专访晰见科技｜从清华走出，他用类脑掀了视觉的桌子

作者：吕鑫燚

出品：具身研习社

在一级市场，有两类项目始终让投资人最纠结。

一类是类脑。所有人都相信它是未来，但没有人说得清商业化在哪一天。模型、芯片、生态，有关类脑的一切都在早期阶段，投资人每年可能愿意出手一两个项目，用来保证自己在牌桌上，但前提是“价格合适”，因为没人指望它在几年内给出账面反馈。谁也说不清商业化在哪一年兑现，估值一高就没法算账。

另一类是视觉。恰恰相反，它看起来太过成熟了。人脸识别、OCR、车牌识别，CV公司在过去十年里把能落地的场景几乎扫了一遍。“视觉还有什么高想象力的空间？”这是投资人听到视觉项目时最常见的第一反应。

一个太不成熟，一个太过成熟。两个极端，却被同一家公司同时踩在了脚下。

晰见科技，是清华类脑中心“天眸芯”技术的唯一商业化载体。2025年，核心科研团队带着这项技术从实验室走向市场，正式创立晰见科技，华映资本作为天使投资人参与联合孵化，陪伴公司完成从科研成果到市场化主体的关键跨越。它做的是类脑视觉芯片，一个听起来既属于“太不成熟”又属于“太过成熟”的交叉地带。但就是这样一家公司，成立刚满一年便已连续完成三轮融资，累计金额近5亿元，资方阵营中汇集了国资、头部风投等多元化资本。

它凭什么？

答案藏在一个正在发生的分裂里，晰见科技创始人杨哲宇对具身研习社表示，视觉正在分成两个世界，给人看的，和给AI看的。前者的故事确实讲完了，后者才刚刚开始。而晰见站在了后者的起点上。不过，晰见科技的底牌远不止技术本身，而是一套完整的闭环。

这也正是它拿到钱的逻辑，不是把“类脑”和“视觉”两个热门词拼在一起，而是用类脑重写了视觉感知，再把这个长期的技术叙事接到了今天就能落地的场景上。类脑需要证明商业化，视觉需要重新证明想象力，晰见科技同时回答了这两个问题。因此，单独讲芯片、单独讲视觉或者单独讲类脑，都讲不出晰见科技完整价值。它做的事情，是把三者连成一条可交付的解决方案，然后再走出“视觉 AGI ”的道路。

至于它能不能真的成“视觉领域的 OpenAI”，那是下一个阶段的故事。但至少现在，它是类脑这条长期叙事里，第一个能把账单拿出来的公司。

“CV 已死”这句话，在 AI 圈流传了至少三年。

它能流传开，有几重原因。首先，CV 是 AI 大规模商业化打的第一战。渗透率一年比一年高，应用越来越成熟。“视觉没什么可做的了”渐渐成了行业默认判断，资本市场也越难从里面看到新故事。这不是某一个公司的困境，而是整条赛道叙事的退潮。

第二重原因来自大模型。GPT 横空出世之后，做视觉的人经历了一轮集体遇冷，薪资待遇、资源倾斜、人才流向、融资热度，全面让位于大语言模型。这阵凉意也传导至底层技术突破上，让本就没等来范式突破的视觉，只能徘徊在现有的圈地。

于是推论顺理成章，视觉的问题已经解决得差不多了，只剩一些细小的微调。

但杨哲宇直言，这个推论从根上是错的。真实情况是，大模型的光芒掩盖了视觉尚未解决的问题。

要把这件事讲清楚，得回到两种智能各自的处境。语言领域找到了 NTP（Next Token Prediction）这条可以规模化的训练范式，沿着它一路 scaling，模型规模发展到几 T 参数量，涌现出足够让人信服的能力。视觉没有这样的运气。真正成熟的只是最低层的 CV，人脸识别、OCR、车牌识别确实被解决得很充分，但广泛的视觉理解还没有成熟的解决方案。在杨哲宇的判断里，整个行业至今没有找到一条能让视觉智能大规模涌现的学习路径。

低层任务的成熟，被误读成了整个视觉的成熟。语言模型的耀眼，又顺手遮住了这个缺口。视觉从未等来自己的 GPT 时刻。

视觉涌现之后会是什么样？

杨哲宇给了一个类比“ coding ”。GPT 早期也能写代码，但应用远不如现在广泛，核心原因是智能化程度不够。视觉通用智能还没爆发，道理相同。只能在极窄的场景里应用。反过来，一旦通用性起来，街边的每一颗传感器都可以是“眼睛加大脑”的完整组合，观察世界，给出语言的判断和反馈。这个想象空间一直在，缺的只是通往它的路。

杨哲宇的判断，在唐杰的推特上也有迹象，他曾公开征集智谱下一阶段的方向，投票最高的答案恰恰是视觉。

投票结果本身就是答案，Agent、Coding 之后，AI 要走进现实世界，要和一个真实的物理环境交互，视觉是绕不开的第一关。这也是为什么视觉会成为具身智能最隐蔽的卡点。

表演类机器人的运控可以非常流畅，动作漂亮，节奏连贯。但一旦进入自主决策，比如叠一件衣服、抓一个杯子，机器人肉眼可见地慢下来。慢的根因不只是模型推理慢，而在视觉感知处理不过来。

在目前最好的边缘端 GPU 上跑一个 7B 的 VLM 或 VLA 模型，每秒大约只能处理 300 个 token；人的语言折算成 token，每秒只有 3 到 5 个；而一段低清视频每秒产生上万个 token，4K 视频则是几十万到上百万的量级。视觉输入的规模和端侧能处理的规模之间，差着几个数量级。

由此可见，具身智能的卡点之一，是视觉信息根本处理不过来。机器人看似“看见”了世界，实际处理不了足够多的世界，动作自然永远慢半拍。

晰见科技要做的就是从最底层切入这个问题。

自图像传感器问世，视觉数据的底层架构从未改变过，以帧和像素为基本表达结构，一个个像素点组成一帧图像，一帧帧图像组成一段视频。这个架构解决的核心问题是 “给人看” 。但 AI 不需要 “看”。AI 需要的是高效的信息输入。

人的视网膜里有几亿个感光细胞，真正传递到大脑的视神经只有 100 万个。在视觉感知的最前端，就完成了百倍以上的压缩。人眼不是在“录像”，而是在 “筛选”， 只把最关键的信息传给大脑，其余的冗余信息在视网膜层面就被丢弃了。

天眸芯做的就是把这套人类视觉的稀疏性机制，从生物学搬进硅基。

具体来说，传统图像传感器是“全采样” 模式，画面里每一个像素点都被感光、被读出、被传输，不管这个像素里有没有有效信息。这就直接撞上了 “图像感知领域不可能三角” 的老问题 ，分辨率、帧率、低功耗三者相互矛盾，做高一个，另外两个必然下降。因为你要采样所有数据，带宽和功耗就是固定的天花板。

CMOS 图像传感器之父 Eric Fossum 在发明 CMOS 之初就提出了这个问题，几十年里无人能解。手机上为什么要装好几个摄像头？因为一个摄像头无法同时满足指标。

天眸芯从根源上改变了这个逻辑。它不是均匀地采样整个画面，而是实时判断画面中哪些区域是 “关键的”， 运动的物体、变化的边缘、需要关注的目标。然后把有限的感光资源和读出资源集中分配给这些关键区域。画面里只有最关键的部分被拍摄、被读出、被传输，其余冗余信息在传感器前端就被压缩掉了。

这个底层架构的改变，带来了三个维度的实质性突破。

第一是传感器本身的性能代差。通过模拟计算，把有限的感光资源，用在了更关键的事情上，使得传感器性能得到巨量提升。天眸芯在分辨率、帧率、低功耗三个指标上同时突破了传统传感器的天花板。比海外最好的芯片还要好一倍以上。

第二是对后端大模型的直接加速。天眸芯输出的不是原始视频流，而是稀疏的视觉原语 token 流。这意味着大模型不需要再处理海量冗余像素，而是直接接收经过前端筛选的有效信息。训练成本也随之大幅下降，不需要把完整视频输入视觉大模型，只把关键 token 送进去，模型一样可以收敛。

第三是原生的数据基础。现在的 VLM/VLA 路线，本质上是通过 projector 把视觉映射到语言表示空间，天然只能得到 “我看到这幅图，更大概率能说什么话”，而不是对视觉场景的通用理解。天眸输出的视觉原语，为 “predict next visualprimitives” 这条新的视觉学习范式提供了原生的数据格式，就像NTP之于语言，视觉原语的序列预测可能成为视觉领域自己的、可规模化的训练范式。

技术突破为晰见科技带来了更高的商业想象力，其做的不是传统意义上的视觉芯片，而是AI 时代的视觉， 一条刚刚被定义出来的新赛道。在这条赛道里，参照系不再是索尼、OV 这些给人看的传统视觉公司，而是一个全新的品类，为大模型和具身智能而生的原生视觉底座。

解决新时代的问题，晰见科技的商业化也因此有了两个大范围。

第一个是“替代”。在杨哲宇看来，全球存量监控摄像头约 200 亿颗，它们要从“只看得见车牌和人脸”升级到“看得懂发生了什么”。例如道路的摄像头要理解什么是“违规行为”，这些场景的共同点，是要求视觉具备通用性，而晰见科技的产品就是以替代原有摄像头的姿态入局，让终端不再只输出画面，而是直接输出目标行为。

第二个是“更好的解决方案”。自动驾驶、具身智能、智能穿戴设备，这些需要高速移动的硬件载体，虽然已经有较为成熟的解决方案，但天眸芯能带来更高的效率。用一组数字来看更为直接，天眸芯首 token 延迟优化 20 倍以上，TPS 提升 10 倍以上。这组数字的含义不是省电，是让端侧视觉从“看得见”走到“处理得动”。

到这里，一个问题浮出水面，为什么这件事只有类脑能做？

图为天眸芯一代

语言是人类后天发展的产物，它是人类创造的，每个人的语言和表达方式都不同。要训练一个比人更高级的语言系统，它可以像现在的 AI 一样自我迭代、学习全人类语料，在这个层面上，类脑的必然性没有那么直接。但视觉不同。视觉信息处理的基本方法论，是生物学已经验证了几亿年的东西，前端尽可能多地观测，传输时尽可能压缩，压缩后的信息到大脑后分为快慢两条通路处理，然后对画面进行想象和重构。这套机制既在数学上 make sense，又在工程上能快速落地。

可以说，在类脑这个大范围中，其给科研、产业界最大的启发集中在视觉上，它是类脑落地最快、最直接、生物学证据最丰富的场景。

再进一步来看，人永远有两个系统在同时运作。慢思考负责缜密推理和复杂操作，叠衣服时需要空间想象，做精细操作时需要仔细判断。快思考负责遇到危险时的快速反应，手碰到烫的东西会立刻缩回，有物体飞过来会本能躲闪。这两种机制构成了人类视觉系统的底层架构，缺一不可。

今天的 VLA 模型，大体只是一个慢思考的过程。它和语言链路绑在一起，看到画面，映射到语言空间，推理出动作指令，再反馈给执行机构。这是一个串行的、需要 “想一下” 的过程。

而一个要在真实开放世界里工作的机器人，两种能力缺一不可。篮球运动员能接到球，靠的不是 “看到球→处理→反馈→伸手” 的串行链路，等这个链路走完，球早就落地了。他靠的是对运动轨迹的预判，是快思考通路在毫秒级完成的反应。如果只有串行链路，大概率连球都接不到，更不用说在复杂环境里实时操作了。

晰见科技认为，未来具身智能、自动驾驶等高速移动、自主思考的硬件，在行为上必然呈现这种双通路的类脑特征，而这也进一步解释了为什么类脑路线是“更好的解决方案”。

最后要澄清一个概念，因为它决定了晰见科技做的事到底离工程有多远。晰见科技期待的类脑，是 brain-inspired。不是仿脑，不去 simulate 或 emulate 大脑。大脑是进化的产物，进化带来的是优点，也是受时代条件限制的妥协，脑容量和身体机能的此消彼长就是例子。正确的做法是把大脑里先进的机制抽象成数学表示，再把数学表示落成工程上成立的系统。脉冲是不是生物的本质、异步是不是生物的本质，这些问题可以留给学界争论；产业化要拿的，只是那些已经被验证、可以被工程化的机制。

所以晰见科技手里的东西，和“类脑五年后兑现”的叙事有本质区别。

它没有把类脑当作一个遥远的愿景去讲，而是把类脑里最成熟、最可工程化的那一层，视觉机制，做成了一颗芯片。这套架构的相关成果已发表于 Nature，并经过流片验证。类脑第一次有了一个可以拿出来给人看、可以谈交付、可以算账的实体。

图为2026《Nature Sensors》封面、2024《Nature》封面

账单的第一行写在哪里？芯片只是起点，客户拿到的也不会是一颗裸片。从芯片到模型再到行业场景，晰见打算怎么把这套东西变成持续的收入，是下一个问题。

理解晰见科技，不能只看到芯片那一层。

晰见科技不是一家纯视觉芯片公司，而是一家视觉 AGI公司。这个定位的差异，决定了它交付给客户的不是一颗裸芯片，而是一套完整的视觉 AGI 解决方案。

对标的参照物是高通和英伟达。它们不是单纯卖一个硬件，而是一整套解决方案，软件、生态、工具链都在硬件中生长。

晰见科技做的是同样的事，只不过领域是视觉 AGI。

这套方案包含三个部分：天眸芯片、传输协议（"视神经" 链路）、以及后端的视觉大模型。客户如果想用晰见科技的模型，可以快速完成整体迭代，芯片输出的视觉原语和模型的输入格式原生对齐，不需要额外的适配和转换；如果客户想用自研模型，也可以配合晰见科技的芯片拿到更好的效果 ，稀疏的 token 流比原始视频流更高效，任何支持 Transformer 的视觉模型都能直接受益。

这种 “芯片 + 模型” 全链路打通的能力，来源于清华类脑中心的基因。清华类脑中心联合七个院系共建，从底层器件到顶层模型全链路协同，这种跨层创新的能力不是传统芯片公司或纯算法公司能单独具备的。在晰见科技内部，IC 设计团队和模型团队是紧密沟通的状态，芯片输出什么格式的数据更适合大模型，这种表示天然就应该作为一种可学习、可训练的范式在大模型里推进。这在传统芯片公司里很少见，传统模式是算法团队提需求、IC 团队按需求设计，周期八个月以上，等芯片出来算法可能已经变了。

全链路能力最终指向的产品形态，是一个听起来很有想象力的东西：Token Camera。

传统 CV 公司为什么不愿意做 “工人有没有戴安全帽” 这种 case？因为每个 case 都需要大规模视频标注、大规模数据收集，业务模式不可复制，做完一个客户下一个还要重来。但如果视觉有了通用性，这一切就变了。Token Camera 是一个纯标品的相机，每个人都可以给它写提示词 ，电网公司把规章制度以提示词的方式输入，相机就自动判别工作流程是否符合文本要求；工厂把安全规范输入，相机就自动检测违规操作。不需要每个人都会写代码，不需要每个人都去收集数据、标注、训练模型。“最好的编程语言是自然语言”，这句话在 AI Coding 领域已经被验证，在视觉领域，提示词恰恰是视觉通用性落地的最佳手段。

这种产品形态，使得晰见科技不是从一个小场景切入再慢慢扩张，而是同时在几个大市场并行推进。

短期能产生收益的，是高端视觉芯片本身。晰见已经头部公司开展合作，推进国家项目。芯片一旦商业化成功，和所有高端芯片一样，一旦进入客户的供应链，替换成本极高，收入的确定性很强；中期的大市场是大规模视频理解，这是一个存量替换 + 增量服务的双重市场，存量的 200 亿颗摄像头需要替换，增量的 AI 理解服务是一个全新的收入来源；再往外是自动驾驶、无人机、可穿戴设备，实时观察世界、实时输入大模型、实时给出反馈。当 AI 从一个只通过界面和人交互的程序，变成一个能实时观察现实世界、每天与人实时互动的智能体。

所以晰见科技真正交付的，是 AI 时代的视觉基础设施。过去的视觉产业服务的是人眼，输入光线，输出图像，刺激眼睛，做得越像照片越好，索尼、OV 沿着这条路走了五十年。晰见科技服务的是 AI 的眼睛，输入光线，输出高效编码，直接喂给模型。它卖的不是又一个传感器指标，而是让 AI 看见世界的那条路。

晰见科技终极目标定义是 “视觉领域的 OpenAI”。

OpenAI找到了一条可规模化的训练范式，引爆了整个行业。晰见科技想做的是同样的事。在视觉领域找到下一个“ Next TokenPrediction”的学习范式，然后用芯片+协议+大模型的全链路能力，把它推到爆发点。

AI 的下一个十年，是从语言走向现实的十年。上一个十年聚光灯前是语言，下一个十年必将落在“AI时代的新视觉”。