当大模型从文本生成走向智能驾驶、机器人和实时决策，算力市场正在被撕开一道新的口子。过去十几年，AI 芯片的主线任务是把矩阵乘法做得越来越快，GPU 和各类 AI 加速器沿着这条路径支撑了深度学习与大模型的爆发。但当 Agent 需要在工具与行动之间做选择，当一台机器人必须根据环境实时规划路径，当复杂 AI 系统要在海量可能性中持续搜索与优化，计算任务的性质已经变了。随机采样、组合优化、概率推断这些曾经处于边缘的 Workload，开始成为决定系统能力上限的关键环节。而传统数字芯片在处理这类任务时，恰恰暴露了架构层面的不匹配：GPU 擅长确定性并行计算，却在随机采样上遇到瓶颈。
这正是量巡科技试图切入的位置。2026 年 9 月 14 日，上海量巡科技有限公司宣布完成天使轮融资，由鼎峰科创领投，浦东创投、上海城投旗下诚鼎基金共同参与。公司将自己定义为“AI 加速与量子启发计算平台”，一端面向快速增长的 AI 推理需求，另一端通过 PPU（Probabilistic Processing Unit，概率处理单元）探索概率、搜索和优化计算的处理器化。两条产品线共享同一套底层器件与芯片工程能力，也对应着公司对下一阶段计算产业的核心判断：AI 对算力的需求正从单一模型计算延伸到更多类型的 Workload，量子启发计算则在寻找更早进入现实产业的窗口。
这笔融资的具体金额未披露。在芯片创业公司的语境里，天使轮不公布金额并不罕见，但它同时意味着外界无法从资本规模判断公司接下来流片和工程验证的推进力度。多维资本担任本轮及长期独家财务顾问。投资方阵容中，鼎峰科创领投，浦东创投和诚鼎基金分别代表了上海区域产业资本与城投资本的参与，这一结构带有明显的本地产业资源绑定色彩。
| 字段 | 内容 |
|---|---|
| 公司 | 量巡科技（上海量巡科技有限公司） |
| 轮次 | 天使轮 |
| 金额 | 未披露 |
| 投资方 | 鼎峰科创（领投）、浦东创投、上海城投旗下诚鼎基金 |
| 总部 | 上海 |
| 创始人 | 朱政（CEO）、王家勇（董事长）、侯耀儒（CTO）、徐红星（首席科学家） |
| 官网 | https://quantsyn.com/ |
一套自旋器件，两种计算状态，两条产品线共享同一个物理底座
量巡科技的技术叙事围绕“硅基电子自旋”展开。据公司披露，同一种自旋器件可以分别工作在确定性和概率性两种状态：稳定状态下用于存储和计算，通过存内计算服务 AI 推理；概率状态下则利用器件自身的随机性参与计算，用于采样、搜索和组合优化。这意味着，公司并非同时押注两条互不相干的技术路线，而是试图用一套底层器件能力同时支撑 AI 推理加速芯片和 PPU 两条产品线。从工程角度看，这种架构设计的吸引力在于：如果自旋器件能够在两种状态间可靠切换，那么流片、封测、量产等环节的工程经验可以在两条产品线之间复用，降低从实验室到产线的重复成本。
但需要明确的是，这一技术路径的可行性目前主要来自公司口径。公开材料中，投资方声明称量巡“率先实现量子随机数发生器芯片流片量产与客户应用”，这是目前唯一可以确认的、已经走完从器件到量产全流程的产品。QRNG（量子随机数发生器）和 TRNG（真随机数发生器）属于量子安全范畴，与 AI 推理加速和 PPU 所要求的计算密度、功耗控制和算法映射复杂度不在同一量级。换句话说，团队在量子安全芯片上验证了自旋器件的工程化能力，但这套能力能否平移到更大规模、更高性能要求的计算芯片上，仍然是一个待验证的假设，而非已经成立的事实。
AI 推理芯片进入车企合作，但“全栈合作”的深度与边界尚不清晰
在 AI 推理加速芯片这条线上，量巡科技披露的最实质进展是与国内知名整车厂智驾部门开展“硬件+软件”全栈合作。这是一个值得拆解的表述。“全栈合作”在产业语境中可以意味着从芯片定义、算法适配到系统集成的深度绑定，也可能只是早期技术验证层面的接触。公开材料没有披露合作的具体范围、阶段、是否涉及量产定点，也没有说明整车厂的具体名称。因此，这一合作目前只能被理解为“已建立技术对接关系”，而非“已获得量产项目”。
从产业链约束来看，智能驾驶芯片的导入周期通常以年为单位。一颗芯片从流片、回片测试、车规认证到进入整车厂的供应链体系，中间隔着功能安全认证、AEC-Q100 可靠性验证、软件工具链成熟度、长期供货能力等一系列门槛。对于一家天使轮公司而言，即便技术指标在实验室环境中表现优异，距离真正进入前装量产仍有相当长的距离。量巡科技目前“已进入回片测试”，这意味着芯片已经完成流片，正在验证实际硅片的行为是否符合设计预期。回片测试是芯片创业公司的第一个关键节点，但远非最后一个。
PPU 的“万倍加速”说法需要更谨慎地理解
PPU 是量巡科技最具叙事张力的产品线。据公司披露，其打造的“概率计算+量子安全”芯片平台，通过 PPU 概率加速单元解决 GPU 在随机采样上的架构瓶颈，可实现万倍加速与超低能耗，目前已斩获头部车企与通信厂商订单。这一表述来自集微网的报道，但“万倍加速”这一数字缺乏可核验的测试条件、对比基准和工作负载定义。在芯片行业，加速倍数高度依赖于具体任务：如果对比的是 GPU 在特定概率采样任务上的表现，且 PPU 采用了专用电路设计，万倍加速在特定场景下并非不可能；但如果脱离任务定义和对比条件，这个数字本身并不能构成一个有意义的性能结论。
更关键的是“已斩获头部车企与通信厂商订单”这一说法。订单的性质是什么？是芯片采购订单、IP 授权订单，还是联合开发协议？金额规模如何？交付时间表是什么？这些信息均未披露。在芯片行业，早期“订单”有时是客户为锁定技术合作而支付的开发费用，有时是带有条件的意向采购，真正意义上的批量供货订单在天使轮阶段极为罕见。因此，这一进展更适合被理解为“已与头部客户建立付费合作”，而非“产品已经进入规模销售阶段”。
与 GPU 厂商的异构协处理器路径，是机会也是定位风险
量巡科技披露的另一条商业化线索是，PPU 正在与国内头部高性能 GPU 厂商探讨异构协处理器技术路径。这是一个值得关注的产业信号。如果 PPU 能够作为 GPU 的协处理器，在概率采样、搜索和优化任务上分担计算负载，那么它有可能嵌入现有 AI 算力基础设施，而不必从零构建一套独立的计算生态。这种“寄生式”或“协处理式”的切入策略，在商业上比直接挑战 GPU 的通用计算地位要现实得多。
但这条路径同时带来一个定位问题：如果 PPU 最终被定义为 GPU 的附属加速单元，那么它的价值捕获能力将高度依赖于 GPU 厂商的生态策略。一旦 GPU 厂商通过制程升级、架构改进或软件优化在概率采样任务上缩小差距，PPU 的独立存在价值就可能被削弱。此外，“探讨异构协处理器技术路径”这一表述本身说明，双方尚未进入实质性的产品定义或联合开发阶段。从探讨到落地，中间隔着技术验证、接口标准、软件栈适配和商业条款谈判等多重环节。
全球赛道正在升温，但量巡的竞争位置需要放在更具体的坐标系中审视
量巡科技所处的赛道，在过去一年里确实出现了密集的产业动作。2026 年 3 月，Samsung Catalyst Fund 领投 Normal Computing 5000 万美元融资，后者探索利用物理系统自身的随机性进行计算；7 月，Extropic 与美国商务部签署最高 7500 万美元 CHIPS R&D 资金支持意向书，推动概率计算单元产业化落地；8 月，AMD 宣布收购专用 AI 推理芯片公司 Taalas；9 月，D-Wave 与美国商务部签署最高 1 亿美元的资金支持协议。东芝与 MIRISE Technologies 在 2 月将量子启发优化用于自主移动机器人的实时决策，6 月进一步将 AI 与量子启发优化结合。
这些动作共同指向一个趋势：概率计算和量子启发计算正在从学术概念走向产业验证阶段。但将量巡科技放入这个坐标系中，需要注意到几个关键差异。Normal Computing 和 Extropic 的融资规模与政府资金支持力度，反映的是美国市场对概率计算芯片的资本耐心和公共资金配套能力。D-Wave 的 1 亿美元协议建立在多年量子计算商业化积累之上。东芝和 MIRISE 的合作则依托于大型企业集团的既有产业场景。相比之下，量巡科技的天使轮融资规模未披露，客户合作处于早期阶段，其竞争位置更多取决于自旋器件技术路径能否在性能和成本上形成差异化优势，而非赛道热度本身。
投资方的判断逻辑：团队、平台技术与上海产业资源的三重押注
从投资方声明来看，鼎峰科创的决策逻辑集中在三个层面。第一是团队背景。量巡科技的创始团队配置在芯片创业公司中属于高配：CEO 朱政拥有 10 余年芯片、量子、安全产业经验，董事长王家勇拥有近 30 年量子及芯片行业及产业化经验，CTO 侯耀儒长期聚焦自旋存储与概率计算，据披露已具备万颗级相关芯片量产验证经验，首席科学家徐红星为中国科学院院士。核心研发团队汇聚来自香港科技大学、北京航空航天大学、上海交通大学、复旦大学、上海科技大学等高校的技术骨干。这一团队配置的稀缺性在于同时覆盖器件、芯片和产业化三个环节，而非仅仅停留在学术研究层面。
第二是平台型技术的延展性。投资方声明称，量巡基于硅基电子自旋平台型技术，率先实现量子随机数发生器芯片流片量产与客户应用，并进一步拓展 AI 推理加速、量子安全、量子启发式计算等应用领域。这意味着投资方看重的不仅是单一产品，而是一套底层器件能力向多个计算场景延伸的可能性。第三是上海本地的产业资源。浦东创投和诚鼎基金的参与，为量巡科技提供了链接上海汽车、通信和半导体产业资源的通道。投资方声明中明确提到“上海有比较丰富的产业和应用资源，我们也会尽可能帮公司把这些资源链接起来”。
但投资方的判断与公司实际进展之间需要保持清晰的区分。投资方声明中“率先实现量子随机数发生器芯片流片量产与客户应用”的说法，来自投资方口径，目前没有独立第三方验证。团队背景中的“万颗级相关芯片量产验证经验”同样来自公司披露，未披露具体产品、客户和时间范围。这些信息可以作为理解投资逻辑的参考，但不能直接等同于经过验证的产业事实。
资金用途指向流片，但真正的瓶颈可能不在流片本身
本轮资金将主要用于核心产品流片、技术研发、团队建设及市场拓展。在芯片创业公司的生命周期中，流片是最昂贵的单次支出之一，尤其是在先进制程节点上。对于量巡科技而言，AI 推理加速芯片和 PPU 的流片成本将直接决定资金消耗速度。但更值得关注的是流片之后的环节：芯片回片后的调试、算法映射、软件工具链建设、客户导入和场景验证，这些环节的投入往往不亚于流片本身，且周期更长、不确定性更高。
从已披露的信息看，量巡科技目前处于“回片测试”阶段，这意味着至少有一颗芯片已经完成流片并回到团队手中进行验证。回片测试的结果将决定后续资金的使用方向：如果芯片行为符合设计预期，资金将更多流向算法适配和客户导入；如果回片暴露出设计缺陷，则可能需要追加流片投入。公司未披露回片测试的具体进展和结果，因此资金用途的实际分配仍然存在多种可能。
另一个值得注意的细节是，量巡科技同时推进 AI 推理加速芯片和 PPU 两条产品线。在天使轮阶段，同时推进两条需要大量流片投入的产品线，对资金使用效率提出了更高要求。公司称两条产品线共享底层器件与芯片工程能力，这在理论上可以降低边际成本，但 AI 推理芯片和 PPU 在电路设计、算法映射和应用生态上的差异，仍然意味着两套相对独立的研发体系。如何在有限资金下平衡两条线的推进节奏，是公司管理层需要回答的关键问题。
风险不在技术叙事，而在从“能做出芯片”到“能卖出芯片”的跨越
量巡科技面临的风险，在公开材料中被概括为“行业技术更新快，竞争激烈，产品研发与商业化进程可能受阻”。这是一个适用于几乎所有芯片创业公司的通用表述，但量巡科技的具体风险需要更精确地拆解。
第一层风险是技术路径验证。硅基电子自旋器件在 QRNG 上的成功，能否复制到 AI 推理加速和 PPU 上，目前没有公开的独立验证数据。自旋器件在计算密度、良率、功耗和可靠性方面的表现，将直接决定两条产品线的商业可行性。第二层风险是客户导入周期。智能驾驶和通信设备客户的导入周期以年计，量巡科技需要在资金耗尽之前完成从技术验证到客户量产定点的跨越。第三层风险是竞争格局。Normal Computing、Extropic 等海外公司在概率计算芯片上的融资规模和政府支持力度，意味着量巡科技在技术迭代速度上可能面临不对称竞争。第四层风险是定位模糊。如果 AI 推理芯片和 PPU 都无法在短期内形成清晰的差异化优势，公司可能陷入“两条线都在推进，但两条线都未跑通”的中间状态。
从已披露的 X（量子随机数发生器芯片已量产）与 Y（AI 推理芯片已进入回片测试并与车企合作）来看，这意味着量巡科技至少已经跨越了从器件到芯片的第一次工程验证，且团队具备将自旋器件推进到芯片级产品的能力。但 Z（AI 推理芯片和 PPU 的性能指标、客户订单的具体性质和规模、回片测试结果）尚未披露，因此结论的边界是：量巡科技证明了团队能够做出芯片，但尚未证明这些芯片能够在目标市场中形成可持续的商业回报。
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：量巡科技的故事之所以值得关注，不在于它又一家芯片公司拿到了天使轮，而在于它试图用一套自旋器件同时回答两个问题：AI 推理的能效瓶颈，以及概率计算从物理概念到处理器产品的工程化跨越。QRNG 的量产证明了团队能把自旋器件做成芯片，但 QRNG 与 AI 推理芯片、PPU 之间的技术距离，远比“共享底层器件”这句话所暗示的要远。真正的考验不在回片测试，而在回片之后：当一颗芯片从实验室进入车企和通信厂商的真实系统，性能指标要让位于可靠性、工具链、供货能力和成本曲线。量巡科技已经站在了从“能做出芯片”到“能卖出芯片”的临界点上，而这一步，恰恰是大多数芯片创业公司未能跨过去的地方。
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。