近日，与光科技完成亿元级A轮、A+轮融资。本次融资由舜宇光学科技、老股东信熹资本、观新投资、中桥创投、京广协同共同投资。本轮融资将用于计算光谱芯片的量产与技术升级，夯实消费电子影像基本盘；更重要的是推进物理AI视觉芯片的研发，打造空间智能与世界模型的感知硬件入口。立足计算光学、微纳光学技术底座，公司将逐步搭建面向下一代智能终端的光芯片平台，打通从光谱感知到多维物理视觉的技术路径。
物理AI视觉芯片：为AI打开物理世界的入口
AI的四个浪潮
AI的发展历程，可以视为机器能力逐步融入并参与物理世界的演进…
最初，AI的核心能力是“感知”——即识别图像、理解语音等对环境信息的解读，这一阶段被称为感知AI（Perception AI）。
随后，AI实现了“表达”的飞跃，能够创作文本、生成图像、合成语音，从而进入生成AI（Generative AI）阶段。
当下，AI迈向更高级的形态——智能体AI（Agentic AI）。AI开始像助手一样协助我们工作，能够深入工作流程，完成从理解、编码到执行的端到端任务。正如黄仁勋在最近的GTC演讲中所指出的：“Agent go to work，AI可以理解、规划、生成代码、调用工具，产出结果。“
来源：英伟达
与此同时，AI也在迈向新的层级：它不再局限于数字屏幕之内，而是开始融入并作用于真实的物理世界。这意味着AI需要理解三维空间、实时感知动态环境、准确判断变化、参与交互，并能直接驱动实体行动。这标志着物理AI（Physical AI）时代的开启。
AI的四个浪潮
来源：与光科技整理
什么是物理AI
此前的AI发展，主要发生在数字世界里。而到了物理AI，问题变成了：进入现实世界，并基于物理载体稳定地工作。所谓物理AI指的是一种结合传感器、智能体、硬件载体与环境感知的AI系统，具备完成感知—认知—决策—执行闭环的能力。这很容易让我们联想起具身智能，AI不只有“大脑”，还要有“身体”与环境交互。
物理AI的工作流程从物理世界的感知开始，经过传感器集群进行特征提取，再由模型进行预测和决策，最后通过执行集群作用于物理世界，形成感知、决策、执行的完整闭环。
物理AI的工作流程
来源：Physical artificial intelligence (PAI): the next-generation artificial intelligence，与光科技整理
从全球产业趋势看，科技巨头加速押注，物理AI已成确定性赛道：
Meta在专利中提出利用偏振器件打造AR/VR眼动追踪方案，通过液晶偏振全息实现更高精度、低功耗的眼部三维感知。
谷歌DeepMind发布了两款模型：Gemini Robotics（VLA）和Gemini Robotics-ER（VLM），强化机器人在物理环境中的空间与视觉推理能力，并控制机器人完成复杂操作任务。
英伟达发布Cosmos模型，并进一步与Omniverse系统相融合，打造一套覆盖训练、验证、部署的物理AI完整底座。
英伟达与宇树科技已达成合作，推出搭载自有模型与算力平台的人形机器人参考设计H2 Plus，深化在物理AI与人形机器人领域的生态布局。
训练Gemini Robotics将水果分拣至对应颜色的果盘
来源：Google DeepMind
当AI需要“进入”并“影响”真实世界，对数据的需求变得更大、更复杂，物理数据的实时性与精准度便成为系统能力的基础。AI的竞争已不仅是模型能力和算力规模的竞争，也将是感知能力的竞争，尤其当AI进入现实世界任务时，如何以低功耗、高帧率和强鲁棒性，获取真正能够支持空间理解与行动决策的关键信息，成为至关重要的能力。
不同于主要依赖大数据和深度学习、在后端计算框架中完成信息处理的传统AI范式，物理AI的核心是智能与物理世界的深度交互——它必须依赖来自真实物理世界的原生信息与实体载体，通过视觉、触觉等多模态传感技术，对真实环境进行感知与理解。
相比其他感知模态，视觉是最重要的信息入口之一。人类获取的外界信息中80%以上来自视觉；对于机器而言，视觉同样是理解环境、识别目标、判断空间关系、支持行动决策的基础功能。无论是机器人、自动驾驶，还是工业控制，机器首先需要 “看见”世界，这是我们选择从物理AI视觉芯片切入的原因。
这与AI领域的核心突破方向世界模型（World Model）和空间智能（Spatial Intelligence）的底层需求高度契合：当AI从虚拟场景走向现实任务，世界模型需要高质量、连续的环境感知数据以及对时空关系和因果变化的建模能力，从而解决AI在真实世界中样本效率低、缺乏规划能力、试错成本高等关键难点。这意味着，机器不仅要知道眼前“是什么”，还要知道“它在哪里”“离我多远”“是不是在动”“表面是什么材质”“接下来可能如何变化”。在这个过程中，视觉芯片的价值正被重新定义：它有望为机器提供更高效、低冗余的前端输入，成为空间智能和世界模型的重要底层支撑。
从视觉进入世界模型
来源：AI生成
物理AI视觉芯片
受生物视觉启发，与光科技创始人、清华大学黄翊东教授、崔开宇长聘副教授团队提出了光谱卷积神经网络（SCNN）方案，通过在CMOS图像传感器表面大规模集成微纳调制结构，将传感器本身同时作为输入层和第一卷积层，在光谱维度实现大规模并行向量内积计算，并结合后续小规模电计算卷积层，形成高效的光电混合神经网络。基于这一体系，进一步发展出“物谱芯片”—可直接处理自然图像，在百万至上亿像素的空间维度实现高度并行计算，并通过连续光谱维度提取图像中的物质信息，实现对组成成分的动态识别与特征映射，实现了感算一体的边缘计算（In-sensor Edge Computing），相关成果发表于国际顶尖期刊《自然·通讯》（Nature Communications）。
光谱卷积神经网络（SCNN）架构
来源：Cui, K. et al. Nat Commun 16, 81 (2025).
基于上述计算感知架构，我们可进一步构建面向多场景应用的物质识别与多模态感知传感器硬件，并配套开发相应的后端算法体系，满足复杂场景下的多样化应用需求。在此基础上，我们正与头部手机厂商开展联合预研，推动相关技术成果的产品化进程。
下一阶段，与光将瞄准物理AI的核心硬件缺口，研发多感知维度集成的物理AI视觉芯片。公司将物理AI视觉芯片作为新的战略支点，在延续消费电子的合作基础上，进一步面向具身智能与智能工业打开更广阔的产业空间。
手机影像业务落地
自成立起，公司首先从光谱芯片在消费电子领域的落地实现突破。围绕手机影像对高质量色彩表现的需求，公司将芯片能力与算法能力深度耦合，在色彩还原、分区色温判断、AWB优化等核心环节建立起差异化优势，打通“芯片—算法—应用”的端到端技术闭环，多款产品已被头部手机客户采纳，实现10kk级出货。计算光谱芯片的落地标志着公司具备了将复杂光学能力导入大规模消费市场的产品化能力，也验证了工程化和量产实力。
光谱芯片的技术发展
在光谱芯片方向，行业已经完成“单点感知”到“多光谱成像”的升级，材料色路线在传统方案中发挥了重要作用，但正逐步触及性能与设计瓶颈。与此同时，结构色方案的量产条件已经成熟，能够以更高的光谱调制能力、更强的可编程性，与光谱算法形成更深度的协同，成为新一代多光谱成像的更优解。
首先简要阐述结构色与材料色的基本原理：结构色通过微纳光学结构（包括光子晶体、超表面、法布里-珀罗谐振腔等）对光的干涉、衍射或散射实现显色；材料色通过化学颜料、染料对光线选择性吸收、反射显色。
结构色与材料色对比
来源：与光科技
光谱技术在手机影像领域的发展，主要可分为以下三个阶段：
单点色温传感器：基于多组分立窄带滤光片实现色温检测，光谱调制性能与AWB准确性较RGB CIS有了较大提升，主要瓶颈在于不能成像。在iPhone X率先搭载，后续在国内中高端手机中有较高的普及率。
材料色多光谱成像：采用染料滤光片阵列结合光谱恢复算法，实现快照成像式光谱采集，该路线推动了多光谱成像从实验室走向消费电子终端，已经在手机中搭载。但从技术原理上，受限于材料数量和通道重叠度高的问题，该方案较RGB CIS在光谱调制性能与AWB效果上的提升幅度有限。行业正在探索新的技术，以进一步满足终端对光谱调制、通道独立、算法协同提出的更高要求。
结构色多光谱成像：采用微纳结构滤光片阵列结合光谱恢复算法，通过亚波长尺度的光场调控，对入射光精确光谱编码，实现高质量快照式光谱采集。结构色在光谱选择、通道独立和设计自由度上具备明显优势，可显著提升传感器的光谱调制性能和AWB准确性。
光谱芯片在手机影像中的发展路径
来源：与光科技
当前，与光已经完成结构色光谱调制方案的技术升级，相关产品已经具备量产条件，并通过软硬件协同优化，有效改善了结构色角度敏感性的痛点。结构色基于微纳结构实现对光谱的精细调控，具有更高的设计自由度，能够为终端的性能提升打开更大空间。以微纳结构实现高性能光谱调控，正在成为光谱芯片技术演进的必然方向，也将成为公司产品持续领跑的核心支撑。
战略愿景：拥抱光与AI融合的时代机遇
与光科技的创始团队在计算光学与微纳光学领域有着二十余年的深厚积累，围绕光场调控、微纳结构设计、光学信息获取、计算成像等关键方向的科研成果，公司形成了从芯片、器件到算法、应用的系统性能力，并持续推动前沿光芯片技术的产品化与商业化落地。
公司正沿着一条清晰的技术主线推进：
升级计算光谱芯片，建立差异化方案和算法能力
落地物理AI视觉芯片，构建空间智能和世界模型的硬件支撑
光正在重塑信息的获取与处理方式，AI正在提升机器理解世界与参与世界的能力。站在这两股技术浪潮的交汇点上，与光将持续推动计算光学、微纳光学与智能算法的协同创新，全面拥抱光与AI融合带来的新科技机遇，为产业智能化升级和更多尚待定义的未来场景赋能。
