芯视界创始人、董事长兼首席科学家鲍捷：十年产业实践，量子感知芯片为物理AI打开物质世界 "感知入口" | 2026年36氪产业未来大会

9月9日，由36氪举办的2026产业未来大会在北京亦庄开幕。

作为今年产业未来大会最集中的量子专场，来自北京量子信息科学研究院、中电信量子、玻色量子、矩量光启、华翊量子等科研机构与量子企业，以及数十家产业资本机构，共同讨论量子科技从实验室走向产业应用的下一阶段路径。

在众多全部围绕量子计算展开的讨论中，芯视界创始人、董事长兼首席科学家鲍捷带来了一场具有差异化和独特性的演讲——《量子感知芯片：为物理AI打开物质世界的“感知入口”》。

演讲回答了另一个备受行业关注的问题：量子如何帮助AI理解真实物理世界。从量子点“人造原子”、粒子型光谱范式，到AI4S材料研发、城市级智慧水系统，这场演讲展示了一条量子测量与传感走向物理AI的产业路径。

量子感知芯片：为物理AI打开物质世界的“感知入口”

物理AI要理解真实环境、预测环境变化并辅助行动，首先需要获得关于现实世界的可靠信息。真实物理世界并不是静止、简单的对象集合，而是由物质、空间、时间和各种相互作用共同构成的复杂系统：水质会变化，物质会迁移，设备会运行，环境也会受到天气、流量和人为活动影响。即使计算能力不断提升，模型仍然需要依靠现场测量，才能知道现实中正在发生什么。

量子计算可以拓展某些问题的计算能力，但它并不能替代对真实环境的持续观测。模型可以推演一条河流中污染物可能如何迁移，却不能仅凭推演确定此刻水中有什么、变化发生在哪里，以及处置后是否得到改善。计算帮助模型推演可能性，感知帮助模型掌握现实状态。

芯视界希望解决的，正是物理AI与真实物质世界之间的这一层连接：从光与物质的相互作用中读取信息，通过量子点光谱传感芯片将其转化为可测量、可分析的数据，再为AI理解环境、判断变化提供依据。

从一束光中读取物质信息，再把这些信息转化为AI理解真实环境的依据，量子与人工智能的融合正在感知环节形成产业路径。在题为《量子感知芯片：为物理AI打开物质世界的“感知入口”》的演讲中，芯视界展示了这条路径的完整逻辑：以光的粒子性原理，以量子点“人造原子”为材料载体，将光谱测量转化为可部署的芯片和传感器，持续为AI提供物理世界的数据。

这条路径已经延伸到规模化应用。据芯视界披露，其水系统相关应用覆盖26个省市，合作政企单位100多家，每年获取10亿多条水质数据。向上游追溯，支撑这些应用的光谱原理创新始于2015年，AI材料研发平台则从2016年开始建设。量子为AI提供感知能力，AI帮助量子材料研发，两者经过约十年的持续推进，在芯视界形成了从研发到应用的体系。

物理AI需要数据，物质世界的数据依靠感知提取

理解量子如何赋能AI，需要先看物理AI的数据需求。AI要理解真实环境、预测其变化并辅助行动，就需要同时掌握物理规律和现场状态。模型可以推演一条河流中的物质如何迁移，但水中实际有什么、状态正在怎样变化、处置之后是否改善，仍然需要测量。这也是感知对物理AI的重要性：它不是模型之外的附加环节，而是模型与真实世界保持联系的基础。没有持续、可靠的观测，模型就难以判断自己的推演是否符合现实，也难以验证行动是否产生预期效果。

不同任务需要不同层次的信息。普通图像能够呈现物体的外观和空间位置，但对于许多物质识别任务，仅凭外观并不足够。系统还需要知道被测对象包含什么物质、处于什么状态，以及这些特征如何随时间变化。

因此，物理AI需要的不只是“看见物体”，还包括通过传感获取物质成分和状态的信息，让AI获得真实、连续、可用于分析和验证的现场数据。

从光谱读取物质信息：量子点带来新的测量范式

光为这种测量提供了重要途径。光与物质接触后，吸收、反射、散射或发光等过程会改变不同波长上的光强分布。这些变化与物质的成分和状态有关。把不同波长上的光强分布记录下来，就得到光谱；通过分析光谱，可以提取被测对象的相关信息，因此光谱常被比作物质的“指纹”。光谱仪的任务，就是读出这组分布，再据此分析被测对象。

一百多年来，光谱技术始终沿着“波动性”路线发展：利用折射、衍射、干涉等波动效应，将不同波长的光拆分，再分别测量。芯视界提出的，则是另一条路线——粒子性光谱范式。具体体现为光谱解析机制的转变：由利用波动效应分光，转向利用光子能量与材料量子能级的相互作用进行编码。这使量子原理、量子材料与量子感知测量直接连接起来，也为光谱分析从仪器走向微型传感器提供了新的实现方式。

2015年，鲍捷作为第一作者及唯一通讯作者在世界顶级学术期刊《自然》杂志上发表胶体量子点光谱仪研究，开创了以量子点材料响应编码、计算重建光谱的粒子性路线，将光谱解析的重要环节转向光子与量子材料的相互作用。

不同频率的光对应不同能量的光子，光子能否被材料吸收、吸收响应如何，与材料中允许发生的电子跃迁有关。通过设计材料的量子能级，就能够调节它对不同能量光子的响应。演讲所说的“由波到粒”，指向这种测量机制的转变——从依靠波动效应进行空间分光，转向利用光子的吸收与电子跃迁对光谱进行编码。

把这一原理变成器件，关键在于量子材料。量子点是尺寸仅数纳米的半导体颗粒，电子等载流子的运动被限制在很小的空间内，形成具有量子化特征的能级结构。这种“量子限域”使材料的光学性质可以随尺寸、成分等条件改变。量子点因此常被称为“人造原子”：人们能够通过材料设计，调控其能级与光的相互作用。

不同量子点材料可以形成不同的光谱响应。同一束光经过这些材料单元，会留下不同强弱的测量信号；把多组信号结合起来，算法便可以重建原来的光谱分布。每种材料都承担一部分编码任务，多种材料与算法协同完成光谱解析。这样，原本依赖分光空间完成的部分工作，就转移到了纳米材料的响应设计和计算解码上，为光谱仪的芯片化打开了路径。

这项创新也影响了后续研究。2025年发表于eLight的重构式光谱仪综述指出，2015年的胶体量子点工作显著推动了相关领域，并带动了基于低维材料的计算光谱仪设计。从学术界对材料编码、计算解码路线的持续探索，到芯视界将其推进为产业化器件，原理创新逐步延伸为感知技术的发展方向。

从材料响应到感知芯片：原理必须经过工程化才能成为能力量子点光谱测量提供了新的原理路径，但原理本身并不等于可规模部署的产品。要让材料响应稳定地转化为光谱信息，需要解决材料制备、器件集成、信号读取、算法重建和测量定标等一系列工程问题。

首先，材料的可设计性，带来了研发和制造的挑战。量子点材料的尺寸、形貌、成分及合成条件相互影响，需要在庞大的参数空间中寻找满足目标的组合。鲍捷教授在演讲中介绍，芯视界约十年前就把AI引入这一过程。据公司介绍，团队于2016年搭建量子点精密合成平台，2018年在北京市科委重点项目支持下，将体系扩展到数百维参数空间，并推进自主算法控制、连续稳定制备和无人化运行。这套平台从目标性能和实验约束出发，系统根据目标性能和实验约束安排合成实验，在线监测吸收、发光等结果，再由算法根据反馈调整下一步探索。实验数据持续进入模型，使系统能够识别关键因素、选择更有信息价值的实验条件。这是AI for Science在量子材料研发中的早期实践，具体属于AI for Materials：AI参与材料设计、合成与探索，为量子感知所需的材料和工艺提供支撑。

要进一步形成可用的感知芯片，还需要高一致性制备、阵列加工、芯片封装、标准化定标和批量制造。材料响应必须能够重复，微型单元必须准确集成，器件也需要建立测量信号与光谱信息之间的对应关系。芯视界围绕这些环节持续推进，将原理、材料、制造与数据标准化衔接起来，逐步形成可以规模部署的感知工具。

从光信号到物质信息：感知数据如何形成

量子感知芯片的作用，是把光与物质相互作用形成的信息转化为可读取、可分析的数据。其基本过程是： 光先与被测物质相互作用，携带其成分和状态信息；量子点材料再对这些光谱信息形成差异化响应；探测器把光强变化转化为电信号，算法根据经过定标的响应关系重建光谱。结合相应的标定与分析模型，系统进一步提取与物质成分或状态相关的信息。物理世界的变化，由此经过传感和计算成为AI可用的数据。

感知能力还可以从光强测量，延伸到光谱和空间成像。光强记录信号的大小，光谱呈现不同频率上的分布，成像进一步给出这些特征的空间位置。再加上连续的时间记录，数据便能描述物质状态在何处发生变化、如何随时间演变。据鲍捷教授介绍，芯视界团队在量子点体系中已实现这三个层次的功能，由此获得的真实观测，能够为模型训练提供样本，并为校验预测、评估行动结果提供依据。

这种赋能不仅体现在信息维度上，也体现在数据能否持续、广泛地获得。体积更小，传感器就能进入更多现场；响应更快，就更有机会记录短暂异常和状态转换；成本适合规模部署，才能形成覆盖不同位置的感知网络。鲍捷讲授将这种感知网络比喻为“皮肤”，强调物理AI对广泛、连续感知的需求。量子原理带来的芯片化路径，通过工程制造转化为部署条件，进而影响AI的数据覆盖范围、时效和丰富程度。

在水系统中实现规模化验证：从持续感知到智能判断

水系统是芯视界量子点光谱感知技术最早进入、也最为成熟的应用场景。据公开媒体报道披露，其水系统相关应用覆盖26个省市，合作政企单位100多家，每年获取10亿多条水质数据。围绕地表水、排水管网、水利、地下水和供水等环节，感知终端将现场水质变化转化为持续观测的数据。水质变化通过现场测量被持续记录，再与水量、水位、压力、气象及设备运行状态等信息结合，形成对真实系统的多维观测。

在演讲展示的水系统物理AI架构中，这些观测进一步关联河网、管网和设施结构，并与水动力、水质及工程约束等专业模型结合，用于支持异常诊断、风险预测、情景推演和调度方案比较。光谱感知提供物质变化的证据，其他传感信息补充运行条件，物理模型帮助解释和推演，AI则在这些基础上开展分析与判断。

例如，同样一次水质指标升高，其来源和传播过程，需要结合上下游位置、水流方向、降雨以及闸泵状态判断。处置后的新一轮测量，又可以检验此前判断和措施效果。量子感知在其中提供了物质信息的入口；时空关联、物理规律和持续反馈，则让这些信息进一步服务于AI对复杂环境的理解。芯视界十年来已经运行的终端网络和持续积累的数据，为这套应用架构提供了现实基础。

从量子材料研发到物理AI：形成双向赋能的产业路径

芯视界的实践，使量子与AI的双向赋能有了清晰的工程连接：AI辅助开发量子材料，量子材料支撑感知芯片，芯片在真实环境中持续获取物质数据，数据再服务于AI的理解与判断。芯视界在十年前就进行前瞻布局、持续研发，把原理创新、量子材料和规模化感知连接在一起，形成了已经落地运行的量智融合体系。

现场聆听演讲的多位投资人表示，芯视界在资本市场的价值，不止在于量子点光谱传感技术本身，更在于其将原创技术持续转化为产业应用的能力：以原创光谱测量原理为起点，以AI辅助材料研发和芯片工程化为支撑，并通过真实场景应用验证感知技术的部署能力与数据价值。

这意味着，芯视界所积累的并非单一水务产品或某一类传感器，而是一套可以向多行业延展的底层感知能力。随着物理AI从数字空间走向真实环境，物质信息的获取将成为连接模型与现实的重要环节。芯视界在过去十年里形成的技术、器件、应用与数据基础，将为其进一步拓展具身智能、空天信息、医疗健康等方向提供扎实基础，持续将技术优势转化为可复制、可规模化的产业增长。