端侧智能正在被一个看似朴素的问题卡住：当机器人、可穿戴设备、工业检测终端真正进入物理世界，它们是否必须像云端数据中心那样，用持续高功耗换取智能？在电池容量、散热空间和硬件体积都被锁死的终端上，传统计算架构的高频采样与海量数据搬运，正在把“端侧AI”推向一个尴尬位置——模型能力越强，设备越难承受。这个矛盾不解决，具身智能从演示走向规模化部署的叙事就始终缺一块底座。
2025年5月在杭州成立的时维感知，试图用神经形态计算回应这个问题。9月23日，投资界消息显示，时维感知已完成数千万元天使轮融资，投资方包括奇绩创坛、零以创投和鹏晨投资，一苇资本担任独家财务顾问。这家公司没有选择在现有计算架构上做模型压缩或算力优化，而是从芯片的底层机制切入：去掉全局时钟，让计算单元只在接收到有效脉冲事件时被激活。
这轮融资的金额并不算大，但它的指向性值得注意。在端侧AI赛道里，大多数创业公司仍在围绕GPU、NPU或专用加速器做工程优化，时维感知则把赌注押在了一条更长周期、更底层、也更具不确定性的技术路线上。它的首颗芯片ASC-01已经完成首次流片，并通过封装、点亮与测试全流程。对于一家成立仅四个月的公司来说，这个进度不算慢；但流片成功与商业可用之间，仍然隔着一条需要大量验证工作的鸿沟。
| 字段 | 内容 |
|---|---|
| 公司 | 时维感知（杭州）科技有限公司 |
| 轮次 | 天使轮 |
| 金额 | 数千万元（具体金额未披露） |
| 投资方 | 奇绩创坛、零以创投、鹏晨投资 |
| 总部 | 杭州 |
| 创始人 | 未披露 |
| 官网 | 未披露 |
去掉全局时钟，是把功耗问题从软件层下沉到硅片层
时维感知的技术主张，可以概括为一句话：把传统芯片“始终在线”的采样与计算模式，改造成“事件触发”的稀疏计算模式。据投资界报道，其脉冲编码芯片ASC-01没有全局时钟，采用“无事件不计算”机制，静态场景下动态功耗降至近乎于零。这个表述来自公司方面通过融资报道传递的技术描述，目前没有独立的第三方测试数据可以佐证具体功耗数值。
从已披露的架构信息看，时维感知的做法与神经形态计算的经典路径一致：信息被编码为离散的异步脉冲，计算单元只在脉冲到来时被唤醒。这种机制在理论上的优势是明确的——如果环境中没有变化，芯片就不产生有效计算活动，动态功耗自然趋近于零。与之相对，传统数字芯片即使在没有有效输入时，仍然按照时钟频率执行采样、搬运和计算指令，产生持续的动态功耗。
但“近乎于零”是一个需要谨慎对待的表述。静态功耗、漏电流、片上存储刷新、接口电路待机等环节，在实际硅片中都不可能完全归零。公司披露的这一说法，更合理的理解是：在特定测试场景下，动态功耗占比被压缩到极低水平。至于这一特性在真实工作负载中能保留多少，取决于脉冲编码效率、事件稀疏程度以及系统级集成方案，而这些数据目前均未披露。
时维感知在芯片微架构上还采用了高度并行的分布式设计与存储路由优化。据投资界报道，这一设计意在缓解传统算力芯片中因频繁读写外部存储而导致的“内存墙”高耗能问题。这个技术选择与事件驱动机制是配套的：如果计算是稀疏的，那么数据搬运也应该是稀疏的；否则，即使计算单元省了电，数据在存储与计算单元之间来回搬运的能耗仍然会吃掉大部分收益。从已披露的架构方向看，时维感知试图在计算与存储两个环节同时降低无效活动，这比只优化计算单元更接近问题的根源。但分布式设计与存储路由优化的具体实现方式、片上存储容量、互联拓扑等关键参数，均未在公开材料中出现。
脉冲神经网络不是新概念，难的是把三层技术同时做扎实
神经形态计算并不是时维感知的发明。这个领域从学术界到产业界已经探索了二十余年，IBM的TrueNorth、英特尔的Loihi、以及欧洲多个脑计划项目都曾试图把脉冲神经网络从论文推向芯片。但这条路线长期面临一个困境：脉冲神经网络在理论上的能效优势，很难在真实任务中兑现为可量化的性能领先。
时维感知的应对策略是全栈布局。据投资界报道，公司在硬件层面研发神经形态感知芯片，实现感知信号的脉冲化编码；在模型层面以自研脉冲神经网络架构为核心，使信息通过离散脉冲及其时间关系进行表达和计算；在系统层面打通感知、决策与执行链路，降低不同模块之间的数据转换、传输与协同成本。
这个三层架构的意义，需要放在端侧AI的真实产业链约束中理解。一颗神经形态芯片本身并不能直接解决客户问题。客户需要的是：传感器输出的连续信号如何变成脉冲、脉冲神经网络如何训练、训练好的模型如何部署到芯片上、芯片输出的脉冲信号如何驱动执行机构。任何一个环节断裂，芯片的能效优势都无法传递到整机层面。时维感知选择同时做硬件、模型和系统，意味着它必须承担比单点芯片公司高得多的研发复杂度，但也意味着如果跑通，它在客户侧的交付完整度会更高。
从已披露的信息看，时维感知目前完成的是第一颗芯片的流片和测试。这验证了芯片设计、制造和基础功能，但还没有验证脉冲神经网络模型在芯片上的实际推理效果，也没有验证系统级产品在客户场景中的表现。公司称其目标是“为具身硬件及其他端侧智能设备提供兼具低功耗、低时延与环境适应能力的信息处理底座”，但具体客户名称、合作进展、性能指标均未披露。这意味着，从流片成功到商业验证之间，时维感知还有一段无法用融资新闻填平的验证路径。
具身智能的功耗焦虑，给神经形态计算打开了一个窗口
时维感知所处的市场环境，正在发生一个微妙的变化。具身智能产业从模型能力竞赛转向系统级能力竞赛，行业关注点从“模型能不能推理”扩展到“感知能力、计算时延、能耗效率与落地成本共同决定的系统级能力”。这个转变对神经形态计算是有利的：当客户开始关心每瓦有效智能，而不是单纯的算力峰值时，事件驱动架构的价值就有了被讨论的空间。
但有利的市场叙事不等于有利的商业位置。端侧AI的竞争格局中，时维感知面对的不是空白市场，而是一群已经在各自路径上投入多年的玩家。传统MCU厂商正在集成轻量级AI加速器，NPU厂商在优化能效比，事件相机公司从传感器侧切入稀疏感知，云端大模型公司则试图通过蒸馏和量化把模型塞进终端。时维感知的神经形态芯片需要在功耗、时延、成本、开发工具链成熟度等多个维度上，证明自己比这些替代方案更适合特定场景。
一个关键的现实约束是：脉冲神经网络的训练和部署工具链远不如人工神经网络成熟。工程师可以用TensorFlow或PyTorch在几天内把一个CNN模型部署到NPU上，但把同一个任务用脉冲神经网络实现，可能需要重新设计编码方式、训练算法和网络结构。时维感知如果不能让客户以足够低的迁移成本使用其芯片，那么即使芯片本身的能效优势成立，客户也可能因为工程复杂度而选择更成熟的方案。公司目前未披露其软件开发工具链、模型转换工具或客户接入流程的任何细节，这是一个需要持续观察的变量。
奇绩创坛、零以创投和鹏晨投资的组合，指向早期技术验证逻辑
本轮投资方的构成，透露出一些关于这轮融资性质的信号。奇绩创坛以早期技术项目孵化和投资著称，通常会在极早期介入，看重技术方向与团队背景；零以创投和鹏晨投资在公开材料中没有针对时维感知的投资逻辑披露。三家机构合计投入数千万元天使轮，这个体量对于一家需要持续流片和系统验证的芯片公司来说，只能覆盖早期研发和团队搭建的一部分成本。
从资本结构看，这轮融资更像是技术验证轮，而非商业化加速轮。时维感知的现金流需求，在芯片行业里是出了名的重：一次流片的工程费用、EDA工具授权、IP授权、封装测试、团队薪酬，每一项都在快速消耗资金。数千万元天使轮能够支撑公司走到哪一步，取决于流片节奏、团队规模和后续融资节奏。公司未披露资金用途，这是一个信息缺口。但从行业惯例和公司当前阶段推断，资金大概率会用于后续芯片迭代、系统级产品开发以及小规模客户验证。需要强调的是，这一推断建立在芯片行业的一般性规律之上，时维感知的具体资金安排并未公开。
投资方愿意在这个阶段进入，说明他们至少认可两个前提：第一，端侧AI的功耗问题确实需要一个底层架构层面的解法；第二，时维感知的团队具备把神经形态技术从实验室推向工程化的潜力。据投资界报道，公司核心团队成员来自剑桥大学、新加坡国立大学和浙江大学，研究方向覆盖AI传感、脉冲神经网络等前沿领域；骨干成员还包括来自海康威视、迈瑞医疗等企业的资深工程师。这个团队结构在纸面上兼顾了学术前沿与产业工程，但创始人姓名和具体履历均未披露，外界无法判断核心决策者的产业经验和资源调动能力。
流片成功是一个节点，不是一张商业通行证
ASC-01完成首次流片并通过封装、点亮与测试全流程，是时维感知目前最实质性的进展。在芯片行业，这意味着设计从RTL代码变成了可以工作的物理芯片，基础功能得到验证。但它距离“可用”还有很长的路。
首次流片通常验证的是芯片的基本功能：上电、时钟（如果有的话）、接口、基本计算通路。对于时维感知这样采用非传统架构的芯片，首次流片还需要额外验证脉冲编码电路、事件驱动机制和分布式计算单元是否按设计工作。这些验证的通过，说明公司的芯片设计流程是完整的，团队具备从设计到流片的工程能力。但芯片的良率、功耗表现、性能指标、可靠性、量产一致性等关键参数，都需要在后续测试和迭代中逐步确认。
更关键的是，一颗芯片只有在真实客户场景中跑起来，才能证明它的商业价值。时维感知目前没有披露任何客户名称或试点项目。对于一家面向具身硬件和端侧智能设备的芯片公司来说，客户验证的缺失意味着技术价值尚未转化为市场信号。具身智能整机厂在选择计算方案时，会综合考量功耗、时延、成本、供应链稳定性、开发工具链成熟度和供应商支持能力。时维感知需要在所有这些维度上证明自己，而目前公开信息只能支撑“技术方向明确、首颗芯片跑通”这个判断。
风险不在技术路线本身，而在验证节奏与客户迁移成本
时维感知面临的风险，可以从三个层面拆解。
第一层是技术验证风险。神经形态计算的理论优势，需要在真实任务中兑现为可量化的性能领先。如果ASC-01在实际工作负载下的能效比，无法显著优于经过优化的NPU或事件相机方案，那么“事件驱动”的叙事就会失去商业支点。目前公司未披露任何性能对比数据，这个风险处于完全未验证状态。
第二层是客户迁移成本风险。即使芯片性能达标，客户从现有方案切换到脉冲神经网络架构，需要重新设计感知编码、模型训练和系统集成流程。时维感知能否提供足够易用的工具链和参考设计，降低客户的迁移门槛，是决定其商业化成败的关键变量。公司目前未披露任何关于开发工具、SDK或客户支持体系的信息。
第三层是资金与节奏风险。芯片创业的试错成本极高，每一次流片迭代都需要大量资金和时间。数千万元天使轮在芯片行业里并不宽裕。如果后续融资节奏跟不上，或者技术验证周期拉长，公司可能面临在商业验证完成之前资金耗尽的风险。投资界在报道中也明确提示：“端侧AI赛道竞争激烈，底层技术落地速度存在不确定性。”
从已披露的X（首颗芯片流片成功）与Y（全栈技术布局）看，时维感知具备推进神经形态计算产业化的基本工程能力；但Z（客户验证、性能数据、资金用途）尚未披露，因此对其商业前景的判断边界是：技术方向有逻辑自洽性，首颗芯片证明了设计能力，但商业可行性仍处于待验证状态。
端侧AI的下一程，需要有人把“有效智能”变成可测量的指标
时维感知团队在融资报道中提出，端侧智能的下半场“已彻底告别参数堆叠或单颗芯片算力峰值的粗放式内卷，转而追求计算范式与系统架构的底层跃迁”。这个判断本身并不新鲜，但它点出了一个行业正在发生的转变：当端侧设备无法继续依靠制程进步和算力堆叠来提升智能水平时，计算架构的底层创新就从可选项变成了必选项。
问题在于，“底层跃迁”这个词在芯片行业被使用得太多，而真正能兑现的太少。神经形态计算过去二十年的历史，就是一部“技术方向正确、商业落地艰难”的历史。时维感知能否打破这个魔咒，取决于它能否在接下来的12到24个月内，完成从“芯片跑通”到“客户用起来”的关键跨越。这个跨越需要的不是更多的技术叙事，而是可测量的功耗数据、可对比的性能指标、可复制的客户案例，以及一个能让工程师低成本接入的开发环境。
从已披露的信息看，时维感知选择了一条更难但可能更有长期价值的路。它没有在现有架构上做边际优化，而是试图从芯片底层重构端侧智能的计算方式。这种选择在天使轮阶段是合理的，因为早期投资本来就应该为技术路线的多样性买单。但天使轮的耐心是有限的。当下一轮融资到来时，投资人会问的问题不再是“你们的架构是否新颖”，而是“你们的芯片在客户场景里比现有方案省了多少电、快了多少毫秒、客户为什么愿意切换”。这些问题的答案，目前还不在公开信息里。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：时维感知的故事，本质上是端侧AI从“算力焦虑”转向“能效焦虑”的一个切片。去掉全局时钟、让芯片只在事件发生时工作，这个想法在理论上足够优雅，但优雅不是商业化的充分条件。ASC-01的流片成功证明团队能把设计变成硅片，而真正的考验在于：当这颗芯片被装进一台真实的机器人或可穿戴设备时，它能否在功耗、时延和开发成本上，同时说服工程师放弃他们熟悉的工具链。神经形态计算已经等了二十年，时维感知需要证明的，不是这个方向终于对了，而是这一次，有人能把它从实验室带进产线。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。