光信科技完成数千万Pre-A轮融资：让机器“看懂”物质世界，物理AI感知闭环加速落地

广州光信科技有限公司希望捅破这层天花板。这家2019年成立的公司近日完成数千万元Pre-A轮融资，由三美投资领投。它试图用“多模态高光谱物理AI”构建一个能让机器理解物质的光电智能体，完成从感知到认知再到决策的闭环。在此之前，光信科技已获启高资本独家投资的千万元天使轮。

机器人能抓能走，却“闻”不出面前的陈皮是哪一年的

物理AI产业正陷入一个尴尬的割裂状态。一边是大模型的认知能力飞速进化，另一边是执行机构——机械臂、AMR、人形机器人——的硬件本体日趋成熟。但在两者之间，感知层仍停留在一个极其原始的阶段。RGB相机和激光雷达获取的是物体的几何形状、空间位置和表面纹理。这些信息对导航和抓取已经足够，但对工业检测、食药安全、材料分选等场景远远不够。物质的本征信息——化学成分、品质状态、内部结构——需要完全不同的感知技术来提取。高光谱成像正是为此而生。它通过采集物体在数百个连续窄波段内的反射光谱，形成该物体的“光谱指纹”，每一种物质因其分子结构不同，都有一条独一无二的光谱曲线。这让机器不仅能“看见”物体，还能“读懂”它是什么材质、新鲜程度如何、是否掺杂了异物。

但这套长期以来被锁在实验室和科研设备中的技术，面临一个“不可能三角”：检测速度、设备体积、成本，三者难以兼得。光信科技的天使轮投资人、启高资本主管合伙人尹明曾对此表示，光信科技的突破在于“将硬件成本大幅度降低，将光谱成像技术从科研和实验室领域带出来”。这正是光信科技试图攻克的工程难题。其首席科学家余向阳总结过团队的核心方法论：“硬件性能不够的用算法来补，算法不够的用硬件来补，在两者中找到平衡点。”

光信科技走的技术路线，是用芯片级分光技术实现光谱模组的微型化。但硬件微型化带来的挑战在于，更小的光学体积通常意味着更少的光通量和更低的信噪比，这直接影响了光谱数据的质量。因此需要通过多模态光谱融合算法和海量光谱数据库训练出来的模型进行补偿，从光谱曲线中提取物质信息。这便是余向阳所说的软硬协同平衡——在物理极限和算法能力之间，找到一个可交付的工程解。

光信科技表示，公司自成立起就构建了全链路自研体系，包括芯片级光谱模组、工业级超宽光谱光源、多模态光谱AI融合及标定算法以及多模态光谱数据库，形成了从物理信号采集到AI认知决策的完整闭环。这种全栈自研架构意味着，光信科技不需要依赖外部供应商来解决光谱数据的采集、标定和分析环节，理论上可以更快地迭代模型，也更容易控制端到端的成本结构。但全链路自研同时也意味着资源分散，团队需要在光学设计、芯片制造、算法研发、数据库建设等多个高壁垒领域同时保持竞争力，这对一家早期公司来说并非易事。

烟草产线上的事实——高光谱AI不只是一个好概念

光信科技最值得注意的战绩，是在烟草这样一个最严苛的流程性制造场景中完成的长周期在线生产验证。在流程工业中，“在线”和“长周期”是两个分量极重的词。与实验室环境不同，生产现场存在温度波动、粉尘、振动、物料流速变化等复杂因素，一个检测系统能否在这样的环境下连续稳定运行，直接决定了它从“样机”到“生产力工具”的跨越能否完成。光信科技向投资界表示，公司“在烟草领域率先完成多模态光谱物理AI长周期在线生产验证，开创了光谱AI在流程性制造场景中实时、连续、稳定运行的应用先例”，并据此获得了多家行业客户订单认可。

烟草行业对品质检测的需求有几个特点：产品附加值高，品质波动带来的损失足够大；生产节拍快，对检测速度有硬性要求；检测标准严格，对准确性不容忍妥协。这恰好对应了高光谱“不可能三角”中的三项挑战。能在这个场景中完成长周期验证，意味着光信科技的方案在检测速度、准确性和设备可靠性这三个维度上，达到了工业生产级别的最低门槛。这也是三美投资愿意在Pre-A轮下注的重要原因。三美投资合伙人汪熙舜点名了光信科技在“中药、烟草、医美等多个高难度场景验证了底层技术平台的可迁移性”。

但需要冷静看待的是，单一场景的成功并不直接等同于平台的可迁移性已被证实。烟草产线是一个相对封闭、工况可控的工业环境。物料的形态、流速、环境光照都有明确的工艺参数可循。当这套系统迁移到农田、仓库、户外文物现场等非结构化环境中时，是否需要重新采集大量光谱数据、重新训练模型、调整光源方案，目前公开信息并未给出答案。每一个新场景都可能在工程部署上提出全新课题，跨行业的“迁移成本”仍有待后续落地案例来证明。

同一套感知底座，正在从烟田走向药柜与文物库房

目前，光信科技已将多模态物理AI架构应用于食药、精密工业、文物保护等领域，并向消费电子、医疗、半导体延伸。这种跨行业布局看起来跨度极大，但其逻辑统一：所有场景都需要对物质成分和品质进行非接触、在线、实时的判定。无论是烟草的烟碱含量、中药材的有效成分、还是文物表面的颜料成分，本质上都是“物质本征信息”的识别问题。

在食药领域，天使轮期间光信科技就演示了陈皮年份鉴定、普洱茶品类甄别和农残快速筛查。这类应用直击非标农产品交易中的信息不对称痛点：买家难辨真伪，卖家难证清白。在中药材市场这个万亿级赛道中，掺假和品级混淆一直是行业顽疾。传统检测方法需要取样、送检、等待实验室结果，周期长、成本高、无法覆盖全批次。光信科技将光谱数据库与药材的化学成分指纹绑定，可能实现从“抽检”到“全检”的跃迁。但这里存在一个商业化上的关键问题：谁为这套系统买单？如果检测成本由供应链上的某一方承担，其对价格的敏感度将直接决定方案的渗透速度。一个药材批发商愿意为每批次支付多少检测费用？这笔账的答案，在公开信息中尚未揭晓。

在文物保护方向，光信科技也将技术应用于该领域。相较于食药和工业场景，文保是一个更细分、也更倚重非接触、无损检测的领域。壁画、书画、青铜器等文物的颜料和材质鉴定，传统上需要取样进行化学分析，这对文物本身是破坏性的。高光谱相机可以在完全不接触文物表面的情况下，通过扫描获取材质的光谱指纹信息。但文保市场的规模有限，更多可能是作为高价值示范场景存在，对营收的直接贡献可能有限。

光信科技提供的是一体化解决方案，包括光谱相机、AI模型、专用光源和数据库。据光信科技介绍，公司还在食药领域推进光谱视觉智能快检的场景落地，旨在实现从实验室抽检到现场实时检测的转变，帮助食药材产业链减少损耗、降低检测成本。将检测能力从实验室下沉到现场，这个方向符合产业趋势，但现场环境的光照变化、温湿度波动、操作人员非专业使用等因素，对设备的鲁棒性提出了远高于实验室场景的要求。光信科技能否在这些变量下保持检测精度的一致性，是一个值得跟踪的指标。

资本结构显示这是一个押注“感知新物种”的早期赌局

光信科技两轮融资背后的资本组合值得拆解。天使轮的启高资本是一家聚焦工业硬科技和智能制造领域的早期VC，其主管合伙人尹明在天使轮期间明确表达了看好“高光谱+AI+芯片技术”结合的逻辑，并强调光信团队将“先验数据、模型扩展到实际场景的能力”。这表明天使轮的投资判断更偏重技术路线本身的可行性和团队的学术背景。

Pre-A轮的三美投资合伙人汪熙舜的引语则透露出一个更宏观的投资框架：“物理AI进入产业场景是不可逆的趋势”，“随着机器人和智能装备不断进入真实世界，AI对于物质感知能力的需求将持续增长”。这表明三美不是把光信科技当作一个检测设备公司来估值，而是将其定性为物理AI浪潮中的“感知基础设施”提供者。这种叙事具有明显的赛道投资特征——押注的不是当前营收，而是一个还在形成中的需求浪潮。

但这种叙事高度依赖一个外部变量：机器人、智能装备、产线自动化对物质感知的需求是否真的会从“可选的加分项”变成“必配的标准项”。如果这个拐点到来，光信科技这类公司的估值天花板将被大幅抬高；如果迟迟不来，它就只能在一个个分散的检测场景里做垂直项目，增长速度和规模上限都会受限。而拐点何时到来，不取决于光信科技自身的技术进展，而取决于整个机器人产业和智能制造产业的落地节奏。这是一场需要耐心资本的赌局。

本轮资金将主要用于三件事：多模态物理AI核心技术研发、产品平台化建设以及跨行业规模化落地。从资金用途的表述中可以读出，Pre-A轮的核心目标是把已有的技术能力从一个“能交付项目的状态”升级到一个“能批量化复制的状态”。这意味着团队需要在工程化、标准化、文档化上投入大量精力，而不仅仅是攻克新的技术指标。

从天使到Pre-A，钱要花在把“项目”变成“平台”上

从融资节奏来看，天使轮融资金额千万级别，资金用途集中于光谱视觉关键技术研发、产品迭代、场景落地和市场推广。在那一轮之后，光信科技表示已完成烟草行业长周期在线验证，并获得多家客户订单。这可以视为天使轮资金的核心产出：在一个标杆场景中拿到了技术可行性证明。

走到Pre-A轮，新的资金用途表述发生了变化——加入了“产品平台化建设”和“跨行业规模化落地”这两个新目标。这意味着公司在天使轮期间的交付模式可能更接近于围绕具体客户需求进行定制化开发，而现在需要将已验证的技术能力抽象为标准化的产品平台。只有把“定制项目”变成“可配置的产品”，才有可能实现规模化。这中间需要打通几个关键节点：光谱相机硬件的标准化批量生产、软件平台对不同应用场景的灵活适配、以及光谱数据库的通用性建设。这些工作所需的资源量级远超单项目交付，也决定了这轮融资的用途逻辑。

不可回避的待验证假设

尽管烟草产线的验证案例颇有说服力，光信科技所站立的赛道并没有一马平川的坦途。几个待验证假设贯穿其Pre-A到下一轮融资的整个区间。

第一，非标场景下的大规模经济性。烟草行业的成功有场景的特殊性：附加值高、价值链条对品质波动足够敏感、检测需求明确且稳定。同样的商业逻辑在食药、农业、环保等场景中可能面临价格敏感度陡增的问题。当一个种植户需要为每公斤几块钱的农产品做品质分级时，他能接受的单次检测成本和设备摊销额度会远远低于烟草企业。光信科技的芯片级光谱模组虽然比传统科研设备便宜，但它是否已经便宜到穿透这些更价格敏感的行业，来源材料并未提供具体数字。一个可能的推演是，在价格敏感的行业中，光信科技或许需要在商业模式上做出调整——比如从售卖设备转向提供检测服务，按次收费。但这一路径意味着公司需要自己承担设备折旧和运营成本，对现金流的要求更高。

第二，数据库是资产也是成本中心。高光谱AI的识别精度极度依赖于光谱数据库的规模和质量。每一类物料在不同的水分、温度、光照条件下，其光谱都会发生系统性漂移。建立一个能覆盖实际工况变化的光谱数据库，需要持续数年、跨地域、跨季节的大量采集与标注工作。这不是资本的密集投入能在短期内解决的，而是高度依赖时间复利。目前光信科技覆盖了多少种物质的光谱数据，覆盖了哪些应用场景的工况变化，都是未公开信息。没有这些数据，它的快速跨行业可迁移性就只是一个待验证的假设，而非已证实的结论。更进一步来看，数据采集本身也是一项需要行业know-how的工作——什么物料在什么条件下需要采集、如何保证采集条件的一致性、如何校验数据的准确性，这些环节的标准化程度直接决定了数据库的质量上限。

第三，物理AI叙事仍需等待需求侧的拐点。三美投资所赌的“机器人和智能装备不断进入真实世界”这一趋势当然方向正确，但机器人产业自身的落地节奏仍充满不确定性。如果具身智能和机器人产业链在未来2到3年加速落地，对物质感知能力的需求将随之指数级上升，光信科技作为这一细分赛道里的先行者，将享受先发红利。但如果机器人产业走得不快，或者机器人本体厂商选择自己内部搭建感知能力——这意味着它们可能收购或自研光谱感知模块——光信科技就仍需依靠食品、制药、文物保护等传统检测场景来驱动增长。而检测赛道本身就是一个增长稳健但爆发力有限的存量市场，其天花板远比机器人时代的“感知基础设施”叙事低得多。这种外部节奏的不确定性，是这类项目无法通过自身努力完全消解的。

拿到钱以后，团队背景的作用才真正开始显现

两轮融资的报道中反复提到同一件事：光信科技的首席科学家兼联合创始人余向阳，是中山大学物理学院及光电材料与技术国家重点实验室的教授。这位在光电信息技术领域研究了数十年的学者，近年来一直在探索将科研成果从实验室推向产业界的具体路径。对于一个需要跨越光学设计、光谱分析、芯片制造、AI算法等多个高壁垒领域的创业项目来说，创始团队在光电学科的底层理解力决定了产品架构的下限。光信科技团队核心成员主要来自中山大学和上海交通大学等高校，拥有超过10年光谱视觉技术积累。

产学研背景的团队在早期技术攻坚阶段有明显优势，但当公司进入规模化落地阶段后，挑战的性质会发生变化。如何管理供应链、如何搭建销售体系、如何服务多个行业的客户、如何平衡定制化需求和产品标准化之间的张力，这些课题需要的是完全不同的能力集合。学术团队能否在组织层面完成这种能力补全，决定了技术领先性能否被有效转化为市场份额。

光信科技计划在珠海市香洲区三溪科创小镇光电产业示范园内投资设立研发、生产和销售基地。三溪科创小镇聚焦光电产业，依托清华、力合科创等机构的产学研资源。在光电产业集聚区落子，意味着公司可能在争取产业政策支持、对接上下游供应链资源、以及吸引光电领域专业人才等方面获得便利。但具体落地进度和规模，目前尚未有进一步公开信息。