当“怎么选、怎么分、怎么排”成为算力新战场
大模型军备竞赛把GPU推上了神坛，但算力瓶颈并不只存在于矩阵乘法。在交通调度、金融组合、医药分子筛选、AI任务分配等场景中，真正消耗计算资源的往往是另一类问题：怎么选、怎么分、怎么排。这类组合优化问题属于NP-hard，问题规模每增加一点，传统计算机的求解时间可能呈指数级膨胀。CPU的通用逻辑、GPU的并行矩阵运算、TPU的张量加速，在面对这类“决策型计算”时，都缺乏结构上的天然匹配。
这正是伊辛智能试图切入的缝隙。2026年9月，据投中网报道，专注新型光电计算架构研发与产业化的伊辛智能已完成近亿元融资，由顺禧天使基金领投，基石创投、国科创投、深智城跟投，值观资本将担任后续轮次FA。这家成立于2024年7月的公司，把“伊辛机”这个源自统计物理的概念，做成了一台面向组合优化问题的专用求解设备。联合创始人、CEO肖晔对投中网这样解释公司的定位：“我们用光电硬件实现了一种物理计算方法，面向组合优化提供专用求解能力，帮助人们处理传统计算机难以高效求解的NP-hard问题。”
伊辛机的物理直觉并不复杂：伊辛模型描述磁性材料中自旋之间相互影响、最终趋向能量最低状态的排列过程。工程师们发现，许多现实中的组合优化问题可以映射成同样的结构——把决策变量写成自旋，把约束和目标函数写成自旋之间的耦合，然后让物理系统自然演化到低能态。问题在于，用什么物理载体来实现这种演化。伊辛智能的答案是微波光子学与光电参量振荡器，通过FPGA实现新型计算范式。这条技术路线与量子退火领域的D-Wave形成了一种有趣的对照：两者都瞄准组合优化，但物理实现路径截然不同。
| 字段 | 内容 |
|---|---|
| 公司 | 北京伊辛智能科技有限公司 |
| 轮次 | 未披露 |
| 金额 | 近亿元 |
| 投资方 | 顺禧天使基金领投，基石创投、国科创投、深智城跟投 |
| 总部 | 北京 |
| 创始人 | 肖晔（联合创始人、CEO） |
| 官网 | 未披露 |
从25600个自旋到485自旋的交通实验：论文指标与产品指标之间的落差
伊辛智能最常被引用的技术里程碑来自学术发表。据投中网报道，2022年团队在《Light: Science & Applications》发表大规模光电伊辛机成果，以短微波脉冲充当人工自旋，实现25600个自旋、超过12小时稳定运行。到2026年，其最新发表的系统实现了4096个全连接自旋，最长稳定振荡5.5小时。这两个数字放在学术语境下是有分量的：自旋数量决定了能映射的问题规模，稳定运行时间则关系到求解过程的可靠性。
但更值得细看的是那个交通实验。在北京市西二环交通数据实验中，团队将1200辆车的调度问题构造成485自旋模型，报告的物理求解时间为2.71毫秒，模拟退火基线为6.46秒。这里有一个容易被忽略的细节：1200辆车的问题被压缩成了485个自旋。这意味着问题经过了某种预处理或抽象，并非1200辆车一一对应1200个自旋。从已披露的485自旋与1200辆车之间的映射关系看，伊辛智能在问题构造环节做了降维或聚合；但具体采用了什么映射策略、是否损失了调度精度、2.71毫秒是否包含问题映射和结果解码的时间，来源材料均未披露。因此，2.71毫秒对6.46秒的对比，只能理解为“物理求解时间”对“模拟退火基线”的单一环节比较，不能直接等同于端到端调度效率提升约2380倍。这是论文指标与产品指标之间的关键落差。
另一个结构性观察是：2022年的25600个自旋与2026年的4096个全连接自旋，数字上看似“倒退”，但“全连接”三个字才是关键。25600个自旋的系统大概率是稀疏连接或局部连接，而4096个全连接自旋意味着任意两个自旋之间都存在耦合，这对应的是更复杂、更通用的组合优化问题。从稀疏到全连接，是从“能做演示”走向“能接真实问题”的一步。但这一步也带来了新的约束：全连接系统的耦合矩阵规模是自旋数的平方，4096个自旋意味着约1678万个耦合项，这对光电系统的控制精度和FPGA的配置能力提出了更高要求。
光电伊辛机的技术路线：为什么是微波光子学而不是超导
伊辛智能的技术源自中国科学院半导体研究所李明研究员团队，团队早在2015年就开始进行光电振荡、光电参量振荡器和早期伊辛机研究。公司称其技术底色是光电，肖晔在对话中明确说：“目前的主打产品确实是伊辛机，以及围绕伊辛机做端到端项目，帮助客户真正把它用起来。但公司的底色是光电。我们的团队来自中科院半导体所，在光电领域还有很多前沿积累。”
理解这条技术路线的差异化，需要把它放到伊辛机的实现路径光谱中。D-Wave采用超导量子比特实现量子退火，需要在极低温环境下运行，系统复杂度和成本极高。光量子计算公司如玻色量子则走光量子比特路线。伊辛智能的微波光子学方案在物理原理上更接近经典光电系统：用短微波脉冲充当人工自旋，利用光电参量振荡器的非线性动力学实现自旋间的耦合和演化。这种方案不需要极低温环境，理论上可以在室温下运行，系统集成度和成本结构更接近传统光电设备而非量子计算机。
但“更接近传统光电设备”也意味着竞争参照系不同。如果伊辛机被视为量子计算的替代品，它的物理机制并不依赖量子纠缠或量子隧穿，求解质量的物理上限可能低于真正的量子退火系统。如果它被视为经典专用加速器，那么竞争对手就变成了高度优化的启发式算法、FPGA加速器、甚至GPU上的元启发式求解器。伊辛智能需要在两者之间找到一个足够清晰的定位。肖晔在对话中提出了“光电优化计算”这个分类，试图与“光联电算”“光电加速计算”区隔开来。但这个分类能否被市场接受，取决于客户是否真的在意“光电”这个实现方式，还是只在意求解速度、精度和成本。
商业化路径：云平台是唯一明确的出口，但客户和收入仍是空白
伊辛智能的商业模式在公开材料中被描述为“提供基于微波光子学和光电参量振荡器技术的云计算服务”。肖晔在对话中表达了明确的云化意愿：“把机器放到云平台，让别人真正用起来，团队会很有幸福感。别人了解我们在做什么，也可以拿自己的问题来试。所有东西都藏着，别人很难相信你，也很难参与进来。”
这段话透露的信息是：伊辛智能希望走一条“硬件上云、按需调用”的路线，而不是把伊辛机作为一台台独立设备卖给客户。这与D-Wave的Leap云平台策略相似，也符合专用计算硬件早期推广的常见逻辑——降低客户试用门槛，积累真实问题语料。但云化路线的前提是：机器足够稳定、接口足够易用、求解质量足够有竞争力。从已披露的信息看，伊辛智能的系统在实验室环境中实现了最长5.5小时的稳定振荡，但云平台需要的是7×24小时级别的可用性，以及面向不同问题类型的自适应映射能力。从实验室的5.5小时到云服务的持续可用，中间隔着工程化、运维、容错、调度等一系列未披露的工作。
更关键的是，客户信息完全未披露。交通、金融、医药研发、人工智能被列为目标领域，但没有任何一个已签约客户、付费项目或试点合作出现在公开材料中。肖晔提到“围绕伊辛机做端到端项目，帮助客户真正把它用起来”，这句话暗示公司已经在做项目制交付，但项目的数量、行业、金额、交付周期均未披露。对于一家成立两年、累计融资超过亿元的公司来说，客户验证的缺失是当前最大的信息缺口。
资本结构：两年三轮，从市场化VC到产业资本的微妙变化
伊辛智能的融资节奏值得拆解。据投中网报道，公司于2024年7月正式成立运营，成立之初即获得蓝驰创投、德联资本、麟阁创投、水木创投等市场化VC投资，后续又获达晨财智、广州产投加注，2年时间内累计融资金额超过亿元。本次新一轮融资由顺禧天使基金领投，基石创投、国科创投、深智城跟投。
从投资方构成看，早期以市场化VC为主，后期出现了明显的产业资本和地方国资色彩。深智城是深圳智慧城市相关的产业投资平台，国科创投具有中国科学院背景，广州产投则是地方国资。这种从“财务投资”向“产业资本+国资”的迁移，在硬科技公司中并不罕见，通常意味着公司开始进入与地方政府和产业场景深度绑定的阶段。但这也可能意味着市场化VC对纯技术风险的定价趋于保守，需要产业资本来填补后续轮次的资金缺口。值观资本将担任后续轮次FA这一信息，进一步说明公司已经在为下一轮融资做准备。
本轮融资的具体轮次名称未披露。考虑到公司成立之初已获得天使轮投资，后续又获得Pre-A轮融资（据腾讯新闻2026年1月报道，广州产投、达晨财智、水木创投参与Pre-A轮），本次“近亿元”融资大概率处于Pre-A轮之后、A轮之前的某个阶段。但来源材料没有明确轮次名称，编辑不做推测。
与D-Wave的对照：先发者的光环与包袱
任何做伊辛机的公司，都无法回避D-Wave这个参照系。D-Wave成立于1999年，是全球最早将量子退火商业化的公司，其官网宣称“当传统方法无法应对当今最棘手的建模、仿真和优化问题时，D-Wave可助力企业向前迈进”。D-Wave已经上市，拥有Leap云平台，客户覆盖物流、金融、制造等领域。
伊辛智能与D-Wave的差异首先是物理实现：超导量子退火对光电伊辛机。超导路线在量子效应上更“纯粹”，但系统复杂度和成本极高；光电路线在物理机制上更接近经典系统，但工程化难度和成本结构可能更友好。其次是成熟度：D-Wave有超过二十年的技术积累和商业化探索，伊辛智能成立仅两年。第三是市场教育成本：D-Wave已经为“量子退火解决组合优化”这个品类做了大量市场教育，伊辛智能作为后来者，可以选择搭便车，也可以选择用“光电”标签做差异化。肖晔在对话中强调“光电优化计算”这个分类，本质上是在试图建立一个与量子计算平行的认知框架。
但D-Wave的经验也提供了一个警示：技术领先并不自动转化为商业成功。D-Wave多年来面临“量子加速优势是否真实存在”的质疑，其商业化进程也远慢于早期预期。伊辛智能的光电伊辛机同样需要回答一个根本问题：在真实客户问题、真实规模、真实精度要求下，它是否比现有的经典求解器更快、更好、更便宜？目前公开材料中唯一的对比数据来自交通实验，且只对比了物理求解时间与模拟退火基线，缺乏与商业级求解器（如Gurobi、CPLEX）或专用启发式算法的对照。
资金用途与待验证假设：从原型样机到平台级算力的距离
据投中网报道，本次新一轮融资“将进一步支撑伊辛智能从原型样机走向可稳定落地的平台级专用算力”。这句话是理解本轮资金用途的核心线索。“从原型样机走向平台级专用算力”意味着公司承认当前产品仍处于原型阶段，尚未达到平台级产品的稳定性、易用性和可扩展性要求。资金大概率将投向工程化、云平台建设、团队扩充和客户试点，但具体分配比例未披露。
伊辛智能面临的待验证假设至少有三个。第一，光电伊辛机能否在客户真实问题规模下保持求解质量。论文中的485自旋交通实验是一个经过构造的案例，真实交通调度问题可能涉及数千个路口、数万辆车辆、实时动态约束，问题规模和结构复杂度远超论文场景。第二，云化商业模式能否跑通。专用硬件上云需要解决多租户调度、问题自动映射、结果质量保证等一系列工程问题，这些问题的解决成本可能远超硬件本身的研发成本。第三，光电伊辛机在性能上能否形成对经典求解器的稳定优势。组合优化领域有大量高度优化的商业求解器和启发式算法，伊辛机需要在至少一类问题上展现出不可替代的优势，而不是仅仅“在某些案例中更快”。
从已披露的2022年25600自旋、2026年4096全连接自旋的演进看，团队在硬件能力上确实在向“更通用”的方向推进。但“更通用”也意味着“更难验证”。全连接系统的耦合矩阵配置、求解稳定性、结果可重复性，都需要在更多真实问题上得到独立验证。目前这些验证尚未出现在公开材料中。
伊辛智能的融资节奏和投资方构成说明，资本市场对光电伊辛机这条路线给予了初步信任。但信任的兑现路径，需要从论文指标走向客户指标，从实验室稳定走向云平台可用，从“能做出来”走向“有人愿意付费”。这条路的长度，目前还无法从公开信息中判断。
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：伊辛智能的故事真正的张力不在于“光电伊辛机”这个技术标签有多新，而在于它能否在量子退火的高成本与经典求解器的成熟生态之间，找到一块足够坚实的商业立足点。论文里的25600个自旋和2.71毫秒是学术信用，但客户只会为“我的问题被解决了”付费。当“从原型到平台”的资金已经到位，下一个需要被验证的，不是物理系统能不能振荡得更久，而是有没有一个真实的、可复制的客户场景，愿意为这种振荡买单。