对话亿维瑞光王霄鹏：量子关联成像，正在从论文走向传感器

这项量子技术怎么走出实验室？

2013年，在澳大利亚读博的王霄鹏偶然从《文汇报》上看到一篇关于“鬼成像”的报道。

当时他学的是通信，量子关联成像还是一个陌生方向，但这项技术让他产生了兴趣。恰好一位发小正在韩申生团队学习，王霄鹏由此联系上韩申生，随后将博士阶段的研究转向关联成像，2016年至2018年又来到中国科学院上海光学精密机械研究所，接受韩申生团队的联合培养。

博士毕业后，王霄鹏没有留在高校，而是进入自动驾驶行业，后来在元戎启行[J1]负责激光雷达的选型、测试和性能定制等工作。

2021年，他离开元戎启行创办亿维瑞光。目前，公司核心团队中还包括长期从事量子关联成像研究的韩申生，担任联合创始人、首席科学家。

从这一年开始，十多年前接触的关联成像有了另一个目标——从科研和特殊场景走向汽车、工业和消费电子。

据公司披露，目前亿维瑞光已完成数千万元人民币天使+轮股权融资，本轮由汽车零部件产业链上市公司领投。

王霄鹏后来回忆，创业之初，他并不怀疑技术路线能不能走通，真正的问题是“怎么走”。进入产业以后，他逐渐发现，技术能做出来和客户愿不愿意采用是两回事。

亿维瑞光后来将产品逻辑概括为性能“1+1>2”、成本“1+1<2”——一项新的感知技术要进入已经成熟的汽车和消费电子供应链，最终还是要回答它能为客户增加什么，又要付出多少成本。

现在，这项技术已经开始接受来自产业端的另一套检验。

一位与亿维瑞光接触约两年的汽车产业链上市公司负责人表示，双方最早接触时，关联成像对他们而言还是一个概念，团队先要求亿维瑞光搭出Demo，把理论变成能够工作的系统；随后又要求产品继续小型化。目前这两步已经完成，下一阶段则是温度冲击、可靠性等更接近上车要求的验证。

另一位参与相关光学器件生产的产业链人士则表示，从制造端看，单一光学器件并没有跳出现有加工体系，成熟供应链能够承接，真正需要继续磨合的是光路、不同器件之间的配合以及最终的系统集成。

两年前，产业链合作方还在要求亿维瑞光先把Demo做出来；现在，产品已经完成小型化，接下来要验证的是可靠性、装车和量产。

技术路线走到这里，问题也开始变得更现实。量子关联成像究竟改变了什么？在已经足够成熟的摄像头和激光雷达之外，为什么还需要另一种感知方式？而当一项实验室技术真的开始进入汽车、手机和工业产品，离规模量产还有多远？

近日，第十六届全国量子成像学术会议在苏州举行。会议期间，亿维瑞光创始人兼CEO王霄鹏博士与证券之星在内的媒体围绕上述问题进行了多轮交流。

亿维瑞光创始人兼CEO王霄鹏博士

01 “鬼成像”到底怎么成像

Q：量子关联成像和量子纠缠是什么关系？和大家更熟悉的量子通信又有什么区别？

王霄鹏：最早的关联成像研究确实会使用纠缠光，但发展到今天，关联成像并不一定需要经典的量子纠缠。教科书上现在更愿意用“统计相关性”来解释它。所谓统计相关性，就是从光场里找到不同信息之间的关联，再利用这些关联提取我们想要的信息。

量子通信和我们做的事情也不是一个应用方向，通信主要解决信息怎么从一个地方传到另一个地方，我们做的是传感，或者说“捕获信息”。我以前举过一个很简单的例子：我跟一个人讲话，是在相互配合地传递信息；我不跟他讲话，只观察他在做什么，就是单方向地获取信息，或者用我们的术语叫做捕获非配合目标的信息。

所以量子通信、量子计算和量子传感都来自量子领域，但最终解决的问题不同；我们现在做的主要是后者，而且希望进入汽车、工业和消费电子这些大众市场。

Q：如果把成像过程说得直观一点，这套技术是怎么从光里把图像、距离这些信息提取出来的？

王霄鹏：大家平时说视觉，通常想到的是摄像头和一张二维图片，但光里面其实不只有图像。

比如用普通图像传感器去接收，得到的主要是图像；换一种探测方式，可以从里面拿到距离信息；再换成光谱仪，又可以获得波长相关的信息。光本身包含很多维度，区别在于你用什么方式去获取。

关联成像做的是在前端对光场进行设计或调制，再根据这些关联关系进行解码；我们现在的RGBD产品可以同时得到图像和深度，5D产品还会进一步加入光谱、偏振等信息。所以它不是拍完一张照片以后，再想办法从照片里“猜”出所有东西，而是在设计成像系统的时候，就决定要从光里提取哪些信息。

Q：这些信息拿回来以后，解码需要什么样的算力？是传感器自己计算，还是交给车端、手机或者其他计算平台？

王霄鹏：要看具体场景和算法。汽车现在越来越接近一种“卫星架构”，传感器主要负责采集，计算放到域控。所以对于车企客户，我们可以把算法部署到他们已有的计算平台上，不一定需要每个传感器都再放一块很重的计算单元。

不同算法对应的计算平台也不一样，普通图优化问题可以放在CPU、DSP上，涉及深度学习的部分可以使用NPU或者GPU。工业产品现在还有不少是自己带计算平台，到了手机、运动相机这类消费电子，则要结合功耗、续航和最终的产品形态，决定在本地还是云端处理。

Q：主动关联成像和被动关联成像各自适合什么场景？

王霄鹏：主动方案会向外发射经过调制的光，所以我们能够控制的自由度更多更灵活。从能力上看，我个人认为主动会更强，不只是成像和测距，后面还可以进一步往识别这些任务做。被动方案的优势是容易集成，它不需要再增加一套主动光源，可以把调制器件直接集成到摄像头光路里，后面的算法再放到域控，所以整个系统能够做得比较小。

目前我们和车企客户推进的方案里，主动和被动路线都有，具体采用哪一种，要根据不同车型和产品需求来定。

Q：做这套技术，更关键的是算法、光学器件，还是整个系统的设计？

王霄鹏：我认为核心还是系统设计，关联成像不是做出一个器件就结束，也不是在普通摄像头后面加一个软件算法就可以；镜头、调制器件、探测器、光路和后端算法需要一起设计。

比如有的企业很擅长微纳加工，器件能够加工得很好，但没有后端配合，单独一个器件也没有意义；另一家公司ISP和图像处理很强，如果前端没有按照同样的目标设计，也无法形成一套关联成像系统。

所以我们把它理解成软硬一体，或者光学系统一体化。前面的物理系统怎么构造，再基于这个系统设计什么样的信息提取算法，这才是我们长期积累的核心。

02 一套新的感知方案，怎么进入现有产品

Q：2021年出来创业的时候，你怎么判断这条技术路线能够走通？

王霄鹏：当时我不是怀疑它能不能做出来，我的问题是怎么把它做成生意。我博士就是做这个方向，技术本身已经做了很多年，后来进自动驾驶行业以后，才开始知道产业真正需要什么。以前做L4自动驾驶时，一套方案的成本非常高，拆开以后会发现，传感器是其中很大一部分。

所以出来创业的时候，我想的是能不能把自己做过很多年的技术，变成一种成本更低、又能解决实际问题的感知方案。

真正做以后发现，商业化最难的不是跟客户讲技术多先进，而是他为什么愿意付钱。特别是汽车，已经有成熟的传感器和产品，你必须找到一个足够强的理由，让客户愿意调整原来的方案。我们最后把它总结成两句话：性能“1+1>2”，成本“1+1<2”。

Q：量子关联成像放到汽车上，相比现有的摄像头、激光雷达这些方案，能给车企增加什么？

王霄鹏：我们首先不是为了说一定要取代谁，客户其实不关心你叫量子还是别的，他关心的是原来的问题能不能用更低的成本解决。

一方面是深度，现在普通摄像头主要给图像，激光雷达提供距离，我们希望让摄像头体系本身也能获得深度，进一步还能获得光谱、偏振等信息。另一方面是复杂环境，雨、雾、强反光这些场景里，传统成像会直接把干扰带进结果；关联成像可以利用预先设计或者已知的相关关系，把目标信息和部分干扰区分开。

我们现在主动产品有一个内部经常讲的指标叫“三倍能见度”。比如环境本身能见度是100米，我们希望有效探测做到约300米。这个不是说所有天气、所有产品都固定是三倍，它和具体系统、场景有关，我们对外讲的指标通常也会留余量。

成本则是另外一层，如果一套系统能够同时承担过去多个传感器的一部分功能，它的意义不只是增加一个新器件，而是整个感知架构有机会重新算账。

Q：你们此前提到，希望在数百元预算下做到超越激光雷达级别的感知，这个成本是怎么做下来的？

王霄鹏：核心不是某一个器件突然变便宜了，而是整个架构的变化。我们没有重新造一套工业体系，很多东西还是建立在成熟的光、机、电、算产业链上，再加入我们的调制器件和系统设计。

所以我们一直讲“1+1<2”。如果原来需要几套不同的传感器分别完成一些功能，现在一套系统能够承担其中更多任务，成本就有重新组合的空间。

我们现在已经能在数百元预算下实现我们所说的“超越激光雷达级别感知效果”。在一个客户场景里，相比他们原来采用的传统方案，成本节约接近90%。不过不同场景的产品形态和比较方式并不一样，不能把这个比例直接套到所有产品上。

Q：真正装到车上，它更像一个普通摄像头，还是像现在车顶上的激光雷达？

王霄鹏：要看客户选哪一条产品路线。被动方案更像摄像头，车上现在前视、后视、环视这些位置本来就有摄像头，我们可以把自己的调制器件集成进光路，外面看到的还是一个摄像头，算法放到域控。

主动方案就会有自己的光源和探测系统，形态又不一样，所以我觉得不能把我们简单理解成“再造一颗激光雷达”。有的客户会拿它增强视觉，有的希望获得RGBD，有的还要更高维度的信息。我们做的是底层的感知方式，整车最后怎么组合，要跟着客户的架构走。

现在纯视觉、激光雷达和融合感知几条路线也都还在演进。纯视觉很依赖模型和数据的泛化能力，激光雷达可以直接提供距离，融合方案则希望利用不同传感器各自的优势。我们的思路，是尽量在物理层就多拿一些信息，而不是所有深度、材质等信息都依赖后端模型推断。

Q：汽车、工业和消费电子，对这项技术的需求有什么不同？

王霄鹏：汽车的需求其实最好理解，因为指标比较清楚。距离多少、精度多少、可靠性怎么做、成本是多少，车企都会一项一项跟你定，但是它周期也最长，因为汽车是安全属性非常强的产品。

工业级处在中间。它也有性能和可靠性要求，但很多场景不用走完整的车规流程，所以我们希望工业产品能够更快形成收入。

消费电子又完全不一样。消费电子不是客户没有意愿，而是很多时候他们自己也不知道一个新功能最后会不会受欢迎。我们就要不断给产品经理提供不同的玩法，让他们试；现在我们就在和一家手机厂以及一家影像公司做这样的事情。

所以几条线的打法不一样。车企更多是耐心陪跑，工业希望跑快一点，消费电子则要主动和客户一起做产品定义。

Q：比如手机加上这套技术以后，拍一个杯子，是要围着它拍很多张，还是一次就能拿到三维信息？看不到的杯底又怎么处理？

王霄鹏：这个问题很有意思，因为它其实涉及下一代3D内容到底怎么做。传统思路会想，我要把这个杯子非常精确地还原，那就围着它拍很多张，再做三维重建。但今天有AI以后，不一定所有东西都要靠传感器百分之百复刻。

我们的思路是先把真实的三维骨架、深度这些信息拿出来，给后面的处理一个比较可靠的基础。看不到的部分、用户想修改的部分，AI再去做二创。

我有时候把它叫“三维美图秀秀”，二维照片今天大家已经很习惯拍完以后修图，三维内容以后可能也是一样。传感器负责把现实世界的基本空间信息拿下来，后面的内容不一定只用来“还原”，也可以拿去编辑和生成。

所以消费电子最后能不能成立，关键并不只是技术能不能做3D，而是要找到普通用户真正愿意反复使用的产品形态。

03 从能用到能量产

Q：汽车、工业和消费电子几条线同时在做，你们现在怎么分配优先级？

王霄鹏：底层技术是共用的，但是上面的产品不会完全一样。我们现在的策略是，工业级和消费级希望先形成量，车载就耐心等认证周期走完，汽车是一个很重要的长期市场，但它不会是最快的。

目前车企客户都还在持续推进测试验证，正常的车载产品导入周期大约12到18个月；消费电子如果产品定义清楚，最快大概6个月；工业基本处在中间。所以并不是我们只押一个行业。汽车、工业、消费电子，包括机器人都在做，只是节奏不同。

Q：哪一类产品最有可能最先形成批量交付？

王霄鹏：现在两轮车客户反而特别积极。有客户给我们的时间点，希望今年底就开始批量交付。但我们自己会劝客户缓一点，因为你首先得把产品定义想明白，我们自己的能力也得跟得上。

从我个人判断来说，2027年Q2是一个相对更合理的时间，两轮车有一个特点，它对成本很敏感，又在往智能化走，很多四轮车上的功能开始往两轮车下放，所以客户的动力比较强。汽车就不会这么快，安全和认证周期摆在那里。

Q：你们第一次把产品真正导入客户时，研发团队是怎么和客户一起磨的？

王霄鹏：这个事情其实没什么神秘的，就是跟客户泡在一起。我们有一个客户，直接把我和团队拉到工厂去，类似封闭开发；那次差不多在那里待了两周，客户这边有什么问题，我们就当场解决什么问题。

实验室里面你可以把环境设置得非常标准，但到了客户现场，很多事情不会按照论文里的方式发生。器件怎么装、客户已有的接口是什么、算法怎么部署、现场为什么突然不工作，这些都得一点点解决。

所以我以前讲量子要“坐在工厂里、睡在产线上”，不是一句口号；技术进入产业，就是要经历这个过程。

Q：从实验室技术到商业化产品，最难的工程化问题是什么？

王霄鹏：不是光源、探测器或者算法中的某一个东西特别难，最大的难点还是这些环节怎么一起设计，再跟现实供应链的能力做平衡。

做科研的时候，可以一直追求更高的指标，甚至假设一些很理想的器件。但做产品不行，你还要考虑成本、良率、加工能力、可靠性，客户最后能不能接受。我们很多东西没有重新造一条产业链，而是尽量用已有的CIS、光学、机械、电子和计算体系。真正要做的是，在这些已经成熟的东西上重新设计一套关联成像架构。

所以工程化到最后，其实就是不断做取舍。什么指标一定要，什么地方可以让一点，成本和良率怎么平衡，这些才是产品问题。

现在我们的整体架构已经基本定型，部分型号也进入了小批量阶段，同时还在和头部客户推进验证和导入。后面要解决的，就是怎么把这些产品真正稳定地生产出来，再跟客户现有的系统和供应链配合好。

Q：再往长期看，你希望亿维瑞光最终做成什么？

王霄鹏：如果只把我们理解成汽车上的某一颗传感器，我觉得范围还是窄了。我们希望做的是下一代光学感知系统的设计方式。传统光学很长时间都在解决“怎么拍得更清楚”，分辨率更高、画面更锐利。

我认为下一步会变成“任务定义型光学”。今天我的任务是测距离，光学系统就围绕距离去设计；我要识别人、识别材质，或者让机器人理解周围的空间，也可以从光学前端开始决定要拿什么信息。

也就是说，不一定所有信息都先完整拍下来，再交给后端大模型算。光学系统本身可以先做一部分信息筛选和提取。

所以汽车、手机、机器人、工业只是不同的应用。再往后看，我们想做的还是一套平台型的感知技术，让光学系统从单纯“看清楚”，变成按照不同任务获取有用的信息。