9月17日，界面新闻获悉，佳都科技（600728）参股公司宇算星河（广州）科技有限公司（以下简称“宇算星河”）Pre-A轮融资迎来新进展，拟引入多家战略投资者，截至目前已获超亿元融资。投资方包括北京麟阁创投、清新资本、高捷资本、海珠城发、知识城集团、吉富资本等。据悉，公司目前整体估值已超过10亿元。本轮资金将重点投向天基大模型研发与太空智算业务，加速“天数天算”技术范式的商业化落地。

中国人工智能初创公司 Manus 正推进约 5 亿美元融资，交易接近完成，融资后估值预计翻倍至 40 亿美元，这是其与 Meta 分拆后的首轮融资，腾讯控股、红杉中国和真格基金为现有投资方，相关谈判仍在进行，最终条款或有调整。

（本文作者为 半呆君，钛媒体经授权发布）

文 | 半呆君

9月9日，深圳光博会。上千家展商在比谁芯片速率高、谁光引擎做得小，但围人最多的展台属于一家成立刚满两年的公司——光联芯科。它最抢眼的展品不是芯片，而是一台名叫ZW1000的"硅光无掩膜可编程光刻机"。

需要说明的是，这家公司今年8月刚以超10亿美元估值完成A+轮融资，是光互连赛道第一家独角兽（公司口径）。下文涉及的良率、精度、成本数据主要来自公司披露和展台物料，目前尚无独立验证——这也是评估这家公司时必须先建立的坐标系。

微环良率是一道复利题

先看ZW1000要解决什么问题。

微环调制器是下一代数据中心光互连的主要候选路线：同样面积下通道密度远高于传统方案，功耗更低，Ayar Labs、英伟达等玩家近两年都在向这条路线收敛。它的麻烦在于，谐振波长对制造公差极度敏感——波导偏差几纳米，波长就偏离标准通道网格，而几纳米是头发丝直径的几万分之一。Graham Reed（南安普顿大学光电研究中心主任，业内称"硅光之父"，也是光联芯科联合创始人张巍巍的博士生导师）今年在专访中表示，这类制造偏差在最先进的12英寸晶圆厂里也能观察到。这不是哪家代工厂手艺不行，是工艺物理的固有问题。

后果按复利放大：单个微环良率做到99%，听起来已经很好，但一颗芯片集成一百个微环，全合格概率是0.99的100次方，约37%；集成数百环的芯片，全通道命中率趋近于零。行业统计口径下，复杂硅光芯片的晶圆级良率常低于六成；传统代工模式下，微环芯片靠流片后被动筛选出货，良率常常不足10%。

良率塌方直接推高成本。光联芯科CEO陈超称，一颗合格光互连模组分摊的制造成本，可达单颗高端GPU裸芯片的相当比重（公司口径，无第三方佐证）。互连模组贵过GPU本体，这门生意就无法成立。

ZW1000的思路是绕开"造得完美"：晶圆出厂前，用无掩膜高速投影定位每个微环的坐标，再以激光退火微调硅材料的折射率，把跑偏的波长修回通道网格。公司称修调误差控制在10皮米以内，单片刻检测、修调、校验全流程5小时，修后良率从不足10%提升至99%（公司口径）。展台上有修调前后对比物料：修调前整片晶圆可用通道只是零头，修调后接近全部启用。但目前没有客户产线数据支撑。

互联的账：权威、华为与价格信号

这场竞争里有一个值得放进坐标系的表态。8月18日，中国工程院外籍院士常瑞华——VCSEL二维阵列的开创者之一、香港中文大学（深圳）校长学勤讲座教授——在深圳创新发展研究院"科技创新院士报告厅"第20期演讲中，直接点名了华为：昇腾384超节点"已经将数百颗AI加速器组成一个统一的计算系统，其中大规模使用高速光互联"；今年7月公开亮相的Atlas 950 SuperPoD是1024卡集群。"这里我想强调的不只是具体是384还是1024，"她说，"真正重要的是这个数字背后的趋势……这个数字还会继续增加。而处理器数量越多，对互联的要求就越高。"（据澎湃整理的、经本人审订的演讲全文）

但她的身份需要说全：常瑞华2019年在深圳创办博升光电，主业高速VCSEL光引擎——累计出货超600万颗，NPO/CPO光引擎目前仍以样品验证和工程开发为主，尚未大规模量产（公司口径）。换句话说，为"互联是下一场竞争"站台最积极的权威之一，自己就是这条赛道上的参赛者，而且押的是VCSEL路线，恰是硅光微环路线的竞争对手。她给短距互联三条路线分的类——硅光EML"快而窄"、Micro LED"慢而宽"、VCSEL"快而宽"——本质上是给自家路线画的座位表。

不过她有一句"逆耳话"反而更有分量：CPO对封装、散热、良率、维修性的要求非常高，光学部分一旦出问题，和昂贵的ASIC封在一起，维护和替换的代价很大。一位VCSEL路线的主张者，亲口把"良率"列为CPO的命门——这比第三方背书更能说明，为什么出厂修调会变成独立环节。

如果说微环良率是"造"这一头的瓶颈，需求那一头的瓶颈早已写进华为的机柜。SemiAnalysis对CloudMatrix 384的拆解显示：这套系统把384颗昇腾910C和192颗鲲鹏CPU装进16个机柜，用掉6912颗400G硅光模块和3168根光纤，平均每颗NPU配14个400G模块，传统架构中这个比例约为1比4——光模块总量约为芯片数的18倍。徐直军此前有句表态："AI算力不等于芯片性能。"SemiAnalysis的评价是：单芯片落后一代，系统层面可以说领先一代。按光模块公开单价粗算，单套CM384仅光互连一项成本约1500万至1700万元（量级示意）。

18倍就是"芯片落后一代、用互连补回来"的直接标价。而今年7月世界人工智能大会上展出的Atlas 950超节点，方向已经变了。LightCounting的现场盘点与瑞银的拆解给出同一个结论：这是全球第一个采用LPO（线性直驱，即摘掉光模块内高功耗的DSP补偿芯片）的超节点。1024卡的SuperPoD用了4096颗800G LPO，平均每颗NPU摊4个模块，比CM384时代降了一半。

两组数字放在一起：集群规模仍在指数级放大——按华为路线，今年四季度上线的Atlas 950 SuperCluster要把超过52万颗芯片互连起来；但单颗芯片摊到的光模块数量在下降。下降靠的不是需求减少，而是LPO这类光电协同设计，以及把良率做上去的装备。需求没有消失，只是收钱的位置从芯片挪向了装备。

机柜之外同理。中国工程院院士刘韵洁在9月的算力大会上披露，国内已实现跨2000公里的算力中心协同训练，整体效能达到单一算力中心的98%（试验网口径）。机柜内靠光互连与装备，机房间靠广域调度，指向同一句话：算力竞争的轴心，正从"单颗芯片多强"移向"芯片之间怎么连"。

价格信号在配合。400G LPO模块单价约300到340美元，只有带DSP方案的六成；上游100G EML激光器芯片价格从5美元涨到7美元——在光通信链条上，涨价是紧缺的旗语。

两本良率账：代价记在不同页上

微环良率问题，海外与中国各有一本账，而且都能算通。

海外那本：英伟达CPO光引擎的核心就是微环调制器，2025年GTC演示、2026年量产，解法是逐环出厂校准、运行时热控、DSP补偿三件套，并为此与台积电深度绑定。这本账的成本摊在服役期——数据中心环境温度波动一二十摄氏度，每个微环都要亚纳秒级热补偿兜着，功耗和复杂度随服役时间累积。

中国这本：出厂前修调到位，之后只需少量能量维持。Reed算过能耗账：热控要先花大量能量把波长拉回去、再持续稳住；出厂修调则一次付清。需要指出，Reed与光联芯科存在师生关系，其立场需打折看待，但能耗机制本身是公开物理。

Ayar Labs的"标准CMOS工艺可制造"与"海外良率不足10%"两个说法并不矛盾——造得出来和造得起是两回事。真正的分歧是良率代价记在哪一页账上：记在服役的每一天，还是出厂前的那一次。哪条路更便宜尚无定论，Reed自己也提醒，微环与马赫-曾德尔路线孰优"陪审团还未归来"。

行业的赌注下得很重：Ayar Labs累计融资约8.7亿美元、最新估值37.5亿至38亿美元，今年已加入英伟达NVLink Fusion生态；Lightmatter估值44亿美元，干脆把光计算推到2030年以后、先拿互连变现。海外用生态和订单押注微环，中国用一台修调装备回应量产良率——同一技术方向，两条成本路径。

另一个细节容易被忽略：修调能力原本握在代工厂手里，光联芯科把它做成装备，等于把良率的控制权从代工厂拿回芯片公司手中。一家芯片公司造"修芯片的机器"，本身就是行业缺口的证据。

红杉的时点：设计层兑现之后，钱流向装备

英伟达3月的两个合同值得放在这个背景下看：它与Coherent、Lumentum各签20亿美元，形式为"增长股权＋数十亿采购承诺＋产能接入权"，合计40亿美元，锁的是铟磷激光器的制造产能。有评价称这不是风投，是供应链控制。连同Marvell 32.5亿美元收购Celestial AI、AMD收购Enosemi、Credo收购DustPhotonics，巨头们正在重新划定铜与光的边界。光互连市场规模到2030年约400亿美元——没人愿意在这个量级里当旁观者。

红杉的动作与这套逻辑同构，但时点更说明问题。摩尔线程、沐曦、曦智这些设计层标的相继上市兑现之后，8月同一个月，红杉连投四轮的光联芯科（互连）落定超10亿美元A+轮，同时进入湖北星辰（先进封装）近50亿元A轮的股东名单。设计层的回报已落袋，互连与封装是需要下一个故事的资产。

二级市场的锚已经摆在那里：硅光第一股曦智科技9月14日盘后市值293.77亿港元，较首日开盘价缩水六成多，仍高于发行价五成——泡沫挤过一轮，但估值天花板由这条曲线实时校准。光联芯科10亿美元的定价是否站得住，不取决于故事，取决于这条曲线。

另一条线：湖北星辰与中试平台

武汉光谷，湖北星辰的融资像一部长片：2021年从江城实验室的1000万元种子起步，到今年8月近50亿元A轮（新进股东实际出资45亿元，41家股东），高瓴、红杉、君联、中金资本、深创投和中微半导体几乎到齐。财务呈典型重资产扩张期特征：2025年营收7.36亿元、同比增长约93%，净亏1.07亿元，资产负债率88%。

它的定位不是封测厂。总经理王逸群的表述是"不做产品，但服务最多客户，成为产业链的中枢节点"——芯片厂和设备厂各带问题来，在中试平台上一起把工艺磨通。核心能力是"从定义阶段就联合研发"：北方华创与其联合研发的设备，从提需求到验证通过不到一年，已累计出货超过30台；到今年年中，星辰已为35项国产设备提供量产验证。设备厂拿它当公信力背书，它拿设备厂当装备弹药，这个闭环转起来，就是封装设备国产替代的加速器。

但兑现还很远：全球首颗三维近存计算AI芯片、东方算芯的DF1000已由星辰完成量产验证，当前月出货只有数百片，距离2030年月产30万片的目标差着三个数量级；二期产线正在冲刺本月底全线通线——这是最近的一个硬验证点。

星辰只是切面。今年上半年，长电、通富、华天、甬矽四家封测厂官宣扩产合计超过255亿元，几乎全部流向AI算力与2.5D/3D产线；央视财经8月底报道，上游封装设备企业订单已排到2028年。巨头动作更有信息量：中微（同为星辰股东）提出"5年内覆盖七成以上先进封装核心工艺设备"的目标，2026年中报营收66.91亿元、同比增长34.9%，扣非净利11.23亿元、同比翻倍；北方华创发布混合键合设备、并购芯源微补齐涂胶显影；拓荆科技混合键合机获客户复购；芯碁微装的面板级直写光刻与ZW1000同属无掩膜直写技术家族。短板同样明确：离子注入设备国产化率不足15%，量检测和高端键合仍是硬骨头。

华为今年5月提出"τ定律"——用数学补物理、非摩尔补摩尔，先进封装是其底层制造技术。定律本身姑且听之，但它描述的现实成立：制程受限的前提下，性能增量只能从修调、键合、成套封装设备这三个战场里来。

五个待验证的硬指标

"战场移向制造装备"这个判断能否成立，不看叙事，看五个可核查的信号：

1. 光联芯科的第一个公开量产客户是谁（哪家GPU/XPU厂导入其3.2T光引擎）——这是OIO商业化的起点，一年内没有，装备叙事降级；
2. 湖北星辰二期本月底是否如期通线，以及之后的良率爬坡数据——跳票本身就是重要信息；
3. ZW1000是否开始对外销售（晶圆厂、封测厂采购）——"卖铲子的铲子"能否从故事变成订单；
4. Ayar的标准工艺路线与出厂修调路线，谁的成本曲线先被大订单验证；
5. 华为自研HBM（HiBL.1.0）的产能与外供政策（瑞银拆解口径）——它决定湖北星辰们产能上界的高度。

芯片是这代算力的门面，装备是它的成本结构。图纸那一轮的竞争已经分完胜负，车间的这一轮才刚刚开始——叙事已经先行，交付还在路上。

更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App

格隆汇9月17日｜近日，佳都科技参股公司宇算星河(广州)科技有限公司Pre-A轮融资迎来新进展，拟引入多家战略投资者，截至目前已获超亿元融资。本轮资金将重点投向天基大模型研发与太空智算业务，加速“天数天算”技术范式的商业化落地。

文｜胡香赟

编辑｜海若镜

今年5月，28岁的张载熙结束普林斯顿的博后研究，回到国内。在他面前，有几扇门同时打开：美国高校教职、AI大厂首席科学家和千万年薪。最终，他选择进入香港科技大学担任助理教授，并挺进了创业窄门，创立AI for Science公司科理新序（Scinetics）。

暗涌Waves独家获悉，科理新序近日完成近5000万元人民币融资。本轮融资由英诺科创基金领投，沂景资本、小苗朗程、麟阁创投跟投。

这或许是他既往人生中，为数不多的岔路口。从中科大少年班、直博，到哈佛医学院联合培养，随后进入普林斯顿王梦迪团队做博后。研究AI4S的青年PI，是当下创投市场最喜欢的创业者画像之一。

但创业的决策过程，他也曾纠结。

进入大厂，意味着更充足的算力、数据和人才配置；成为高校PI并创业，要比较独立地找人、找钱、找资源，技术和商业都有不确定性。

最终让张载熙下定决心做出选择的是“工作自主性”，他想主导自己的研究方向，而不是被更大的公司组织约束。他更享受从零搭建一套体系的过程。

创业前，张载熙和团队曾经做出过科学智能体Stella。去年，Stella上线后，服务了上千名科研用户，其中七成以上来自斯坦福、普林斯顿等高校和顶级实验室。相比自训基座模型，智能体落地更快、更容易接入现有研发流程，实现商业化。

不过，这条轻巧的路线，目前仍有局限。以大语言模型作为推理引擎，科学智能体在遇到蛋白质结构、核酸序列等数据时，会先将问题翻译为“自然语言”，再把文字指令交给模型执行。精细的三维结构和模态关系，在几次翻译转换中会出现“损耗”，智能体几十次交互也无法绕开误差。

博士期间，张载熙曾开发分子筛选模型MGSSL、药物分子生成模型FLAG等，在多个细分领域达到SOTA。但他判断，单点能力仍是不够，未来AI4S行业会集体走向多模态。所以，科理新序的核心是做多模态长程推理基座模型。

他提出了“Science Token”概念，希望把小分子、核酸、蛋白质结构等科学数据，转化成模型统一的表征单元，不再经过人类语言的转译，让模型在原生科学模态中推理，完成科学任务。

短期，他们将聚焦商业化路径最清晰的生命科学，未来逐步拓展至材料、工程等科学领域。

谈起未来，张载熙认为AI4S一定会出现GPT时刻、Coding时刻，且这是一个可能超越Coding的市场；他也相信自己所带领的小小团队，有实力开发出“大一统”的科学底座模型，成为AI4S领域里对标DeepSeek、Anthropic的基座模型公司。

技术革命初期，路线没有收敛，创业者才有“以小博大”的机会。近日，我们和张载熙聊了聊，此时投入AI4S创业，他究竟想赌一个怎样的未来？

对话（经编辑）：

AI4S，媲美Coding的万亿市场

暗涌Waves：2019年，你21岁，选择了AI for Science作为博士研究方向，现在回头看很有先见之明。这个赛道从冷变热，你的体感是怎样的？

张载熙：确实比较幸运，职业生涯转型刚好踩中了行业风口。

我读博阶段，这是一个非共识赛道，行业认知是“Science+AI”，AI是提升业务效率的附加算法工具，项目必须深度绑定具体药物管线，比如聚焦多肽药物，或只做蛋白质垂直模型。

现在AI4S朝着通用方向演进，市场普遍认为这个方向会迎来属于自己的“Coding 时刻”。写代码赋予了人类在数字世界创造事物的能力；AI4S则是在变革人类底层科学探索、发现新知识的能力,市场价值可以比肩甚至超越Coding。

从Alpha Fold从1到4的迭代，可以清晰看到AI能力正迅速变强。需要被研究的科学问题没有巨变，但新算法让过去难以建模、难以预测的任务，具备了解决条件，更多科学模态的纳入，让模型能力更强。

暗涌Waves：Science其实是覆盖非常广的方向，现在创业投资的主流技术路线有哪些，技术路径上有收敛的趋势么？

张载熙：客观说，现阶段的AI4S赛道噪声不小，AI4S从业者主要基于自己既往背景做布局，还没有在技术路线上形成共识，难以判定孰优孰劣。

首先是科学智能体，主要靠调用外部工具完成科学任务。优势是落地快、能迅速嵌入现有研发流程，商业验证周期短，因此诞生了不少初创公司。

大厂也都在做，如Anthropic的Claude Science、OpenAI 的GPT-Rosalind。不过，他们的主战场还是Coding等更general的方向，科学方向属于占位式布局、浅浅试探。

第二是虚拟细胞。受Arc Institute相关工作和论文影响，虚拟细胞从去年起热度暴涨。理论上，它在电脑里模拟细胞受药物、基因编辑后的变化，能提前批量筛掉无效候选，压缩研发时间和成本。行业期待很高，发展速度也比较快。

第三就是我们选择的AI4S基座模型方向。这是一种“自下而上”的路线，聚焦底层分子相互作用，从分子机制推导疾病、基因调控网络等上层现象。

暗涌Waves：去年你们上线了科学智能体Stella，据说反馈也不错，为什么没有选择这条更轻巧的路线？

张载熙：Stella去年上线后，服务了上千名科研用户，七成以上来自斯坦福、普林斯顿等名校和顶级实验室，MIT的张峰教授也使用过。

但我们发现，科学智能体范式有个根本性问题：

它本质上是把科学问题翻译成自然语言让模型理解，再翻译回结构指令让工具执行。很多精细的三维结构信息、多模态之间的微妙关联，会在翻译过程中丢失。

这是范式本身的天花板。你当然可以在智能体框架上不断加工具、加流程，但只要底层推理还基于文本完成，这个瓶颈就一直在。

暗涌Waves：可以举一个智能体做不出来的例子么？

张载熙：比如蛋白质局部结构优化。要把某个侧链朝特定角度旋转5度，形成氢键或者其他分子相互作用，这高度依赖3D空间的精细推理设计。

如果用智能体做，就是让大语言模型输出文本指令，再调用RF diffusion这类结构扩散模型去执行。但结构模型本身没办法很好理解文本信息，工具输出结果又要转成字符串、截图，再反馈回大语言模型，智能体读得云里雾里，好像对，又好像不太对，只能继续迭代。

就这个步骤，我们尝试了很多智能体，反复交互过几十遍，浪费了大量Token，结果是跑了一堆用不了的东西。根源就是，没有原生的科学模态推理能力。

小天才的大梦想：多模态科学底座模型

暗涌Waves：所以你认为必须开发AI4S基座模型？有了基座模型，可以解决“跨模态翻译”问题？

张载熙：既然翻译会产生损耗，就不翻译了，让模型直接在原生科学模态空间内，做针对多模态科学数据的长程推理（Chain of Science Tokens）。这一基座模型，也是我们公司的核心产品。

我们针对组学、蛋白质结构、分子化学式、核酸序列等各类科学模态，开发了离散Token化方案，把各类科学信息转化为统一的Science Token输入模型，不再依赖人类自然语言做抽象中转，更贴近科学本质。

模型训练分预训练、mid-training、后训练三个阶段：其中，预训练建立多模态生命科学表征，mid-training学习从序列到结构、功能和细胞表型的跨层规律，后训练重点增强长程推理能力。

AI4S基模训练框架（图源：科理新序）

暗涌Waves：这种长程推理，跟既往垂直小模型解决单点任务，有什么不同？

张载熙：比如做酶设计，不再一步出结果，而是像人类科学家一样分步推理：先搭建酶的活性中心，它决定催化功能的核心区域；再搭建蛋白质支架，把活性中心撑起来；最后补充侧链、微调细节。

这套长链条推理能力，是传统垂直模型、工具调用智能体不具备的。

暗涌Waves：把各类科学信息转换成“大一统”的Science Token，听起来更性感，但小分子、核酸、蛋白质等数据结构差异很大，为什么你们团队可以做？

张载熙：Science Token首先要解决的，是让模型读懂不同科学模态。

过去，围绕小分子、核酸、蛋白质、复合物和跨模态文本，我们分别做过相应的基座模型。从数据收集、模型搭建到训练，完整地走过。因此，团队知道每类科学数据应该怎样编码，不同模态之间又该如何对齐。

同时，做Stella、BioClaw等智能体时，我们积累了大量长链条推理数据，也摸索了通过后训练增强推理能力的方法。

另外，干湿闭环也很重要。Stella除了计算和算法模块，也接入了自动化湿实验。我们在靶点发现、抗体优化、小核酸设计等任务中，跑通过干湿闭环案例。因此，也清楚AI 应如何对接真实科研任务、连接自动化实验设备。

模型进化，需要主动获得大量高质量数据。干湿实验闭环，可以支撑我们持续获取训练数据、持续迭代。

暗涌Waves：从目前的探索结果来看，这个基座模型的能力如何？

张载熙：在蛋白质结构预测、蛋白功能注释、RNA二级结构预测、DNA突变预测等单项任务上，已取得不错效果。

我们对这个结果不是很惊讶，毕竟科学系统本身就是复杂多模态体系，如果能把多模态信息全部纳入模型，从全局视角做设计搜索，自然更容易得到更优解。

目前，我们在探索下一代模型训练方式，比如尝试AI for AI，Recursive的训练范式，挖掘科学内在规律、拓展更多模态，或提升模型参数量，以此强化长程科学推理能力。我们期待沿着这个方向，能实现AI4S基座模型的ChatGPT时刻。

以Science Token为商业模式

暗涌Waves：从定价和商业化上看，Science Token会带来新的商业模式吗？

张载熙：是的。不过，Science Token和文本Token的定价逻辑不一样，后者定价主要参考算力和电费成本，但Science Token除了考虑这些基础成本之外，还要衡量它背后的科学价值。有些领域，比如小核酸，数据非常稀缺，对应的Token价值自然更高，定价要体现实际的业务价值。

我们希望成为AI4S领域对标DeepSeek、Anthropic的基座模型公司，探索以Science Token作为计费单元的商业模式。

暗涌Waves：用Science Token计费，理想的买方是谁、具体用在什么场景？

张载熙：比如药企。当模型能力足够强之后，我们不需要花大力气做BD，绑定单条管线做交付。抗体管线、多肽管线、小核酸管线，各类任务都可以承接。

这时候计价单元就可以基于“消耗了多少Science Token解决这个药物设计问题”。就像Coding，不会按代码行数或模块来定价，客户信任模型能力，直接调用服务，消耗多少Token就付多少费用。这能省去大量BD个案的谈判工作。

暗涌Waves：如果这个模式能实现，它也会成为AI4S基座模型企业通行的商业化路径吗？

张载熙：Science Token还是我们提出的独有概念；至于衡量长链条科学推理数据质量的标准，及其计费标准，在全行业都没有成熟方案。我们和一些AI大厂交流时，他们也没太想清楚这件事。所以它还是一个非常早期的商业想法，需要行业共同推动形成共识。

暗涌Waves：从一级市场��角，我们能看到不少投资机构和资金在涌入，但这个方向目前的融资声量跟大模型、具身相比，还差得很远。你觉得大家的分歧在哪里？

张载熙：市场上存在两种极端心态，都可能造成投资决策犹豫。

一部分投资人认可AI4S万亿市场，相信AI科学平权，希望每个人都能释放想象力参与科学探索，他们的怀疑点在于：现阶段的技术能力，能不能把这件事做成。另一部分人则把AI4S市场看得比较小，觉得客户只有高校师生和PI，付费能力弱。

既往，市场对垂直模型具备清晰认知，但投资人对“大一统”的科学基座模型评判标准更严苛。因为他们觉得Harness加垂直领域小模型，足够解决科研需求。从用户端，很多科研人员虽向往更智能化的基座模型，但受惯性影响，习惯了调用工具化专项模型，这也是个矛盾点。

暗涌Waves：怎样的投资机构更愿意押注于AI4S基座模型？

张载熙：一些投科技的市场化基金，及部分曾深耕过制药领域的投资人。他们理解现有研发体系里的“历史技术债”，就像“屎山代码”一样：药企内部集成上百个小模型，每个环节信息传递都有损耗，维护成本极高。

因此，他们从系统工程的逻辑判断，AI会是变革这些的最强力量。这类投资人更愿意押注基座模型路线。

投资人的共识性要求是：必须快速迭代模型，抢占领头羊位置。团队配置上，我们已经把过去学术界和部分工业界大厂做AI4S基模研发的核心人才聚过来了，技术积累比较扎实。我们本来希望在今、明两年能达成一些商业化订单，但投资人觉得，短期内不需要过度在意这点，优先把模型能力做出来更重要。

文 | 刘凌果 

编辑 | 海若镜

36氪获悉，脑科学AI公司曦嘉医疗近日完成数千万元Pre-A轮融资，由国中资本领投，锡创投、勤智资本、慧创医疗、兴富资本跟投。本轮融资主要用于临床研究、市场拓展和产品迭代。

曦嘉医疗成立于2019年，专注于通过AI、云计算技术，结合脑连接组学，解析MRI（磁共振成像）数据，从而为患者生成精准、个体化的脑网络图谱。目前，该项技术主要用于神经外科手术规划、神经调控和脑机接口电极植入前定位。

2025年5月，曦嘉医疗对外披露一笔数千万元天使轮融资，由险峰淇云投资，主要用于AI脑连接组学产品的市场推广及进一步研发。一年多过去，这笔投入初见成效。

据了解，曦嘉医疗在AI脑图谱软件NuraTome的基础上，已进一步开发TMS（经颅磁刺激）导航设备。基于其精准靶点方案进行抑郁症TMS治疗，接受治疗的患者量表减分率较基线改善显著，显示出较好的临床缓解率。

同时，公司业务线向脑机接口场景拓宽，已累计支持20余例电极临床植入，为脑机接口企业提供上游导航基础设施。

从“平均大脑”到“个人坐标”

2016年，Matthew F. Glasser等研究人员基于人类连接组计划（HCP）的MRI数据，将大脑皮层划分为360个脑区，并发布涵盖大脑皮层结构、脑功能、区域连接等信息的大脑图谱。此后，HCP图谱作为通用脑图谱之一，广泛应用于脑研究、脑病诊疗。

但HCP图谱主要呈现的是“平均”大脑，而“人的头部尺寸、脑沟脑回各有差异，一些情况下，肿瘤、水肿还会挤压周围组织，使脑区发生位移。”曦嘉医疗CFO原泉提到。因此，HCP图谱无法直接套用于不同患者。

而神经外科手术、磁刺激、电极植入等介入大脑的方式，都需对其结构、功能进行精准定位，如何将通用图谱与各异大脑进行精确配准？曦嘉医疗通过对海量MRI数据进行机器学习，让这道题有了新解法。

具体而言，其核心软件产品NuraTome包含379个脑区的图谱框架，其中，360个皮层脑区来自HCP图谱，另补充19个皮层下区域。

曦嘉脑图谱-核心大脑结构

据介绍，早在大模型涌现前的2017年，曦嘉团队便已开始搭建脑影像AI能力，利用健康人群、患者的MRI数据训练专用算法。AI模型先从健康人群数据中学习不同脑区典型的神经纤维束连接方式，并以此为依据，进一步学会识别各“标准”脑区在不同患者大脑中对应的“独特”位置。这种基于结构连接进行个体化脑网络定位的方法，也被称为SCA（结构连接性图谱）。在此基础上，NuraTome再结合功能核磁fMRI，分析脑区之间的功能连接。

最终，医生通过曦嘉NuraTome软件所见的，是一张同时包含了结构图连接谱和功能连接图谱的个体化脑网络“地图”。原泉表示，曦嘉的生态位可以类比为地图企业在互联网产业中的位置。再以此对照，大脑结构图谱可以理解为在地图上勾画道路、建筑物、区划等，功能图谱则是再加入车流密度、红绿灯、堵塞点等动态信息。

二者协同下，医生则可更为准确地判断病灶位置、追踪纤维束走向、识别功能位点，从而确定介入方式及路径。

原泉表示，目前，曦嘉积累并用于AI训练的国内外临床数据数万例，此外还包括多年科研数据及公开数据集，数据积累规模处于行业前列。

存量数据是一方面，模型能力要不断提升，增量数据同样关键，其能让数据飞轮“转速”更快。据介绍，NuraTome采用的是静息态功能核磁，患者只需静卧约8分钟即可完成扫描，比较而言，传统任务态扫描可能需要两至三小时，因此曦嘉在MRI上的数据积累速度也相对更快。“全套23分钟的核磁扫描，再加上90分钟的数据分析，就可以把数据跑完。”

“软硬兼备”

面向TMS（经颅磁刺激）的神经调控领域是曦嘉近一年来，进展最迅速的业务条线。

TMS是一种通过脉冲磁场来刺激或抑制大脑特定区域神经元活动的疗法，主要包括定位靶点、线圈导航、磁刺激输出三个步骤。以往，医生通常结合影像，根据解剖标志估算靶点位置，再手持线圈，对准患者头部进行磁刺激治疗。

“传统疗法中，以抑郁症为例，主要选择背外侧前额叶皮层（DLPFC）的结构中心点作为刺激靶点，但这个脑区接近网球大小，而TMS线圈的刺激聚焦点有限，因此在实际治疗中，有效靶点难以被精准刺激；而NuraTome可以将定位范围进一步缩小至毫米级，告诉医生具体该刺激的位置。”

此外，在传统疗法下，由于缺乏对不同患者脑网络的个体化认知，面对同一种适应症的患者，治疗时往往刺激同一靶点。但事实上，同一适应症背后，脑网络的异常点可能不尽相同。例如，同为抑郁症，有的患者主要表现为情绪低落，有的则是快感缺失，或受焦虑、失眠等困扰。量表评分虽接近，但不意味着异常连接��生在同一脑区。由此，对相同位置进行刺激，治疗效果自然会打折扣。据介绍，依据传统解剖标志定位的“盲打”模式下，TMS治疗有效率有时仅为20%至30%，患者的临床获益并不稳定。

要实现靶点的因人而异，得先摸排清楚每名患者脑网络中的异常点。具体机制上，NuraTome会将患者的功能连接与健康人群的参考数据进行比较，找出连接过度活跃或受到抑制的区域，再结合适应症、症状表现、临床数据等，从中筛出与患者症状相关的连接，形成候选治疗靶点。

据介绍，目前曦嘉已经形成抑郁症、睡眠障碍、焦虑障碍、阿尔茨海默病、自闭症、多动症、卒中后康复等约十类适应症的靶点计算策略。公司称，采用其精准靶点方案后，TMS治疗的有效性相比传统方式有明显提升。

精准找到靶点，TMS疗法只完成一半，另一半是“线圈导航”。医生在治疗过程中，需确保线圈全程对准靶点。过去，这部分主要由第三方导航硬件设备完成，曦嘉只负责软件定位。

据介绍，曦嘉当前已自研TMS导航设备，将定位和导航功能整合进一套设备里。NuraTome计算出靶点后，导航仪的双目相机会追踪患者头部和线圈的位置，辅助医生调整线圈，减少治疗过程中的偏移。原泉以射击类比：“TMS是枪，导航设备是瞄准镜，NuraTome则负责识别高价值目标。”

找落点，划边界

神经调控外，随着脑机接口近两年加速走向临床，基于其同样对大脑精准定位的需求，也自然成为NuraTome拓展的新场景。

无论是侵入式脑机接口将电极植入脑组织或贴附于硬脑膜，还是非侵入式脑机接口从头皮外采集脑电等信号，都需要通过捕捉神经信号，来解码人的意图，并将其转化为设备指令。

而信号能否采集得足够清楚，一方面取决于电极和通道数量，另一方面，电极放置的具体位置也很关键。具体来说，离信号热点越近，抓取有效信号的机会越大。

以针对运动功能重建的侵入式脑机接口为例，传统植入通常根据大脑中央前回“手结区”等解剖地标，判断运动功能区的大致范围。但手结区存在Ω型、ε型等形态差异，真实的手部运动热点也未必与其完全重合。在此情况下，NuraTome凭借识别功能热点、关键神经纤维束与安全边界的能力，可为医生细化电极靶区，规划具体植入路径。

据介绍，公司目前已与多家头部脑机接口企业开展合作，累计支持20余例临床植入，主要采用按例收费模式。

Xijia1x磁共振影像处理软件

NuraTome的第三个主要应用场景神经外科，则是其定位能力最早经受考验的地方。

“基于我们的个体化脑图谱成像，医生可以清楚看到肿瘤周围的脑网络、神经纤维束、灰质区域，从而更好判断，落刀在此，可能对患者的脑功能造成什么影响。”原泉表示。

多切一分，怕伤及正常脑组织；少切一分，又怕肿瘤未能完全切除、后续复发。缺少精准定位肿瘤切除边界的工具，是神经外科手术长期面临的困难。原泉以一例丘脑胶质瘤手术为例解释，这类肿瘤位于大脑深部，术后发生瘫痪的风险较高，部分医生通常不建议手术。“这个案例基于我们的软件进行了手术规划，患者术后功能基本正常。”

目前，NuraTome主要承担术前规划。术中，医生也可调取图谱，辅助判断。相比依靠术中唤醒、电生理等定位功能区的传统方式，它能在术前呈现运动、语言网络之外更大范围的复杂脑网络，如注意力、记忆、认知、情绪等。

据了解，曦嘉的神经外科手术规划软件已进入全球180多家医疗机构，已累计用于近2万例神经外科手术。

“2025年，我们把商业模式跑通了。到了2026年，要做的是标准化复制和扩张。今年我们会陆续进入收获期。”商业化上，公司表示，目前主要通过软硬件一体机销售、按例服务和科研服务获得收入，未来两至三年，将继续以硬件销售、产品推广、市场开拓为重点，扩大收入规模。

小黑胖 2026-09-17 00:00 浙江

今天是 9 月 16 日，农历八月初六。

今天是 9 月 16 日

农历八月初六

同事把自家的小狗

带来公司了

才三个月大

贼奶萌

大家围着摸

一下午整个编辑部都摸遍了

。。。

下面是今天的其他大新闻

：这么一改，可能要影响销量了。。。

：想起之前托尼请我吃的那次，还是 18 块钱一根。

：药物研发，最期待有成果的一集。

：啥时候能上市啊？

跳转微信打开

硬氪获悉，晶圆级无源器件企业「森丸电子」近日完成亿元A轮融资。本轮由知名光模块产业方、耀途资本联合领投，顺融资本跟投。资金将主要用于硅电容及IPD平台技术开发、产能建设及全球市场拓展，加速硅电容在高端光模块及AI芯片垂直供电等应用场景的大规模商业化落地。

森丸电子成立于2021年，总部位于苏州，是国内领先的晶圆级无源器件IDM企业（即企业完成全流程的“设计+制造+测试”，而不是只负责其中一个环节）。公司以半导体工艺为底层技术基座，将电容、电感、电阻等无源器件从传统的分立贴装模式，推向硅基集成化的技术范式，面向AI算力网络中"供电"与"互联"两大核心瓶颈提供芯片级解决方案。

公司创始人宋义深耕通信与电子制造产业二十余年，兼具全球化视野与本土化落地能力， 积累了横跨供应链、产品线与商业化的全栈经验。团队核心成员在硅电容及IPD集成无源领域多年，覆盖从器件设计、工艺开发到晶圆制造的完整自主技术体系。

近年来，AI算力需求爆发正以前所未有的速度重构半导体产业链。从GPU到ASIC，AI加速芯片的功耗已从数百瓦向千瓦级攀升，单颗芯片的瞬态电流需求动辄数百安培。与此同时，800G乃至1.6T高速光模块作为AI训练与推理集群的核心互联节点，正朝着更高速率、更小尺寸、更低功耗的方向快速迭代。

传统芯片供电采用侧向供电架构，电源管理芯片与主芯片之间的供电路径较长，寄生电感和电阻在数百安培的瞬态负载下产生显著的电压波动与IR压降，直接制约芯片性能释放。尤其在GPU等大算力芯片中，去耦电容的数量与摆放空间已成为封装设计的刚性约束，"电容放不下"正成为与"算力不够"同等量级的工程难题。

与传统MLCC（多层陶瓷电容）相比，硅电容基于半导体晶圆工艺制造，在单位面积电容密度、高频去耦性能及ESL/ESR等核心指标上具备量级优势，且尺寸更薄、更小，天然适配高密度封装与垂直供电架构。

从技术逻辑看，硅电容与IPD集成基板的结合，本质上是将无源器件从"板级组装"推进到"晶圆级集成"。这一跃迁不仅是性能提升，更带来商业模式的结构性变化——当电容不再只是被动物料，而是成为芯片封装架构的重要组成部分，其产业位势将从传统被动元器件供应商，上升为系统级封装链路中的关键环节。

而在高端光模块领域，硅电容的价值同样不可替代。800G/1.6T光模块内部空间极为紧凑，传统分立电容在体积和性能上已难以满足高速信号完整性与电源完整性的双重要求。硅电容的超薄封装与高频特性，使其成为光模块电源管理网络的理想选择。

目前，硅电容主要由日本、欧洲少数厂商主导，国产化率较低。森丸电子是国内领先的晶圆级无源器件IDM企业，已形成覆盖全品类硅电容、硅电感及 IPD 无源集成芯片的产品布局，产品体系涵盖IPD器件、IPD集成基板、芯片电容、芯片电感和芯片电阻等多个方向。已经持续向头部客户交付硅电容，良率稳定在95%以上，产能达到3亿颗/月，核心性能指标达到国际一线厂商同等水平。

宋义告诉硬氪，公司在过去两年已经拿到了数个世界级大客户的订单，完成了供应链导入。“我们预计从2026年开始，接下来四年会是我们最大的机遇期和爆发期。”

以下是硬氪与森丸电子创始人宋义的访谈节选：

硬氪：在AI时代，为什么无源器件会变得越来越重要？

宋义：我觉得可以从两个方面来看。首先，无源器件在所有电子系统里面，其实都是一个“服务”的角色。AI对高频、高带宽以及高速有比较高的要求，而传统元器件已经不能完全满足AI时代的这些需求，所以我们这一类新型元器件就显得更加突出，逐渐变成刚需。这是从技术迭代角度来看。

另外，主芯片包括GPU、CPU、存储以及光芯片等，它们的性能越来越好，也相应地对我们这类“服务型”元器件提出了更高的要求。也就是说，是下游芯片等产品的迭代，带动了我们这一类元器件的需求和技术迭代。

硬氪：从研发走向批量落地，目前最大的难点是什么？

宋义：我觉得现阶段对于整个产业来说，最大的问题还是供应链。这个行业目前玩家比较少，但AI、汽车电子等领域的客户需求又在喷涌式爆发，所以我们这一环在整个供应链、产业链当中其实处在一个比较稀缺的位置。这既给我们带来了机会，也��来了更高的要求。客户对产品本身的性能要求很高，但有性能还不够，还要有长期供货能力、交期、品质、品牌，以及全方位服务客户的能力。

硬氪：无源器件认证周期比较长，你们怎么看待这个问题？

宋义：认证周期长是我们这一类元器件的行业规律，我们无法改变客户的认证周期，但它本身也是我们的一个壁垒。客户要花很多精力去认证不同厂家，所以一旦我们进入供应链，前期虽然比较痛苦，但后续别人要进入或替代我们都会更加困难。同时，认证周期长也说明元器件本身比较关键，客户不会轻易更换供应商。

对我们来说，客户的认证机会只有少数一两次，认证周期长就要求我们的生产和验证时间更短，并且尽可能保证一次性通过。我们就要在内部反复验证，确保达到要求后再去认证。这对我们的技术、设计、制造和生产周期都提出了很高的要求。与此同时，一旦通过头部客户的认证，也会产生很强的带动效应，比如通过一个头部客户认证并完成交货后，拓展其他客户会相对容易；取得车规级认证后，也可以进一步拓展汽车供应链客户。所以，认证一旦通过，带来的不只是单个客户，而是整个行业和领域的带动效应。

硬氪：除了认证周期，你认为森丸电子还有哪些核心壁垒？

宋义：我觉得主要有两个方面。第一个是客户端的培育。客户培育是一个很漫长的过程，这五年时间里，我们培育了大量客户，逐渐形成了客户对森丸电子的认知和信任。当客户愿意把产品交给我们做，这种客户端的粘性就是一个比较大的壁垒，新的厂家进入也必须经历同样的过程。

第二个是设计和制造的全链条能力。我们同时具备设计、制造和测试能力，这在国内相对比较少见。这一类元器件不能只用制造或者代工的思路去做，本质上是设计和工艺制造双向交叉结合，所有设计都要结合工艺，生产线也要结合设计流程。全球来看，做硅电容的企业基本上都是这种模式。