从生成式AI的爆发到硬科技产业的重塑，技术演进正在以前所未有的速度重构商业边界。但推动时代前行的，始终是那些敢于定义未知的人。
深蓝财经正式推出《对话未来科技100人》系列报道。我们将从技术本质、商业闭环与资本逻辑出发，深度对话100位前沿科学家、硬科技创业者与产业操盘手，系统勘探未来十年的商业图景。
第一期，我们与亿维瑞光创始人王霄鹏聊了聊如何把量子关联成像技术用到商业消费领域。
来源丨深蓝财经
撰文丨符小茵
“量子科技是不是可以看到外星人？”“量子计算真能破译加密货币吗？”
面对这些外界给予的关于量子科技的想象，亿维瑞光创始人王霄鹏认为，量子科技远比大家想象的要务实，而且亿维瑞光始终认为任何前沿技术最终还是要面向大众市场，产品技术和效果由市场来检验。
这也是王霄鹏创立亿维瑞光后一直在做的事——把长期停留在科研领域的量子关联成像技术，推向汽车、机器人、低空飞行器和消费电子等产业。
从2013年留学期间第一次接触“鬼成像”，到进入自动驾驶行业后发现车载传感器成本高企，再到2021年创立亿维瑞光，王霄鹏用了十多年时间，试图回答一个问题：量子成像，能否真正走出实验室吗？
如今，亿维瑞光已形成RGBD、5D融合感知和主动关联量子雷达三条产品线，并从2024年开始进入车企测试，2025年进一步推动融合类产品走向市场。
在第十六届全国量子成像学术会议期间，王霄鹏与深蓝财经进行了长达6小时的交流，从技术、产品到商业化，也谈到了创业和公司管理。他语速很快，却始终保持清晰的逻辑，充分展现了他对物理感知领域的洞察和思考。
以下为交流实录，内容经编辑整理。
01
他从“鬼成像”出发
想把量子技术带进产业
问题1：您是怎么走上量子之路 ？
王霄鹏：2013年，我到澳洲留学了。所在的实验室是发明Wi-Fi的实验室，非常开放包容，导师是Wi-Fi技术发明人之一Branka Vucetic教授，她跟我说可以去选任何想做的东西。
非常巧，当时我看了 2013 年文汇报头版上一篇文章，叫“做好‘鬼成像’，人生就值得”，报道是韩申生老师做的世界上第一台量子雷达。我说这个一定是我想要做的东西。
后面，我就直接联系韩老师，韩老师说行啊，你弄呗。就这样找到了自己的想要干的事情。
问题2：创业前，您在自动驾驶公司工作了一段时间。当时您是负责哪块业务？
王霄鹏：我当时主要负责传感器的评测、选型，以及和供应商沟通。相当于说在（学术和创业）中间干了一段跟创业没关系的活儿，但是它跟产业界有关系，了解到了自动驾驶的需求、痛点，各种传感器产品的优势和劣势。
问题3：后来为什么离开自动驾驶公司，出来创业了呢？
王霄鹏：我本来就想去到工业界做事，因为任何的技术，如果没有办法去落地，就是不值钱。不过，2018 年毕业那会儿，贸然出来创业做自己的事，肯定是不切实际的，所以就先选了一家创业企业。去创业企业是最痛苦的，要经历它的 0 到 1，但是我可以看到全链条上发生的事情。
当时发生了一个事情，澳洲的朋友想引进中国的自动驾驶技术。我就负责把车和自动驾驶方案卖到澳洲。过程中，我就发现一个问题，自动驾驶方案价格实在太贵了，一辆车不包含MKZ差不多是 120 万元左右。
再细细去拆，其实大量的成本都是在传感器上。车载传感器那么贵，肯定制约了自动驾驶 L4 级别的落地。所以就想去做能够解决问题的、但又不会显著增加成本的方案。于是，就出来创办了亿维瑞光。
问题4：所以说自动驾驶行业这段经历，对后面亿维瑞光创立，是很至关重要的经历？
王霄鹏：对，非常重要，看到了市场的痛点，结识了一批伙伴。
问题5：公司名字“亿维瑞光”有什么说法吗？
王霄鹏：量子探测是一个高维探测，所以说我们管它叫亿维。“瑞”是瑞雪兆丰年的“瑞”，意寓带来更好的体验，有个“光”字，是因为我们做的是“光学系统”产品。
问题6：2022年诺贝尔物理学奖被授予三位研究量子技术的科学家，当时对公司有什么影响吗？
王霄鹏：就一个影响，终于有人觉得我们不是骗子了（笑）。
科研圈大家肯定是非常开心，但是产业界，说实话就该咋样还咋样。只是说有些投资人会觉得，原来你说的这个东西确实是真的啊。
真正给客户带来不一样感受的，还是“十五五”规划纲要的发布。我们现在所有的客户，都是因为“十五五”规划中，量子是重点科技攻关方向之一，才找我们做新产品导入的。（注：“十五五”规划纲要明确提出：推动量子科技、生物制造、氢能和核聚变能、脑机接口、具身智能、第六代移动通信等成为新的经济增长点。）
问题7：您们是全球第一家做量子关联成像商业化的公司，21 年的时候，您怎么能确定这条路走得通呢？有没有自我怀疑过？
王霄鹏：21 年的时候，我认为这条路走得通，但是难点是在于怎么走。
投资人有时会跟我说，公司成立了这么久，进展有点慢。我就会告诉他们，很正常。如果你今天投我，你投的是我们这 5 年趟过的路。别人再去趟，他可能还需要 5 年或者10 年。
这 5 年时间，我们干的事情实际上就是，怎么样在真实的场景，用产品把客户服务好。这个非常重要。
问题8：也就是说，21年你认为它技术逻辑上是闭环的，但是工程化的过程还要一步步去探索？
王霄鹏：是的。比方说，车规级产品，要求满足零上125度，零下40度的工作环境要求，工作寿命累计要达到十年以上，同时价格要锚定一个水准，还要保持年降。背后涉及的其实不是科学问题了，它是一个工程学最优解问题。
02
视觉不只是图像
下一代感知需要更多维度
问题9：量子关联的成像技术，它跟量子纠缠有没有关系？跟潘建伟院士做的量子通信有没有关系？
王霄鹏：你问了一个非常有趣的问题。当然也是个好问题。它们有关系，但不是一回事。
量子纠缠实际上是一种规律、一种关系。量子的发展，本身经历了从哲学到数学、物理，再到工程化的过程：哲学上先提出这种奇特的关系，数学家把它转化成数学语言，物理学家再寻找光子、电子、原子等具体载体去验证，最后工程上再把这些规律应用起来。
所以，纠缠本身不是一个具体的东西，而是一种关系、一套规律。在实际应用中，我们可以借助光子、电子、原子等载体去体现这种关系。
量子关联成像也是这个逻辑，早期确实会利用纠缠光源，而现在更多强调“统计相关性”，也就是光场涨落之间具有一定的一致性。我们就是利用这种相关性和差异性，去提取想要的信息。
至于跟潘建伟院士做的量子通信有没有关系，从底层的原理和发展逻辑上是有联系的，但应用方向不一样。量子通信强调的是“传递信息”，而量子关联成像强调的是“捕获信息”。
所以，我们和潘院士的工作，在一些底层原理上是相通的，但具体的技术原理和目标任务不一样。量子通信更多面向专用的通信网络，而我们主要瞄准大众市场，比如自动驾驶、具身智能、消费电子、工业应用。
问题10：您们把信息捕获回来以后，解码信息需要类似GPU的算力设备吗？
王霄鹏：其实要看具体怎么解码。它本身采用什么算法，就决定了它适合用什么样的平台。
比如针对普通的凸优化问题，如果不用深度学习，CPU、DSP其实都很合适；如果用了深度学习做凸优化，那GPU这类并行算力平台就更合适。
所以从工程上来讲，还是要根据具体的任务属性和约束条件，去选择更优的实现方式。不是说解码就一定要用GPU，而是算法决定算力平台。
问题11：如果把它搭载在车上，解码是用车机自己的算力，还是模块端侧自带算力？
王霄鹏：这个其实也要看具体的应用。现在自动驾驶的架构，慢慢在转向一种“卫星架构”，什么意思？就是传感器主要干传感器的事，尽量不要在传感器里面做太多计算，把计算交给后端的处理器。
现在我们的客户基本也是这样，我们把算法放到他们的计算平台里去跑。车上是这样，机器人可能也类似。
但消费级产品就不太一样。比如手机、运动相机，可能会采用本地获取、上传云端，再下行的方式，因为端侧的续航和算力都有约束。
工业级目前则还是以本地计算为主，也就是说，我们会带一个计算单元，由设备自己完成解码和计算。所以最终还是根据不同场景，在端侧、车机或者云端之间选择合适的算力架构。
问题12：那它的成像是怎么呈现出来的？ 王霄鹏：直接接入客户现有的显示、数据处理环节就可以。客户把接口和协议给我们，我们做好适配，直接接到他的机器、域控上，就可以显示出来、用起来。
问题13：它会完全替代激光雷达吗？ 王霄鹏：从理念上讲，确实可以。但从商业角度来说，每一种产品都有自己的生态位。现在自动驾驶里，激光雷达作为主雷达还是不错的，但到了下一代L4级自动驾驶，可能就不一定完全适合了。
因为人对环境的感知，不能只有图像和激光雷达，还需要更多维度的信息。比如光谱可以判断物体材质，偏振则可以帮助判断哪些地方是透明的、哪些地方是反射的。
所以我们更希望做的是多种感知能力的融合，而不是简单地说“谁替代谁”。
问题14：那量子成像相比传统激光雷达、超声波雷达，优势在哪里？ 王霄鹏：我们现在能给客户提供的，核心就是一句话：性能“1+1＞2”，成本“1+1＜2”。
比如现在L2及以上的自动驾驶，对补盲雷达有比较高的配置需求。我们希望通过量子成像方案，把盲区感知的成本降下来，同时性能还能提升。
性能上，一个很明显的优势就是抗干扰。传统摄像头、激光雷达在雨雪、雾霾或者有遮挡的时候，可能会出现“线被挡住了，就看不见”的情况。可以把量子成像理解成做拼图，看到了部分信息以后，把整体的信息恢复出来，所以对雨、雾这些不良天气具有比较强的抗性。
另外，它还有超分辨能力。传统镜头能看到多清楚，基本受口径限制；加入量子技术以后，等效上可以获得更大口径的成像效果。
我们的产品还分主动和被动。主动的带光源，被动的不带光源。主动方案还可以把客户的部分神经网络能力直接“光学化”，不一定非要先采数据、再交给后端计算，可以直接输出物体的分类、标签结果，这样也能降低对域控算力的依赖，让无人车、无人机、机器人这些设备响应得更快。
问题15：主动量子和被动量子，哪个效果更好？ 王霄鹏：我个人认为还是主动的更好。主动量子关联成像的自由度更高，所以性能肯定更好。
被动的优势在于集成度高，可以直接集成进摄像头，真正做到“one for all”，体积小、集成化程度高，也能兼顾性能。
问题16：你们有一个暴雨天气150米外都能看清楚的测试，这个具体是什么意思？
王霄鹏：我们叫“三倍能见度”。什么意思呢？比如当前环境的能见度是100米，我们可以看到300米；如果环境能见度是1公里，我们就可以看到3公里。
这个差别在实际应用里是很大的。比如车辆原来只能看到100米，现在能看到300米，就意味着它可以获得更早的环境信息，高速行驶的安全余量也会更大。
这个测试是主动量子成像做的。被动的我们也有相关技术，但目前还没有做到产品上。
问题17：您怎么看待马斯克的纯视觉方案？ 我们其实非常喜欢这个方向。马斯克说纯视觉是方向，我们认同；有些客户说激光雷达才是真正的赢家，我们也认同。实际上，光学里面本身就包含很多信息：有图像信息，也有距离信息，还有光谱、偏振等更多维度的信息。关键不是“视觉还是激光雷达”，而是我们怎么去使用光里面的这些信息。
所以我理解的“视觉”，应该是一个更广义的概念。它本质上是一套光学系统，不一定非要带光源。比如普通摄像头主要捕获图像信息，换成阵面型的固态雷达，就可以同时获得图像和距离信息；再换成光谱仪，又能获得物质属性的信息。
我们的方案也是一样。现在车企客户里，大部分要的其实都是大家理解的“视觉方案”，我们就是在传统视觉里面加入量子关联调制器，把传统光学方案升级成量子方案。
问题18：那您们的产品不需要发射一束光出去？ 王霄鹏：我们有需要发射光源的方案，也有不需要发射光源的方案。
问题19：装车的时候，是像普通摄像头一样，还是像激光雷达一样放在车顶？
王霄鹏：如果不需要发射光源，它可以藏在车上现有的摄像头位置。比如前视、后视、倒车影像这些地方，不需要像激光雷达一样单独“长”在车顶上。
我们的器件体积很小，把它集成进去，再把算法放到域控上，就可以实现量子关联成像。
问题20：您觉得算法重要，还是量子的光学研究更重要？ 王霄鹏：其实它是一个整体，离不开所有环节。光学、器件、算法、图像后处理，都要共同设计、共同优化，才能真正起效。比如你光学做得很好，但没有后端配合，光加工本身没有意义；你只做ISP、图像后处理，前端没有配合，也不行。
所以量子关联成像最大的特点之一，就是软硬一体化，也可以说是整个光学系统的一体化。
问题21：你觉得把这个东西从实验室做出来难，还是把它挪到车上难？
其实这两个都不难。难点在于找准给客户的价值。当年，我们花了很长一段时间做出样品给客户演示，结果客户跟我讲他不爱要。那是最难的时候。
我就琢磨为什么一个先进的东西客户不愿意要？我们就想了很久，打磨了很久，发现要上车最大的痛点是，如何做到 1 + 1 < 2 ？ ，就是降本。
同时，客户内心又非常渴望。1 + 1 还能大于二，增效。所以我们最终找的，就是两个都有。真正最难的其实是发掘这个东西，且是我们能干这个东西，其他的都不难。
问题22：整体集成的“one for all”是不是最优秀的产品？终端厂商做替换，成本会不会很高？
王霄鹏：“one for all”不一定是最优秀的，但它是最适合现在市场走向的，这是一个商业化选择。
现在B端客户既想降本，又想增效，我们作为To B的企业，就要顺势而为。“one for all”恰恰打中了这个需求：在降低成本的同时，把性能做上去，而且还能让产品回归原本应该有的简洁形态，就是车上不至于到处长“犄角”。
所以我们做的事情，其实就是两件事：性能“1+1＞2”，成本“1+1＜2”，两者我们都要。这种能力，往往只有范式级的技术创新才能做到。它不是简单地把几个东西拼在一起，而是从底层重新设计，让性能和成本同时得到优化。
问题23：未来机器人是一个很大的赛道，那机器人的感知会是什么样？
王霄鹏：我认为它一定是多模态感知。包括图像、深度、偏振、光谱等，一定是这样。
因为机器人要真正理解这个世界，不能只靠海量图像数据训练。它还需要知道这个东西是什么材质、什么属性。比如一些特殊药品存放在玻璃容器里，现有的视觉和雷达可能很难分辨，这时候偏振就可以提供额外的信息；如果标签上写的是A类药，里面实际装的是B类药，这时候机器人就需要光谱去做识别。
所以，机器人需要的是更多维度的信息。
问题24：也就是说，多模态感知更容易接近感知的“ChatGPT时刻”？
王霄鹏：对，没错。因为如果数据只有一个维度，比如我们现在看到的图像，它本质上是一阶的信息，只靠这一维，很难训练出真正接近“ChatGPT时刻”的东西。
它需要的是更高阶的数据，也就是不同维度之间的统计相关性。
人其实就是这么感知世界的。比如人拿一杯咖啡，不是只靠眼睛，还会结合触觉、嗅觉、记忆，以及大脑里不同神经元的共同作用。人的学习成长也是一样，不可能把眼睛留下、其他感官全部关掉，只靠看就能理解这个世界。
所以我们讲的多模态，本质上就是用不同维度的高阶数据共同去塑造对世界的理解。
问题25：所以您们真正的野心是做世界模型的数据入口，是吗？
王霄鹏：今天讨论的光学感知技术，我们认为是需要被革新的。因为今天的光学和牛顿高斯年代的光学没有本质区别。也就是说，三四百年过去了，我们还在沿用传统那一套去做光学设计、传感设计。这其实是一件挺悲催的事情。
量子光学就给了一个不一样的视角。所以我们最终的目标，是从相对比较底层的方向去帮助现代光学设计提升。以至于，我们可以把所有涉及到光学传感的这些领域，重新做一遍。
下一代光学系统，我认为应该是“任务定义型”的。过去的光学系统是什么？拍个风景，拍得清晰、锐利，就结束了。但任务定义型不是这样。我要拍山，它就针对“山”去优化；我要拍“水”，就针对“水”去优化；再比如今天我的任务是“品咖啡”，那我就可以把整个光学系统配置成一个专门为“咖啡”服务的系统。
这样一来，我们不止在情怀上改写了光学系统的设计，也可以为具身智能提供更优质的数据输入。
03
从实验室到汽车
量子成像还要证明自己能量产
问题26：量子成像的产品这么好，为什么客户不直接用？
王霄鹏：我们的车企客户，比较实在，方向大多是做渐进式的更替。一上来就全上量子，万一翻车了怎么办？
问题27：那有没有哪些客户，表现非常积极呢？
王霄鹏：有。
问题28：可不可以透露是新势力还是传统车企？
王霄鹏：其实反而是传统车企。
问题29：那有没有国外的车企对这个东西很感兴趣？
王霄鹏：我们现在有一家海外的客户也很积极，每个月主动过来，推着我走。
问题30：那您会给它首发吗？
王霄鹏：我们五个车企客户都在做测试验证。然后其中有不少都跟我们讲要首发。
问题31：您们导入终端的周期大概需要多久？
王霄鹏：汽车的导入周期一般最长，差不多在 12 至 18 个月。消费级最快， 6 个月左右。工业级的用时在两者中间。
问题32：用在医疗方面是怎么样的？
王霄鹏：医疗上很有意思。庄小威发明了超分辨成像技术STORM（随机光学重建显微镜），我们也有类似的东西，可以直接对活体细胞进行显微成像，观察它的生理学过程。再宏观一点的话，手术过程当中，可以为医生去提供更多模态的信息输入。
举个例子，在做消化道窥镜过程中，医生发现病灶，常规操作是把它切下来之后病理分析，再判断。现在，我们的技术有一个应用方向，就是下窥镜途中，借助于光谱能力可以直接判断这个部分是良性还是恶性。当然，这离真正的临床落地还有一段路要走，目前还是一个比较前瞻性的研究课题。
问题33：那您们产品现在最大的应用场景，其实还是在车上面，对吗？
王霄鹏：我们是一个通用型的技术，就是原理上来讲，任何一个想要用到更多维度输入信息的地方，我们都可以去帮助。比方电动两轮车，很有意思，现在要智能化。
问题34：电动两轮车是指“电驴”吗？
王霄鹏：没错。电动两轮车全球一年新增 8000 万台。头部国产电动两轮车的品牌出货量，就顶一个传统车企。
问题35：他们为什么需要一个类似激光雷达的东西呢？
王霄鹏：国家现在要求电动两轮车智能化部署，就是把整车里面能用的智能化下放到两轮车。这里有个背景， 近年道路交通安全伤亡的事故里， 相当一部分都来自于电动两轮车。所以现在各家各显神通，比如智能头盔。
问题36：这一块做好可以成为您们的现金奶牛?
王霄鹏：没错，所以我们是三线推动（汽车、工业、消费级），但是客户各有特色。两轮车的客户也是很积极的。
问题37：他们怎么积极法？
王霄鹏：产业链对这个方向的关注度确实超出了我们最初的预期。我们判断2027年第二季度左右实现批量化出货，是一个比较从容的状态。
问题38：你们的产品可以帮助车企降本，是否意味着最先落地的一定是一些比较亲民的车型，高端车是不是会用得少一点？
王霄鹏：其实很有意思，我们有一个客户的某一款高端车，想实现这样的效果：茫茫大雨，大家都看不见，高速上所有车都歇菜了，但他们可以正常的行驶，用户可以在里面稳坐如山。
传统光学包括传统摄像头、激光雷达也好，这种情况下是无能为力的。
问题39：你们的产品先在电动两轮车市场落地后，会不会给市场造成“品牌调性偏低”的印象，影响未来进入到四轮车行业？
王霄鹏：我们以前也有这种担心。但客户根本不在乎。客户在乎的是，这个价格，可不可以？可以就行了，马上就买，买了之后就试，试了就上。
上周，我跟一个出货量非常大的割草机公司聊，他们给我说了个价格，说市面上买不着合适的产品，问我能不能做。我说好像能做。B 端客户，永远不在意这个东西卖的便宜。甚至只要卖的便宜，他们都愿意试。他们就怕卖得贵的。我有一个东西非常好，但是卖得贵，他们是绝对不会去用的。
问题40：你们的护城河是什么？如果激光雷达企业，开始布局量子成像这块，赶上你们需要多久？
王霄鹏：量子雷达这个领域，坑还是挺多的。如何避开这些坑，靠的是沉淀下来的knowhow。knowhow 是写不到专利、写不到论文里的，只有我们自己知道，并且很多工具链都是我们自己开发的。
以前做特殊场景的时候，我们也会遇到后来者的挑战。但是这么多年了，还是没有人能够跟我们一样。原因是我们一直秉承一点：做别人干不了的事，现在这条路线上也是别人做不了的。
问题41：现在激光雷达企业，就算做到行业前列，都很难挣钱。这种情况下，您们是如何去实现盈利呢？
王霄鹏：首先，我们自己不做激光雷达。
其次，B端客户的调性是什么——只要你这个可以，尽可能便宜。激光厂商的价格之所以下不去，是因为他们采取了传统的技术路线。我们是不一样的思路，里面的部件也简化了。
问题42：成本能做到比较低吗？
王霄鹏：它的特性决定了可以做到这个水平。普通激光雷达咱们拆解，激光器要钱、接收器要钱，传输要钱、处理要钱、供电要钱。我们的被动产品安插在客户的镜头里，实际上就是一个石英，上面用半导体的方式雕出来它所要的外形，插进去就好了。石英多便宜啊，就是玻璃。
不过，要是一套完整的模组，它造价就比较贵了，有镜头、石英、 CMOS 传感器这些。
问题43：你们现在用的都是国产供应链吗？
王霄鹏：对，全部都是国产。
问题44：其实也不需要太高级的其他元器件配合？
王霄鹏：不需要，除非我们客户想要选。
问题45：假设您拿到第一笔订单，整个公司的估值可能就会有一个明显变化？
王霄鹏：其实是这样，拿订单之前会有一个跃进，拿订单之后又会有个跃进，第一批产品上的的时候又会有跃进。融资都是跟着这个节奏来。
问题46：投资人他们可能更关心什么问题？
王霄鹏：基本上就两个：啥是量子关联成像？客户进展怎么样？剩余的就是团队的发展问题。
问题47：创业这 5 年，你有推翻自己的时刻吗？
王霄鹏：说真话，每天都在推翻。
因为我自己有一个机制，可能大家已经都听烂了，就是复盘。我会记录每天什么时间干什么，今天的情绪变化、思想变化，以及对一些事情的看法。每天都会去分析。
问题48：每天都写日记吗？
王霄鹏：对，每一天都会导出来一个，甚至还会萃取出一句话代表今天。
我会做不同时间点对于同一个问题的分析，因为不同时间点自己的情绪状态不一样。并且我总喜欢去想 Out of the box （别具一格）的路径。
最容易产生成就感的方式是，我推翻了这件事情之后，列出了一个行动方案，结果它能够从另一个视角确实起到效果。
问题49：您现在一天睡几个小时？
王霄鹏：昨天晚上我 3 点睡的。今天上午的活动是 8: 30 开幕的。
问题50：这是常态吗？
王霄鹏：对，常态。
问题51：看您之前说，“量子是脚踏实地的，要坐在工厂里、睡在产线上、陪着客户打地铺的”，这是您真实的经历吗？
王霄鹏：对，正常的，其实很多时候大家都是这么干。去年第一款车的产品导入，客户直接把我“薅”走了，拉到他们工厂。
在工厂睡了大概两周吧。每天跟他们泡在一起。啥问题来了就解决啥问题，类似封闭开发一样。
问题52：之后如果拿了融资，您们会成为规模非常大的公司吗？
王霄鹏：团队会继续扩大，也不一定是非常大。因为大模型还是很有效的。未来的组织架构上，大模型应该会作为一个非常重要的支柱，而且成本很低。