鲍捷把光谱仪缩进芯片：26省水系统每年跑出10亿条数据

9月9日，由36氪举办的2026产业未来大会在北京亦庄开幕。作为今年产业未来大会最集中的量子专场，来自北京量子信息科学研究院、中电信量子、玻色量子、矩量光启、华翊量子等科研机构与量子企业，以及数十家产业资本机构，共同讨论量子科技从实验室走向产业应用的下一阶段路径。

在众多全部围绕量子计算展开的讨论中，芯视界创始人、董事长兼首席科学家鲍捷带来了一场具有差异化和独特性的演讲——《量子感知芯片：为物理AI打开物质世界的“感知入口”》。演讲回答了另一个备受行业关注的问题：量子如何帮助AI理解真实物理世界。从量子点“人造原子”、粒子型光谱范式，到AI4S材料研发、城市级智慧水系统，这场演讲展示了一条量子测量与传感走向物理AI的产业路径。

物理AI需要数据，物质世界的数据依靠感知提取

理解量子如何赋能AI，需要先看物理AI的数据需求。AI要理解真实环境、预测其变化并辅助行动，就需要同时掌握物理规律和现场状态。模型可以推演一条河流中的物质如何迁移，但水中实际有什么、状态正在怎样变化、处置之后是否改善，仍然需要测量。这也是感知对物理AI的重要性：它不是模型之外的附加环节，而是模型与真实世界保持联系的基础。没有持续、可靠的观测，模型就难以判断自己的推演是否符合现实，也难以验证行动是否产生预期效果。

不同任务需要不同层次的信息。普通图像能够呈现物体的外观和空间位置，但对于许多物质识别任务，仅凭外观并不足够。系统还需要知道被测对象包含什么物质、处于什么状态，以及这些特征如何随时间变化。因此，物理AI需要的不只是“看见物体”，还包括通过传感获取物质成分和状态的信息，让AI获得真实、连续、可用于分析和验证的现场数据。

芯视界希望解决的，正是物理AI与真实物质世界之间的这一层连接：从光与物质的相互作用中读取信息，通过量子点光谱传感芯片将其转化为可测量、可分析的数据，再为AI理解环境、判断变化提供依据。

从光谱读取物质信息：量子点带来新的测量范式

光为这种测量提供了重要途径。光与物质接触后，吸收、反射、散射或发光等过程会改变不同波长上的光强分布。这些变化与物质的成分和状态有关。把不同波长上的光强分布记录下来，就得到光谱；通过分析光谱，可以提取被测对象的相关信息，因此光谱常被比作物质的“指纹”。光谱仪的任务，就是读出这组分布，再据此分析被测对象。

一百多年来，光谱技术始终沿着“波动性”路线发展：利用折射、衍射、干涉等波动效应，将不同波长的光拆分，再分别测量。芯视界提出的，则是另一条路线——粒子性光谱范式。具体体现为光谱解析机制的转变：由利用波动效应分光，转向利用光子能量与材料量子能级的相互作用进行编码。这使量子原理、量子材料与量子感知测量直接连接起来，也为光谱分析从仪器走向微型传感器提供了新的实现方式。

2015年，鲍捷作为第一作者及唯一通讯作者在世界顶级学术期刊《自然》杂志上发表胶体量子点光谱仪研究，开创了以量子点材料响应编码、计算重建光谱的粒子性路线，将光谱解析的重要环节转向光子与量子材料的相互作用。

不同频率的光对应不同能量的光子，光子能否被材料吸收、吸收响应如何，与材料中允许发生的电子跃迁有关。通过设计材料的量子能级，就能够调节它对不同能量光子的响应。演讲所说的“由波到粒”，指向的正是这种测量机制的转变——从依靠波动效应进行空间分光，转向利用光子的吸收与电子跃迁对光谱进行编码。

量子点为什么被叫作“人造原子”

把这一原理变成器件，关键在于量子材料。量子点是尺寸仅数纳米的半导体颗粒，电子等载流子的运动被限制在很小的空间内，形成具有量子化特征的能级结构。这种“量子限域”使材料的光学性质可以随尺寸、成分等条件改变。量子点因此常被称为“人造原子”：人们能够通过材料设计，调控其能级与光的相互作用。

不同量子点材料可以形成不同的光谱响应。同一束光经过这些材料单元，会留下不同强弱的测量信号；把多组信号结合起来，算法便可以重建原来的光谱分布。每种材料都承担一部分编码任务，多种材料与算法协同完成光谱解析。这样，原本依赖分光空间完成的部分工作，就转移到了纳米材料的响应设计和计算解码上，为光谱仪的芯片化打开了路径。

这项创新也影响了后续研究。2025年发表于eLight的重构式光谱仪综述指出，2015年的胶体量子点工作显著推动了相关领域，并带动了基于低维材料的计算光谱仪设计。从学术界对材料编码、计算解码路线的持续探索，到芯视界将其推进为产业化器件，原理创新逐步延伸为感知技术的发展方向。

十年：从原理到26个省市的水系统

量子点光谱测量提供了新的原理路径，但原理本身并不等于可规模部署的产品。要让材料响应稳定地转化为光谱信息，需要解决材料制备、器件集成、信号读取、算法重建和测量定标等一系列工程问题。

首先，材料的可设计性带来了研发和制造的挑战。量子点材料体系庞大，不同材料组合、器件结构和算法方案之间存在大量可能。芯视界从2016年开始建设AI材料研发平台，用人工智能辅助量子点材料的筛选与优化，把材料研发从依赖经验试错，转向数据驱动的迭代。量子为AI提供感知能力，AI反过来帮助量子材料研发，两者在芯视界形成了相互支撑的关系。

经过约十年的持续推进，这条路径已经延伸到规模化应用。据芯视界披露，其水系统相关应用覆盖26个省市，合作政企单位100多家，每年获取10亿多条水质数据。从2015年的光谱原理创新，到2016年的AI材料研发平台，再到今天覆盖26个省市的城市级智慧水系统，量子感知芯片走出了一条从实验室到产业现场的完整路径，也为物理AI持续提供着来自真实物质世界的数据入口。