間。以微納結構實現高性能光譜調控，正在成為光譜芯片技術演進的必然方向，也將成為公司產品持續領跑的核心支撐。

戰略愿景：擁抱光與AI融合的時代機遇

與光科技的創始團隊在計算光學與微納光學領域有著二十余年的深厚積累，圍繞光場調控、微納結構設計、光學信息獲取、計算成像等關鍵方向的科研成果，公司形成了從芯片、器件到算法、應用的系統性能力，并持續推動前沿光芯片技術的產品化與商業化落地。

公司正沿著一條清晰的技術主線推進：

• 升級計算光譜芯片，建立差異化方案和算法能力
• 落地物理AI視覺芯片，構建空間智能和世界模型的硬件支撐

光正在重塑信息的獲取與處理方式，AI正在提升機器理解世界與參與世界的能力。站在這兩股技術浪潮的交匯點上，與光將持續推動計算光學、微納光學與智能算法的協同創新，全面擁抱光與AI融合帶來的新科技機遇，為產業智能化升級和更多尚待定義的未來場景賦能。