当冯诺依曼架构撞上物理墙，光与电的边界开始松动
在边缘端做实时视觉决策，正在变成一件越来越昂贵的事。传统架构要求图像传感器产生的数据先被完整读出、搬运到外部存储器，再送入GPU或NPU做卷积和矩阵运算。这个过程中，延迟被总线带宽和存储墙卡住，能耗也被数据搬运进一步推高。工业质检线上，相机拍到缺陷到系统做出判断之间的延迟，直接关系到剔除工位能否及时动作；无人机在无GPS环境下做避障，每一帧画面的处理滞后都在消耗控制窗口。这些场景对实时性的要求，是传统”先存储、后计算”流水线难以回避的物理约束。
这个矛盾在2026年9月2日被一家北京公司再次推到台前。犀灵视觉宣布完成新一轮融资，由国鼎资本领投，上海天使会及相关产业方跟投。公司称，资金将主要用于新型空间光电融合计算技术的研发、感存算芯片迭代及重点应用场景验证。与多数芯片公司融资公告不同的是，犀灵视觉这次把叙事重心从”造一颗更快的芯片”转向了”把计算嵌入光的传播过程”——一个在物理层面重新定义计算发生位置的命题。
犀灵视觉成立于2021年，总部位于北京。据公司披露，其核心团队来自大学实验室和芯片公司，已在北京、上海、成都、深圳和南京设立办公及研发中心。公司称已实现像素级感存算芯片的研发与产品化，并形成包括感存算芯片、智能视觉系统、SDK及算子库在内的软硬件全栈技术体系。以上表述来自公司口径，尚无独立第三方验证。创始人冉亮，具体履历未在公开材料中披露，这为外界评估其技术渊源和工程化能力留下了第一处空白。
从公司披露的定位看，犀灵视觉把自己定义为”以光-电融合计算架构为核心的新型算力芯片公司”，面向边缘智能与实时决策场景。这个定位的关键词不是”视觉传感器”，也不是”AI芯片”，而是”光-电融合计算架构”。它指向一条与当前主流计算芯片不同的技术路径：不是继续在电子域内优化晶体管密度和总线效率，而是让光在计算链条中承担更前置、更核心的角色。这种路径选择本身，就是对冯诺依曼架构瓶颈的一种回应。
| 字段 | 内容 |
|---|---|
| 公司 | 北京犀灵视觉科技有限公司 |
| 轮次 | 未披露（投资界称”新一轮融资”，证券之星/天眼查称”A轮融资”） |
| 金额 | 未披露 |
| 投资方 | 国鼎资本领投，上海天使会及相关产业方跟投 |
| 总部 | 北京 |
| 创始人 | 冉亮（CEO） |
| 官网 | https://www.pixelcore.ai/ |
“感知即计算”不是口号，而是对像素阵列的重新定义
犀灵视觉的技术底座是像素级感存算，即In-Pixel Computation。传统图像传感器的每个像素只负责把光信号转成电荷，然后交给后级电路处理；而犀灵视觉的方案，据公司披露，是将感知、存储和计算融合于像素阵列内部，在光信号进入芯片的同时完成实时处理与信息筛选。这意味着芯片输出的不再是原始图像数据，而是经过初步计算后的特征或决策信息。以上表述来自公司口径，尚无独立第三方验证。
这一思路在学术上并非全新概念。过去十年，国内外多个课题组在ISSCC和VLSI等会议上展示过像素级运算的图像传感器原型，核心挑战始终在于：在像素面积内塞入计算电路会牺牲填充因子和动态范围，而模拟域计算的精度又受制于器件失配和噪声。犀灵视觉称其技术”超越了传统冯诺依曼架构处理方式”，并带来”传统架构无法比拟的高速度、低功耗和智能化的优势”——这一表述来自公司口径，目前没有独立第三方测试数据或对比基准公开。从已披露信息看，公司产品已在智能工业视觉、机器人视触觉和小型无人机等领域开展应用，但客户具体名称和部署规模均未披露，因此无法判断这些应用是批量出货还是早期试点。
值得注意的一个细节是，犀灵视觉的产品体系不止于芯片。公司称已形成感存算芯片、智能视觉系统、SDK及算子库的软硬件全栈体系。这个组合的意义在于：感存算芯片的编程模型与传统图像传感器加后处理器的流水线完全不同，开发者需要新的工具链来映射算法。如果SDK和算子库足够成熟，可以降低客户从传统方案迁移的门槛；但如果工具链不完善，芯片本身的架构优势可能被开发成本抵消。目前公司未披露SDK支持的操作系统、算子覆盖范围和开发者生态规模，这是评估其商业化进展的关键缺口。
从”算力前移”的角度看，像素级感存算解决的是数据产生端的问题。传统架构中，图像传感器产生的原始数据需要完整离开芯片，经过接口、内存和总线，才能到达计算单元。这个过程中，大量能量消耗在搬运而非计算上。像素级感存算试图把第一层计算——通常是卷积、差分、阈值判断或特征提取——直接放在像素阵列内部完成，让芯片只输出经过筛选的信息。这在高速视觉场景中的潜在价值是直观的：如果芯片能在微秒级时间内完成初步特征提取，后级系统需要处理的数据量可能下降。但潜在价值要转化为实际优势，需要跨越模拟计算精度、像素填充率和工艺兼容性等多重工程障碍。具体而言，像素级运算电路会占用像素面积，导致感光区域占比下降，直接影响低照度下的信噪比；模拟域乘加运算的精度通常受限于晶体管失配和热噪声，难以达到数字域的位宽水平；而将运算电路嵌入像素阵列还要求代工厂提供可兼容的混合信号工艺选项。这些量化指标——填充因子、动态范围、运算位宽、工艺节点——公司均未披露，因此无法判断其工程跨越程度。
从”感知即计算”到”传播即计算”，一步跨入未经验证的物理域
本轮融资真正的叙事重心，是犀灵视觉宣布启动的”空间光电融合计算”战略。公司创始人（未具名）在公告中表示：”犀灵已经实现将计算融入感知过程，并将在此基础上进一步把大规模计算嵌入光传播过程。通过空间光计算、感存算与新型存算技术的深度融合，我们将构建面向未来的光电融合算力平台。”
拆解这句话的技术含义：空间光计算利用光的衍射、干涉和传播特性，在光场传播过程中完成卷积和矩阵运算。理论上，光的并行性和传播速度可以带来远超电子计算的能效优势，尤其是在大规模矩阵乘法这类算力密集任务上。犀灵视觉的构想是，由空间光计算完成卷积和矩阵运算，再由感存算阵列承接光计算结果，实时完成非线性计算与任务输出。据公司披露，其已完成相关原型样机开发与任务验证，即将发布相关成果，并重点面向太空遥感算力及大模型加速等应用方向。这一”已完成”表述来自公司口径，目前没有独立第三方验证数据或应用方测试报告公开。
空间光计算从实验室原型到可部署系统之间存在一系列工程鸿沟：光学元件的对准精度和温度稳定性、光调制器的速度和分辨率、光电转换接口的带宽瓶颈、以及系统级校准的复杂性。太空遥感场景还额外要求抗辐射、真空兼容和极端温度适应性。公司未披露原型样机的规模、精度、功耗、任务类型和验证条件，因此”任务验证”的具体含义和严格程度无法确认。
另一个值得追问的点是”大模型加速”。当前大模型推理的算力瓶颈集中在Transformer架构的矩阵乘法和注意力机制上，光计算在矩阵乘法上确有理论优势，但注意力机制涉及大量动态数据路由和softmax等非线性操作，这些在光域中实现极为困难。犀灵视觉的架构中，非线性计算由感存算阵列承接，这意味着系统性能取决于光电转换接口的吞吐能力和感存算阵列的非线性计算速度。如果光电接口成为瓶颈，光计算的理论优势可能被接口开销吞噬。公司未披露光电转换接口的具体规格和系统级能效数据，因此”大模型加速”目前仍是一个方向性叙事，而非可验证的性能承诺。
从技术架构的完整性看，”感知即计算”与”传播即计算”的协同逻辑是清晰的：感存算芯片在数据产生端完成第一层筛选和特征提取，空间光计算在大规模矩阵运算环节发挥并行优势，感存算阵列再承接非线性计算和任务输出。这个链条试图覆盖从光子到决策的完整路径。但链条越长，系统级瓶颈出现的概率越高。光电转换接口、光域到电域的数据格式转换、以及两端计算负载的平衡，都是决定系统实际性能的关键变量。这些变量的具体参数和优化程度，公司均未披露。
国鼎资本领投的产业逻辑：公开信息有限，协同方向尚待证实
本轮融资的领投方国鼎资本，其投资组合和产业背景值得关注。编辑分析：国鼎资本长期关注国防科技、航空航天和高端装备领域的硬科技项目，其投资逻辑通常与国产替代、供应链安全和极端环境下的算力自主密切相关。这一分析的依据是国鼎资本过往的公开投资方向，属于行业模式层面的推断，而非国鼎资本或犀灵视觉披露的具体投资逻辑。目前无公开文件证实其与犀灵视觉的具体协同安排。犀灵视觉将太空遥感算力列为重点应用方向，与国鼎资本的产业资源存在明显协同空间，但这一协同目前仅停留在方向匹配层面。
从资本结构看，本轮融资的跟投方包括上海天使会和相关产业方。编辑分析：上海天使会作为早期投资平台，其参与意味着犀灵视觉在机构化早期融资之外，还在构建更广泛的产业资本网络。这一分析的依据是上海天使会的平台定位，属于行业模式层面的推断，而非上海天使会或犀灵视觉披露的具体合作内容。上海天使会与犀灵视觉之间是否存在具体的投后协同安排，目前没有公开文件可以证实。”相关产业方”这一模糊表述未披露具体名称，编辑分析：这类产业方可能是下游应用企业或上游供应链伙伴，其参与可能带有订单绑定或技术协同的意图。但这一推断仅基于行业常见模式，在缺乏具体信息的情况下，不能作为对犀灵视觉本轮融资的确定性判断。
融资轮次的表述冲突本身就是一个信号。投资界和亿欧等媒体称”新一轮融资”，而证券之星和天眼查APP的信息显示为”A轮融资”。编辑分析：一家成立于2021年的公司，如果在2026年才完成A轮，说明其早期可能依赖自有资金、政府补贴或非机构融资维持研发；如果这实际上是B轮或更后轮次，则意味着公司已经历过多轮机构融资但未公开披露。两种情形对评估公司资金状况和股权结构有截然不同的含义。目前公司未对此做出澄清，融资具体金额也未披露。建议核验路径包括：查阅工商变更记录中的股权变动和注册资本变化，或直接联系公司确认轮次口径。
从投资时点看，国鼎资本在这一时点领投，可能意味着其看到了犀灵视觉在特定场景下的差异化价值，也可能意味着这笔投资的决策逻辑更偏向产业协同而非短期财务回报。在金额和估值均未披露的情况下，外界无法判断这笔融资对公司的实际支撑力度。
在工业视觉、机器人视触觉和无人机之间，商业化路径的模糊地带
犀灵视觉披露的三个应用领域——智能工业视觉、机器人视触觉和小型无人机——分别对应着截然不同的市场逻辑和竞争格局。
工业视觉是一个被基恩士、康耐视等巨头主导的市场，客户对检测精度、重复性和产线兼容性有极高要求，决策周期长，认证门槛高。感存算芯片要在这一市场站稳，需要证明其在高速检测场景下相比传统”高速相机+GPU”方案有明确的成本或性能优势。机器人视触觉则是更早期的市场，触觉传感器本身尚处于技术路线收敛阶段，视觉与触觉的融合计算更是前沿课题。小型无人机市场对功耗和重量极为敏感，感存算芯片的低功耗特性在理论上契合这一需求，但无人机厂商对供应链稳定性和成本的要求同样苛刻。
三个领域同时推进，意味着犀灵视觉需要同时应对三种不同的客户需求、认证体系和销售周期。对于一家成立仅五年的芯片公司而言，这种多线作战的策略可能分散工程资源和市场投入。公司未披露各应用领域的收入占比、客户数量和订单规模，因此无法判断哪个领域已经形成真正的商业牵引力，哪个仍处于技术验证阶段。
从产业链位置看，犀灵视觉的感存算芯片属于传感器和计算芯片的交叉品类。上游依赖晶圆代工的CIS工艺和混合信号工艺能力，下游需要与系统集成商或终端厂商深度协同。这种交叉定位既是差异化优势的来源，也是规模化障碍：它不属于任何一个成熟品类，客户在做选型时没有现成的对比框架，供应链也没有标准化的封装和测试方案。公司需要在市场教育和技术适配上投入额外资源，而这些投入的回报周期通常比标准芯片更长。
另一个隐含的挑战是，感存算芯片的客户价值主张高度依赖场景。在工业视觉中，客户关心的是缺陷检出率和误检率；在机器人视触觉中，客户关心的是触觉分辨率和响应速度；在无人机中，客户关心的是功耗和重量。同一个芯片架构要在三个场景中都形成明确的优势，意味着产品定义需要在分辨率、帧率、计算精度、功耗和面积之间做出不同的权衡。公司未披露是否针对不同场景做了产品线区隔，还是用同一颗芯片覆盖所有场景。这个问题的答案，直接影响其商业化效率。
补充信息显示，犀灵视觉的量产产品”飞虹感知”芯片和”飞瞳”视觉系统，据公司披露已应用于工业自动化、机器人视触觉和手眼协同、无人机导航、AR/VR交互、计算光学以及低功耗IoT等场景。公司还称，感知芯片”飞虹”和视觉系统”飞瞳”将在各行业的头部客户及上市公司批量出货。以上表述来自公司口径，公开材料中未见独立验证的客户名单或出货数据。产品”飞虹”曾获第十八届”中国芯”芯火新锐产品奖，这一奖项信息来自公开报道，可作为产品曾获行业奖项的参考，但不构成对产品性能或商业规模的独立验证。
资金用途背后的技术路线押注：感存算迭代与空间光电的资源配置
公司披露的资金用途包含三个方向：新型空间光电融合计算技术的研发、感存算芯片迭代、重点应用场景验证。这三个方向的资源分配比例未披露，但它们的风险特征截然不同。
感存算芯片迭代是相对确定的方向。公司已有产品化基础，迭代目标大概率是提升分辨率、动态范围、计算精度和良率，这些是工程问题，有明确的验证路径。重点应用场景验证则需要与具体客户深度绑定，周期取决于客户决策节奏和行业认证要求。而空间光电融合计算技术的研发，是三者中不确定性最高的部分：它涉及光学系统设计、光电混合封装、系统级校准和算法映射等多个前沿课题，任何一个环节的延迟都可能拖累整体进度。
从已披露信息看，犀灵视觉选择了一条”双轨并行”的路线：一方面用感存算芯片的现有产品维持商业化接触和现金流预期，另一方面用空间光电融合计算押注更长期的算力范式变革。这种策略的合理性在于，感存算芯片可以作为空间光电系统中光电转换和非线性计算的基础模块，两者在技术上并非完全割裂。但风险在于，空间光电系统的研发投入可能远超感存算芯片迭代，而公司未披露融资规模，无法判断资金储备能否同时支撑两条线的推进。
从技术演进的角度看，感存算芯片和空间光电融合计算之间的关系可能比表面看起来更紧密。感存算阵列在空间光电系统中承担的是光计算结果的承接和非线性计算任务，这意味着感存算芯片的精度、速度和接口能力直接决定了空间光电系统的整体性能上限。如果感存算芯片本身还在迭代中，空间光电系统的性能天花板也会随之移动。这种耦合关系既可能形成技术协同，也可能导致两条线的进度互相牵制。公司未披露两者之间的具体技术接口和性能匹配情况，因此无法判断这种耦合是正向的还是负向的。
补充信息显示，犀灵视觉曾完成数千万元Pre-A轮融资，由北京盈富泰克创业投资有限公司独家投资。据公司披露，该轮资金用于加速新一代”感存算一体”智能视觉传感器的量产落地、核心技术迭代及全球市场拓展。公司还称，Pre-A轮融资后将启动下一代堆栈式视觉传感器研发，并继续展开下一代感存算技术和光计算技术的开发。以上表述来自公司口径，公开材料中未见独立验证。编辑分析：Pre-A轮融资的存在说明犀灵视觉在2026年9月这轮融资之前已经获得过机构资金，这为理解其融资轮次冲突提供了额外背景：如果天眼查所称”A轮”属实，则Pre-A轮与A轮之间的时间间隔和资金衔接情况需要进一步核验；如果官方所称”新一轮”属实，则公司可能已完成多轮融资但未逐轮公开披露。
风险与待验证假设：从公司口径到可检验事实的距离
犀灵视觉的融资叙事中，最核心的待验证假设有三个。
第一，像素级感存算芯片是否真的能在目标场景中替代传统方案。公司称其技术带来”传统架构无法比拟的高速度、低功耗和智能化的优势”，但这一说法来自公司口径，目前没有独立测试数据、客户证言或行业基准对比公开。在芯片行业，性能声明如果没有可复现的测试条件和对比数据支撑，其参考价值有限。尤其是”智能化优势”这一表述，暗示芯片具备某种超越传统架构的智能处理能力，但”智能化”的具体定义和衡量标准均未披露。
第二，空间光电融合计算能否从原型样机走向可部署系统。据公司披露，其已完成原型样机开发与任务验证，但未披露验证的具体任务、精度指标、环境条件和系统规模。从原型到工程化系统之间的距离，往往比从概念到原型的距离更长。太空遥感场景的可靠性要求、大模型加速场景的精度要求，都是极为严苛的验证标尺。公司称”即将发布相关成果”，这意味着下一次公开披露将是检验其技术声明可信度的关键节点。如果届时公布的仍是概念性成果而非可独立检验的性能数据，市场对其技术成熟度的判断可能需要进一步下调。
第三，多应用领域并行推进的商业策略能否在资源约束下形成有效突破。公司未披露收入、客户和订单数据，无法判断商业化进展的真实状态。从已披露信息看，犀灵视觉的技术布局具有逻辑自洽性，但逻辑自洽不等于商业验证。感存算芯片在工业视觉市场的竞争、空间光电计算在太空遥感领域的工程化、以及SDK生态的开发者接受度，都是需要时间检验的变量。
从已披露的融资方构成和资金用途看，犀灵视觉正在从一家感存算芯片公司向光电融合计算平台公司转型。这个转型的技术逻辑是清晰的：如果计算可以在光的传播过程中发生，那么算力的物理边界将被重新划定。但技术逻辑的清晰程度与商业验证的成熟程度之间，隔着工程化、客户认证、供应链适配和资金续航等多重关卡。犀灵视觉已经跨过了从0到1的芯片产品化阶段，但从1到N的规模化，以及从感存算到空间光电的第二次技术跳跃，其确定性远低于公司叙事所暗示的程度。
在信息高度不透明的当下，外界对犀灵视觉的判断只能建立在有限的公司口径之上。融资轮次的冲突、金额的缺失、创始人履历的空白、客户和验证数据的空白，这些信息缺口本身并不必然意味着问题，但它们共同构成了一个事实：这家公司目前的可检验事实，远少于其叙事所覆盖的范围。对于一家正在同时推进两条高风险技术路线的芯片公司而言，这种信息不对称本身就是一种风险。
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：犀灵视觉的融资故事里，最值得关注的不是”光计算”这个已经被讨论了几十年的概念，而是一家中国芯片公司试图把计算从电子域延伸到光传播过程的工程化尝试。感存算芯片的产品化证明了团队在混合信号设计上的执行力，但空间光电融合计算面对的是光学系统、光电接口和算法映射的复合难题。在融资额、轮次、客户和验证数据均未披露的情况下，这家公司真正的分水岭不在公告里，而在下一次原型成果发布时能否给出可被独立检验的性能数据。
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。