几个月前，肖晔和他的同事们用哆啦A梦的模板，做了一套科普漫画。漫画里，大雄正在为应该“先写作业”还是“先看电视”发愁，哆啦A梦则掏出了一台巨大的机器：
哆啦A梦说这台的机器，能完美解决大雄的所有选择烦恼，因为它能够把所有的问题都设计成一套有逻辑、有规律的物理系统，自然“演化”出答案。
——这听上去是不是有点科幻，像一个人造“演算小宇宙”？而对于肖晔和他的团队来说，这台机器正是他们在亲手塑造的现实：伊辛机。最近，他们和这台科幻的产品也迎来了新的里程碑。
据投中网获悉，近日，专注新型光电计算架构研发与产业化团队伊辛智能已完成近亿元融资，由顺禧天使基金领投、基石创投、国科创投、深智城跟投，值观资本将担任后续轮次FA。
看到这里，你应该很想问一个问题，什么是伊辛机？理解它的价值，可以先看GPU的发展历程。我们先来做一道思考题：GPU的本质是什么？最热门的答案，一定是“算力”，但这个答案实际上只说对了一半。
GPU最初长期被人们称为“显卡”。其最初设计的应用场景，是帮助计算机处理图形、渲染3D模型和图片纹理。这些任务并不复杂，但特点是计算量特别巨大。也就是说，在诞生至今的绝大部分时间里，GPU的最大存在感的确是“专用算力”。
但谁能把这玩意儿，和充满智慧感的“处理器”联系在一起呢？
英伟达和黄仁勋改变了这一切。英伟达突破性地让GPU的管线不再固定，变得完全可编程，并开发出了革命性的计算平台CUDA。在CUDA的帮助下，GPU的特点被不断放大——由于GPU本质上是成千上万个处理核心堆砌在一起，因此他很擅长并行处理大量简单、重复的计算任务——神经网络成为了可能，最终让需要大量矩阵乘法和加法的人工智能模型训练也成为了可能。
所以关于开头那个问题，最时髦的回答，那就是GPU，在当年更应该看作一种“新型计算方式”。
而近两年来，大模型军备竞赛之外，算力也成为了兵家必争的基础资源，而异构化、专用分工化正是优化算力瓶颈的重要方向之一。CPU承担通用逻辑与协调，GPU擅长大规模并行矩阵运算，TPU则围绕AI中的张量计算进行专用加速。这些计算单元的协同，构成了异构计算的基本思路。而一些涉及“怎么选、怎么分、怎么排”的组合优化任务，则为新的专用计算单元留下了空间。肖晔和伊辛智能选择的“伊辛机”，正是这个问题的热门答案。
“伊辛”这个名字来自物理学中的“伊辛模型”。最早的时候，德国物理学家恩斯特·伊辛发明了这套模型，用来描述磁性材料互相影响之后的排列形式。伊辛发现自然状态下，这些磁性材料之间会不断调整，最终趋向能量最低、整体最稳定的状态——后来的工程师们认为，其实现实生活中也有很多场景可以写成同样的结构，设计一套专属于这个全新问题的物理系统。
这就是“伊辛机”的原理，可以理解为一台专门“帮人做选择”的计算机。普通计算机擅长执行确定的运算，例如处理文档、训练模型、渲染图像。伊辛机处理的是另一类问题：候选方案多到无法逐一比较时，如何尽快找到一个足够好的方案。比如1000辆车怎样安排路线，才能少堵车、少空驶？工厂有大量订单，怎样排产才能缩短工期？
这类问题中，许多典型问题属于NP-hard问题，随着规模扩大、约束增多，计算量爆炸式上升，容易成为计算流程中的关键瓶颈。将伊辛机作为专用计算单元接入现有算力系统，让它承担适合的组合优化任务，有望缓解这些环节的求解瓶颈，进而提升整个流程的计算效率，让系统在给定的时间与成本下处理更大规模的问题，或获得更高质量的方案。
在扎实的理论基础上，“伊辛机”其实很早就开始了商业化探索。例如全球首家实现量子计算商业化，主要致力于基于超导电路的伊辛机/逻辑门机研发与制造的企业D-Wave，早在1999年就组建了团队，早在2011年就发布了首款产品D-Wave One。如今，D-Wave已经成了一家纳斯达克上市公司，市值最高一度超过120亿美元（约合人民币804亿元）。
在其官网上，D-Wave团队自豪地表示：当传统方法无法应对当今最棘手的建模、仿真和优化问题时，D-Wave 可助力企业向前迈进。
伊辛智能瞄准，也是相同的机会。伊辛智能团队早在2015年就开始进行光电振荡、光电参量振荡器和早期伊辛机研究，技术源自中国科学院半导体研究所李明研究员团队。团队认为算法能力能否真正释放，很大程度上取决于是否存在与其计算结构相匹配的硬件底座。在这个前提下，很多算法并非理论上不可行，而是在既有硬件条件下计算成本过高、效率过低，因此难以被充分验证和规模化应用。
而在他们看来，GPU的发展历程说明，一种新型计算架构的价值，并不只是将既有算法“算得更快”，更重要的是改变算法创新的可行边界。伊辛智能希望借助光电技术，从单点求解设备逐步演进为面向广泛组合优化问题的平台型专用算力，并在下一代异构计算体系中形成类似"优化处理器"的长期定位。
他们也一步一步兑现了自己的判断。2022年，团队迎来了一个重要的里程碑，他们在《Light: Science & Applications》发表大规模光电伊辛机成果，以短微波脉冲充当人工自旋，实现25600个自旋、超过12小时稳定运行。到2026年的时候，其最新发表的系统实现了4096个全连接自旋，最长稳定振荡5.5小时。在北京市西二环交通数据实验中，团队将1200辆车的调度问题构造成485自旋模型，报告的物理求解时间为2.71毫秒，模拟退火基线为6.46秒。
伊辛智能的融资节奏，也很好地具象化呈现了市场对他们的期待。伊辛智能于2024年7月正式成立运营，成立之初即获得蓝驰创投、德联资本、麟阁创投、水木创投等知名市场化VC投资，后续又获达晨财智、广州产投加注，2年时间内累计融资金额就超过了亿元。本次新一轮融资的完成，将进一步支撑伊辛智能从原型样机走向可稳定落地的平台级专用算力。
那么伊辛智能的下一步目标在哪里？伊辛机作为算力膨胀时代的一条备受期待的解决方案，什么时候能够常态化、大规模地进入市场端？作为“晚辈”，伊辛智能和D-Wave这样的独角兽相比优势又在哪里？
为了更加清晰地洞察这一切，投中网在伊辛智能完成新一轮融资的第一时间，与伊辛智能联合创始人、CEO肖晔进行了一次对话，以下是实录节选：
伊辛机和大模型，区别在哪里？
投中网：能不能用最直白、最不绕弯子的方式解释一下，伊辛智能到底是一家干什么的公司？
肖晔：我们用光电硬件实现了一种物理计算方法，面向组合优化提供专用求解能力，帮助人们处理传统计算机难以高效求解的NP-hard问题。
投中网：那什么是伊辛机呢？我最开始花了很久才理解，伊辛机带来的是一种新的计算方式。它不是按既定流程执行一个任务，最后的功能是求解，是在大量可能性里寻找一个尽量好的答案。
肖晔：我们想求解的是大规模优化问题：从海量组合里找到一个比较好的答案。旅行商问题就是很常见的例子。你经常出差，怎么走遍几个目标城市，让总里程或者总成本最低？这个问题看起来很简单。
投中网：听起来大模型就可以解决。
肖晔：城市很少时，可以借助计算工具逐个比较计算。但城市增加以后，路线组合数量会爆炸式增长。到了几十个城市，传统计算机已经很难在可接受的时间里逐一比较所有可能。每多一个变量，所需要的算力都会增加很多倍。
投中网：我理解伊辛机时有一个很强烈的感受：物理世界有很多限制，算力、时间和资源都有限。伊辛机是在这些限制下，帮我们找到一个更好答案的工具。
肖晔：可以这么理解。它针对的就是这种指数爆炸的问题。
投中网：那它和大模型到底有什么区别？模型能力一直在提升，主动理解和推理能力也越来越强。在这个前提下，我们为什么还需要伊辛机？
肖晔：大模型很难直接求解大规模NP-hard问题。它可以理解需求，帮助你表达问题，甚至生成建模代码；到了求解环节，依然需要计算工具。伊辛机承担的就是这部分工作。
投中网：所以大模型更接近理解和交互，伊辛机的核心价值就是计算。
肖晔：对。现实问题先被转化成伊辛模型，再交给伊辛机求解。伊辛机利用物理系统的演化去寻找低能量状态，这个状态对应原问题里的高质量答案。
伊辛机赛道为什么一直冷门
投中网：既然它能解决现实问题，那为什么伊辛机到现在仍然是一条相对冷门的产品线？难点在哪里？
肖晔：第一是产品成熟度。全球一直有人研究伊辛机，比较有代表性的有D-Wave的超导路线、纯光学路线，国内也有人做纯光伊辛机，不同路线都有各自的约束。我们走的是光电路线。
超导伊辛机需要接近绝对零度的工作环境，整套系统体积很大，线下部署到客户机房会受到限制。纯光路线在规模和稳定运行时间上也有工程难题。客户提交问题时，如果系统需要频繁调试，计算本身的速度优势就容易被调试时间抵消。
投中网：也就是说，过去大家证明了它在原理上能算，但很难让客户稳定地用。
肖晔：对。我们的第一款对外产品可以做到4000多个自旋，单次稳定运行约1.5小时，整机功耗约1600瓦，体积也可以控制在冰箱甚至家用电脑的量级。至少先满足实用化的基本条件。
一项技术要推广，通常会经历“能用、易用、好用”几个阶段。伊辛机过去很长时间停留在“能用”，我们现在刚刚把它推进到“易用”。
投中网：你说产品今年6月才正式对外发布，但此前已经有机器在客户机房运行。你们在什么场景里使用？又是怎么判断它已经“易用”了？
肖晔：我们办过一次比赛，机器部署在实验室，参赛者完全通过云端API调用。只要没有很多人同时跑循环任务，大家基本都可以在几秒内拿到答案，这里面还包括网络传输时间。
投中网：这个变化看起来简单，和科学样机之间的差距其实很大。
肖晔：很大。科学样机可以完成概念验证，但客户拿来一个问题，我们从建模、现场编程到手动维持机器状态，可能需要一到两周才能把答案返回去。过去一年，我们把这些环节逐步自动化。现在不需要博士守在机器旁边，用户上传矩阵，系统就可以很快返回答案。这些改进，也为伊辛机接入客户现有的软件和计算流程创造了条件。
异构计算中的专用优化能力
投中网：我这两年写了不少英伟达和CUDA的故事。最大的感受是，GPU和CPU之所以争了很多年，因为计算方案很难替代，转换成本会很高。现在客户已经围绕CPU和GPU建立了计算流程。伊辛机怎样接入这套体系，又凭什么值得客户增加一个新的计算单元？
肖晔：先做POC，效果通常很直接。伊辛机也有自己的Scaling Law。问题规模越大，自旋数量越多，它相对于传统计算的速度和求解质量优势会逐渐表现出来。
但你说的现象也确实存在，两三年前，1000个自旋的问题对传统计算机已经很难；今天GPU发展也很快，2000多个自旋的问题也可以通过牺牲一些东西去求解。只是NP-hard问题的复杂度依然存在。传统算力继续线性堆叠，问题规模却可能指数增长。我们瞄准的就是这一段差距。
投中网：现在GPU算力增长越来越依赖堆叠，数据中心越建越大，散热和能源需求也越来越高。伊辛机如果能够普及，是否可以理解为：它在工程上用更少的资源解决一部分难题？
肖晔：可以。你可以在算力集群中放一些伊辛机，把任务切分好，把其中适合映射为伊辛模型的问题交给伊辛机求解，整个计算任务的效率就可能显著提高。
投中网：所以它更像异构计算系统中的一部分。
肖晔：对。我们和GPU更接近协作关系。AI起来以后，主力算力是GPU，CPU的需求也一起上去了，因为新的业务把整个市场做大了。未来可能是CPU负责协调和逻辑，GPU负责并行矩阵运算，伊辛机负责组合优化。
投中网：我以前经常看到“异构计算”这个词，真正接触你们以后才突然理解它的价值。
肖晔：逻辑其实很简单。你的团队里有美工，也有出去采访的编辑。你一般不会让编辑顺便把设计图也做了。不同专家组合在一起，上限通常比一群通才更高。计算也是一样。
投中网：你早期跟投资人怎么解释这个故事？
肖晔：ChatGPT出现以后，大家反过来复盘：连接主义已经研究了很多年，为什么在这个时间点爆发？一个重要原因是GPU的并行计算让它真正发展起来。早期GPU相对CPU的优势可能就是10倍到100倍，但这种比较优势已经足以改变很多事情。
我当时给投资人打过一个比方。从北京去上海，你可以走路、骑车、开车，也可以坐高铁或飞机。去车站、过安检都要花时间，但只要全程快得足够多，人们就愿意改变习惯。计算也是一样，伊辛机提供的是另一条计算路线。组合优化又是很多行业的共性问题，只要比较优势足够大，就会有人把自己的工作迁移过来。
投中网：这个比喻很好。英伟达当年推CUDA也很艰难，华尔街甚至认为它是负资产。今天回头看，CUDA把GPU和AI接在了一起。
肖晔：技术还没有成为共识时，推广都很难。英伟达早期把集群送进高校，做灯塔计划；很多研究团队也已经研究量子算法、QUBO算法和伊辛模型很多年。现在硬件逐渐可用，这些积累才有机会接上。
投中网：英伟达发布的Ising开源模型，和你们的产品有直接关系吗？
肖晔：直接关系不大。英伟达主要把伊辛模型和AI技术结合，用于校准、纠错等任务，其中一部分涉及实时优化。我们也在研究相关方向，但目前还没有足够可靠的结果。
从科学样机到产品
投中网：伊辛机现在是你们面向市场最重要的一张名片，但它应该也无法定义整家公司。伊辛智能还有哪些产品和业务线？
肖晔：目前的主打产品确实是伊辛机，以及围绕伊辛机做端到端项目，帮助客户真正把它用起来。但公司的底色是光电。我们的团队来自中科院半导体所，在光电领域还有很多前沿积累。
投中网：公司2024年第一次向投资人描述愿景，到现在已经两年。中间有没有发现哪些早期设想错了，需要纠正？又有哪些东西远超预期？
肖晔：公司虽然在2024年3月注册，真正开始运营基本是2025年1月。第一笔融资款到2024年9月才到账。到现在为止，阶段目标和最初设想差不多：先把产品做出来。
产品做得方便以后，我们才有条件测试更多矩阵和真实问题，比较伊辛机与传统算法到底是什么关系。现在库里已经有上千个问题，也找合作伙伴拿了很多先进算法做综合比较。在已经测试的部分任务中，我们看到的趋势是，问题规模越大，伊辛机的优势越明显。
投中网：所以第一阶段是产品，下一阶段是标杆。
肖晔：对。先让部分专业人士用起来，再打造标杆案例。目前已经看到一些苗头，整体进展符合预期。
投中网：这项技术在实验室里孵化了十多年，为什么直到公司成立后才快速变成产品？
肖晔：实验室主要解决科学问题，中科院的分工也是做科学研究。产品研发需要一个市场主体。实验室招聘工程师的流程比较长，考核也更多看知识产权和科学创新，很难完全围绕产品和客户需求推进。
公司成立、第一批骨干工程师加入以后，产品化明显提速。导师主要负责技术、科研和战略方向，我负责公司运营。伊辛机只是一个计算算子，像手机有了硬件还要装软件。机器做出来以后，我们还要决定先为哪些领域开发软件。导师的战略视野会帮助我们判断这些方向。
投中网：新一轮融资之后，资金主要投向哪些方面？
肖晔：两个部分。第一是继续把机器规模推上去。按照计划，今年12月推出万级自旋产品，之后争取每半年翻一倍，这部分投入不小。第二是在业务侧做广泛探索，建立建模和算法团队，帮客户完成端到端解决方案，并将项目中积累的建模方法和算法沉淀为可复用的工具与行业模型，降低后续场景的接入和交付成本。
我们希望通过更完善的工具链把使用门槛降得很低，让客户实现一键部署。有点像2017年前后的英伟达灯塔计划：先让更多懂问题的人能够调用伊辛算力，逐步实现便捷部署。
投中网：你们开始市场化融资时，主动找你们的机构多吗？
肖晔：我们一直比较低调，见的投资人不算多。很多时候是投资人主动来聊，聊完以后再通过朋友圈介绍。愿意和我们聊第二次的，很多最后都投进来了。
投中网：你们筛选投资人的标准是什么？对这么陌生的技术来说，要求投资人完全懂你们好像也不现实。
肖晔：我们是比较务实的团队。如果投资人刚接触就表现出很强的资本运作思路，我们一般不会继续聊。这样的方式不利于技术长期发展。我们更希望找到愿意相信长期方向、陪着团队踏实往前走的机构。我们看到的终点，是伊辛机和CPU、GPU、NPU、TPU、量子计算一起构成异构计算体系，为不同计算任务提供算力。这个过程可能要几年，也可能十几年。
商业化最难的一关是什么？
投中网：目前已有客户和场景里，银行是不是离应用最近的？
肖晔：银行离实际应用比较近，但效果最突出的可能在其他领域。比如一些科学计算POC，我们看到过5000倍以上的加速；另一些实际业务POC里，我们测算可以把客户成本降低约5%。
在我看来，商业化就是满足客户需求，同时让客户算清账，投入产出比要大于1。按照其中一个场景的测算，单一业务在三年内可以覆盖机器成本。如果能找到运营成本更大的环节，或者再开拓几个业务，账会更容易算过来。
投中网：听下来逻辑特别顺，技术路径似乎已经完成验证，接下来只要不断优化，商业化爆发就是时间问题。可创业不可能这么顺，你们还会遇到什么挑战？
肖晔：我们一直在接受挑战。技术阶段要证明东西能不能做出来，商业推广会进入另一套逻辑。客户看性价比，也看部署、维护和持续使用。
投中网：实验阶段验证的是通路能不能跑通、结果能不能复现；商业阶段还会不断压缩成本，把实验级设备变成标准产品。
肖晔：硬件规模越大，成本通常越有机会下降，特别是微波部分。我们虽然来自学术团队，也比较相信市场化的打法。产品做得足够好以后，渠道和行业合作伙伴会帮助它进入更多场景。
投中网：进入新的融资阶段以后，做到什么算及格，做到什么算满分？
肖晔：及格线是形成一批标杆案例，让大家通过这些案例看到伊辛机在组合优化上的优势，逐渐形成行业共识。
满分是找到第一个商业闭环可以复制、复购率高的场景。伊辛机是算力底座，我们在上面针对一个行业开发软件，这个软件能够大幅满足客户需求，推动生产效率提升，并在这个领域形成大量复购。
投中网：你们制定目标的方式很像科学家创业。每一步都希望从已有结果出发，尽量解释清楚中间发生了什么。
肖晔：我们希望外部合作伙伴和公司内部的人都知道方向。把机器放到云平台，让别人真正用起来，团队会很有幸福感。别人了解我们在做什么，也可以拿自己的问题来试。所有东西都藏着，别人很难相信你，也很难参与进来。
三个关键词
投中网：最后，如果让你用三个关键词定义伊辛智能，让外界一眼知道你们是谁，你会选什么？
肖晔：第一个是“光电优化计算”。它说明我们用光电技术做优化计算。现在光计算里有光联电算、光电加速计算，我们做的是光电优化计算。
第二个是“组合优化”，或者说NP-hard问题求解。这是我们的主要应用场景，也包括把现实问题转化成可计算模型的能力。
第三个是“可接入现有算力体系的新型计算能力”。我们的API已经比较完善，机器也在客户机房部署运行。接下来，希望通过更完善的软件工具，让用户更方便地把组合优化任务交给伊辛机处理，可以方便地嵌入现有计算体系。这也是我们现在最希望外界建立的认知。
到以后，大家可能不会再追问伊辛机的底层原理。就像今天使用GPU，多数人也不需要先理解并行计算，只要知道它能解决什么问题。
首发丨中科院半导体所孵化，90后博士肖晔又融了近亿元
做了一个人造“演算小宇宙”。
几个月前，肖晔和他的同事们用哆啦A梦的模板，做了一套科普漫画。漫画里，大雄正在为应该“先写作业”还是“先看电视”发愁，哆啦A梦则掏出了一台巨大的机器：
哆啦A梦说这台的机器，能完美解决大雄的所有选择烦恼，因为它能够把所有的问题都设计成一套有逻辑、有规律的物理系统，自然“演化”出答案。
——这听上去是不是有点科幻，像一个人造“演算小宇宙”？而对于肖晔和他的团队来说，这台机器正是他们在亲手塑造的现实：伊辛机。最近，他们和这台科幻的产品也迎来了新的里程碑。
据投中网获悉，近日，专注新型光电计算架构研发与产业化团队伊辛智能已完成近亿元融资，由顺禧天使基金领投、基石创投、国科创投、深智城跟投，值观资本将担任后续轮次FA。
看到这里，你应该很想问一个问题，什么是伊辛机？理解它的价值，可以先看GPU的发展历程。我们先来做一道思考题：GPU的本质是什么？最热门的答案，一定是“算力”，但这个答案实际上只说对了一半。
GPU最初长期被人们称为“显卡”。其最初设计的应用场景，是帮助计算机处理图形、渲染3D模型和图片纹理。这些任务并不复杂，但特点是计算量特别巨大。也就是说，在诞生至今的绝大部分时间里，GPU的最大存在感的确是“专用算力”。
但谁能把这玩意儿，和充满智慧感的“处理器”联系在一起呢？
英伟达和黄仁勋改变了这一切。英伟达突破性地让GPU的管线不再固定，变得完全可编程，并开发出了革命性的计算平台CUDA。在CUDA的帮助下，GPU的特点被不断放大——由于GPU本质上是成千上万个处理核心堆砌在一起，因此他很擅长并行处理大量简单、重复的计算任务——神经网络成为了可能，最终让需要大量矩阵乘法和加法的人工智能模型训练也成为了可能。
所以关于开头那个问题，最时髦的回答，那就是GPU，在当年更应该看作一种“新型计算方式”。
而近两年来，大模型军备竞赛之外，算力也成为了兵家必争的基础资源，而异构化、专用分工化正是优化算力瓶颈的重要方向之一。CPU承担通用逻辑与协调，GPU擅长大规模并行矩阵运算，TPU则围绕AI中的张量计算进行专用加速。这些计算单元的协同，构成了异构计算的基本思路。而一些涉及“怎么选、怎么分、怎么排”的组合优化任务，则为新的专用计算单元留下了空间。肖晔和伊辛智能选择的“伊辛机”，正是这个问题的热门答案。
“伊辛”这个名字来自物理学中的“伊辛模型”。最早的时候，德国物理学家恩斯特·伊辛发明了这套模型，用来描述磁性材料互相影响之后的排列形式。伊辛发现自然状态下，这些磁性材料之间会不断调整，最终趋向能量最低、整体最稳定的状态——后来的工程师们认为，其实现实生活中也有很多场景可以写成同样的结构，设计一套专属于这个全新问题的物理系统。
这就是“伊辛机”的原理，可以理解为一台专门“帮人做选择”的计算机。普通计算机擅长执行确定的运算，例如处理文档、训练模型、渲染图像。伊辛机处理的是另一类问题：候选方案多到无法逐一比较时，如何尽快找到一个足够好的方案。比如1000辆车怎样安排路线，才能少堵车、少空驶？工厂有大量订单，怎样排产才能缩短工期？
这类问题中，许多典型问题属于NP-hard问题，随着规模扩大、约束增多，计算量爆炸式上升，容易成为计算流程中的关键瓶颈。将伊辛机作为专用计算单元接入现有算力系统，让它承担适合的组合优化任务，有望缓解这些环节的求解瓶颈，进而提升整个流程的计算效率，让系统在给定的时间与成本下处理更大规模的问题，或获得更高质量的方案。
在扎实的理论基础上，“伊辛机”其实很早就开始了商业化探索。例如全球首家实现量子计算商业化，主要致力于基于超导电路的伊辛机/逻辑门机研发与制造的企业D-Wave，早在1999年就组建了团队，早在2011年就发布了首款产品D-Wave One。如今，D-Wave已经成了一家纳斯达克上市公司，市值最高一度超过120亿美元（约合人民币804亿元）。
在其官网上，D-Wave团队自豪地表示：当传统方法无法应对当今最棘手的建模、仿真和优化问题时，D-Wave 可助力企业向前迈进。
伊辛智能瞄准，也是相同的机会。伊辛智能团队早在2015年就开始进行光电振荡、光电参量振荡器和早期伊辛机研究，技术源自中国科学院半导体研究所李明研究员团队。团队认为算法能力能否真正释放，很大程度上取决于是否存在与其计算结构相匹配的硬件底座。在这个前提下，很多算法并非理论上不可行，而是在既有硬件条件下计算成本过高、效率过低，因此难以被充分验证和规模化应用。
而在他们看来，GPU的发展历程说明，一种新型计算架构的价值，并不只是将既有算法“算得更快”，更重要的是改变算法创新的可行边界。伊辛智能希望借助光电技术，从单点求解设备逐步演进为面向广泛组合优化问题的平台型专用算力，并在下一代异构计算体系中形成类似"优化处理器"的长期定位。
他们也一步一步兑现了自己的判断。2022年，团队迎来了一个重要的里程碑，他们在《Light: Science & Applications》发表大规模光电伊辛机成果，以短微波脉冲充当人工自旋，实现25600个自旋、超过12小时稳定运行。到2026年的时候，其最新发表的系统实现了4096个全连接自旋，最长稳定振荡5.5小时。在北京市西二环交通数据实验中，团队将1200辆车的调度问题构造成485自旋模型，报告的物理求解时间为2.71毫秒，模拟退火基线为6.46秒。
伊辛智能的融资节奏，也很好地具象化呈现了市场对他们的期待。伊辛智能于2024年7月正式成立运营，成立之初即获得蓝驰创投、德联资本、麟阁创投、水木创投等知名市场化VC投资，后续又获达晨财智、广州产投加注，2年时间内累计融资金额就超过了亿元。本次新一轮融资的完成，将进一步支撑伊辛智能从原型样机走向可稳定落地的平台级专用算力。
那么伊辛智能的下一步目标在哪里？伊辛机作为算力膨胀时代的一条备受期待的解决方案，什么时候能够常态化、大规模地进入市场端？作为“晚辈”，伊辛智能和D-Wave这样的独角兽相比优势又在哪里？
为了更加清晰地洞察这一切，投中网在伊辛智能完成新一轮融资的第一时间，与伊辛智能联合创始人、CEO肖晔进行了一次对话，以下是实录节选：
伊辛机和大模型，区别在哪里？
投中网：能不能用最直白、最不绕弯子的方式解释一下，伊辛智能到底是一家干什么的公司？
肖晔：我们用光电硬件实现了一种物理计算方法，面向组合优化提供专用求解能力，帮助人们处理传统计算机难以高效求解的NP-hard问题。
投中网：那什么是伊辛机呢？我最开始花了很久才理解，伊辛机带来的是一种新的计算方式。它不是按既定流程执行一个任务，最后的功能是求解，是在大量可能性里寻找一个尽量好的答案。
肖晔：我们想求解的是大规模优化问题：从海量组合里找到一个比较好的答案。旅行商问题就是很常见的例子。你经常出差，怎么走遍几个目标城市，让总里程或者总成本最低？这个问题看起来很简单。
投中网：听起来大模型就可以解决。
肖晔：城市很少时，可以借助计算工具逐个比较计算。但城市增加以后，路线组合数量会爆炸式增长。到了几十个城市，传统计算机已经很难在可接受的时间里逐一比较所有可能。每多一个变量，所需要的算力都会增加很多倍。
投中网：我理解伊辛机时有一个很强烈的感受：物理世界有很多限制，算力、时间和资源都有限。伊辛机是在这些限制下，帮我们找到一个更好答案的工具。
肖晔：可以这么理解。它针对的就是这种指数爆炸的问题。
投中网：那它和大模型到底有什么区别？模型能力一直在提升，主动理解和推理能力也越来越强。在这个前提下，我们为什么还需要伊辛机？
肖晔：大模型很难直接求解大规模NP-hard问题。它可以理解需求，帮助你表达问题，甚至生成建模代码；到了求解环节，依然需要计算工具。伊辛机承担的就是这部分工作。
投中网：所以大模型更接近理解和交互，伊辛机的核心价值就是计算。
肖晔：对。现实问题先被转化成伊辛模型，再交给伊辛机求解。伊辛机利用物理系统的演化去寻找低能量状态，这个状态对应原问题里的高质量答案。
伊辛机赛道为什么一直冷门
投中网：既然它能解决现实问题，那为什么伊辛机到现在仍然是一条相对冷门的产品线？难点在哪里？
肖晔：第一是产品成熟度。全球一直有人研究伊辛机，比较有代表性的有D-Wave的超导路线、纯光学路线，国内也有人做纯光伊辛机，不同路线都有各自的约束。我们走的是光电路线。
超导伊辛机需要接近绝对零度的工作环境，整套系统体积很大，线下部署到客户机房会受到限制。纯光路线在规模和稳定运行时间上也有工程难题。客户提交问题时，如果系统需要频繁调试，计算本身的速度优势就容易被调试时间抵消。
投中网：也就是说，过去大家证明了它在原理上能算，但很难让客户稳定地用。
肖晔：对。我们的第一款对外产品可以做到4000多个自旋，单次稳定运行约1.5小时，整机功耗约1600瓦，体积也可以控制在冰箱甚至家用电脑的量级。至少先满足实用化的基本条件。
一项技术要推广，通常会经历“能用、易用、好用”几个阶段。伊辛机过去很长时间停留在“能用”，我们现在刚刚把它推进到“易用”。
投中网：你说产品今年6月才正式对外发布，但此前已经有机器在客户机房运行。你们在什么场景里使用？又是怎么判断它已经“易用”了？
肖晔：我们办过一次比赛，机器部署在实验室，参赛者完全通过云端API调用。只要没有很多人同时跑循环任务，大家基本都可以在几秒内拿到答案，这里面还包括网络传输时间。
投中网：这个变化看起来简单，和科学样机之间的差距其实很大。
肖晔：很大。科学样机可以完成概念验证，但客户拿来一个问题，我们从建模、现场编程到手动维持机器状态，可能需要一到两周才能把答案返回去。过去一年，我们把这些环节逐步自动化。现在不需要博士守在机器旁边，用户上传矩阵，系统就可以很快返回答案。这些改进，也为伊辛机接入客户现有的软件和计算流程创造了条件。
异构计算中的专用优化能力
投中网：我这两年写了不少英伟达和CUDA的故事。最大的感受是，GPU和CPU之所以争了很多年，因为计算方案很难替代，转换成本会很高。现在客户已经围绕CPU和GPU建立了计算流程。伊辛机怎样接入这套体系，又凭什么值得客户增加一个新的计算单元？
肖晔：先做POC，效果通常很直接。伊辛机也有自己的Scaling Law。问题规模越大，自旋数量越多，它相对于传统计算的速度和求解质量优势会逐渐表现出来。
但你说的现象也确实存在，两三年前，1000个自旋的问题对传统计算机已经很难；今天GPU发展也很快，2000多个自旋的问题也可以通过牺牲一些东西去求解。只是NP-hard问题的复杂度依然存在。传统算力继续线性堆叠，问题规模却可能指数增长。我们瞄准的就是这一段差距。
投中网：现在GPU算力增长越来越依赖堆叠，数据中心越建越大，散热和能源需求也越来越高。伊辛机如果能够普及，是否可以理解为：它在工程上用更少的资源解决一部分难题？
肖晔：可以。你可以在算力集群中放一些伊辛机，把任务切分好，把其中适合映射为伊辛模型的问题交给伊辛机求解，整个计算任务的效率就可能显著提高。
投中网：所以它更像异构计算系统中的一部分。
肖晔：对。我们和GPU更接近协作关系。AI起来以后，主力算力是GPU，CPU的需求也一起上去了，因为新的业务把整个市场做大了。未来可能是CPU负责协调和逻辑，GPU负责并行矩阵运算，伊辛机负责组合优化。
投中网：我以前经常看到“异构计算”这个词，真正接触你们以后才突然理解它的价值。
肖晔：逻辑其实很简单。你的团队里有美工，也有出去采访的编辑。你一般不会让编辑顺便把设计图也做了。不同专家组合在一起，上限通常比一群通才更高。计算也是一样。
投中网：你早期跟投资人怎么解释这个故事？
肖晔：ChatGPT出现以后，大家反过来复盘：连接主义已经研究了很多年，为什么在这个时间点爆发？一个重要原因是GPU的并行计算让它真正发展起来。早期GPU相对CPU的优势可能就是10倍到100倍，但这种比较优势已经足以改变很多事情。
我当时给投资人打过一个比方。从北京去上海，你可以走路、骑车、开车，也可以坐高铁或飞机。去车站、过安检都要花时间，但只要全程快得足够多，人们就愿意改变习惯。计算也是一样，伊辛机提供的是另一条计算路线。组合优化又是很多行业的共性问题，只要比较优势足够大，就会有人把自己的工作迁移过来。
投中网：这个比喻很好。英伟达当年推CUDA也很艰难，华尔街甚至认为它是负资产。今天回头看，CUDA把GPU和AI接在了一起。
肖晔：技术还没有成为共识时，推广都很难。英伟达早期把集群送进高校，做灯塔计划；很多研究团队也已经研究量子算法、QUBO算法和伊辛模型很多年。现在硬件逐渐可用，这些积累才有机会接上。
投中网：英伟达发布的Ising开源模型，和你们的产品有直接关系吗？
肖晔：直接关系不大。英伟达主要把伊辛模型和AI技术结合，用于校准、纠错等任务，其中一部分涉及实时优化。我们也在研究相关方向，但目前还没有足够可靠的结果。
从科学样机到产品
投中网：伊辛机现在是你们面向市场最重要的一张名片，但它应该也无法定义整家公司。伊辛智能还有哪些产品和业务线？
肖晔：目前的主打产品确实是伊辛机，以及围绕伊辛机做端到端项目，帮助客户真正把它用起来。但公司的底色是光电。我们的团队来自中科院半导体所，在光电领域还有很多前沿积累。
投中网：公司2024年第一次向投资人描述愿景，到现在已经两年。中间有没有发现哪些早期设想错了，需要纠正？又有哪些东西远超预期？
肖晔：公司虽然在2024年3月注册，真正开始运营基本是2025年1月。第一笔融资款到2024年9月才到账。到现在为止，阶段目标和最初设想差不多：先把产品做出来。
产品做得方便以后，我们才有条件测试更多矩阵和真实问题，比较伊辛机与传统算法到底是什么关系。现在库里已经有上千个问题，也找合作伙伴拿了很多先进算法做综合比较。在已经测试的部分任务中，我们看到的趋势是，问题规模越大，伊辛机的优势越明显。
投中网：所以第一阶段是产品，下一阶段是标杆。
肖晔：对。先让部分专业人士用起来，再打造标杆案例。目前已经看到一些苗头，整体进展符合预期。
投中网：这项技术在实验室里孵化了十多年，为什么直到公司成立后才快速变成产品？
肖晔：实验室主要解决科学问题，中科院的分工也是做科学研究。产品研发需要一个市场主体。实验室招聘工程师的流程比较长，考核也更多看知识产权和科学创新，很难完全围绕产品和客户需求推进。
公司成立、第一批骨干工程师加入以后，产品化明显提速。导师主要负责技术、科研和战略方向，我负责公司运营。伊辛机只是一个计算算子，像手机有了硬件还要装软件。机器做出来以后，我们还要决定先为哪些领域开发软件。导师的战略视野会帮助我们判断这些方向。
投中网：新一轮融资之后，资金主要投向哪些方面？
肖晔：两个部分。第一是继续把机器规模推上去。按照计划，今年12月推出万级自旋产品，之后争取每半年翻一倍，这部分投入不小。第二是在业务侧做广泛探索，建立建模和算法团队，帮客户完成端到端解决方案，并将项目中积累的建模方法和算法沉淀为可复用的工具与行业模型，降低后续场景的接入和交付成本。
我们希望通过更完善的工具链把使用门槛降得很低，让客户实现一键部署。有点像2017年前后的英伟达灯塔计划：先让更多懂问题的人能够调用伊辛算力，逐步实现便捷部署。
投中网：你们开始市场化融资时，主动找你们的机构多吗？
肖晔：我们一直比较低调，见的投资人不算多。很多时候是投资人主动来聊，聊完以后再通过朋友圈介绍。愿意和我们聊第二次的，很多最后都投进来了。
投中网：你们筛选投资人的标准是什么？对这么陌生的技术来说，要求投资人完全懂你们好像也不现实。
肖晔：我们是比较务实的团队。如果投资人刚接触就表现出很强的资本运作思路，我们一般不会继续聊。这样的方式不利于技术长期发展。我们更希望找到愿意相信长期方向、陪着团队踏实往前走的机构。我们看到的终点，是伊辛机和CPU、GPU、NPU、TPU、量子计算一起构成异构计算体系，为不同计算任务提供算力。这个过程可能要几年，也可能十几年。
商业化最难的一关是什么？
投中网：目前已有客户和场景里，银行是不是离应用最近的？
肖晔：银行离实际应用比较近，但效果最突出的可能在其他领域。比如一些科学计算POC，我们看到过5000倍以上的加速；另一些实际业务POC里，我们测算可以把客户成本降低约5%。
在我看来，商业化就是满足客户需求，同时让客户算清账，投入产出比要大于1。按照其中一个场景的测算，单一业务在三年内可以覆盖机器成本。如果能找到运营成本更大的环节，或者再开拓几个业务，账会更容易算过来。
投中网：听下来逻辑特别顺，技术路径似乎已经完成验证，接下来只要不断优化，商业化爆发就是时间问题。可创业不可能这么顺，你们还会遇到什么挑战？
肖晔：我们一直在接受挑战。技术阶段要证明东西能不能做出来，商业推广会进入另一套逻辑。客户看性价比，也看部署、维护和持续使用。
投中网：实验阶段验证的是通路能不能跑通、结果能不能复现；商业阶段还会不断压缩成本，把实验级设备变成标准产品。
肖晔：硬件规模越大，成本通常越有机会下降，特别是微波部分。我们虽然来自学术团队，也比较相信市场化的打法。产品做得足够好以后，渠道和行业合作伙伴会帮助它进入更多场景。
投中网：进入新的融资阶段以后，做到什么算及格，做到什么算满分？
肖晔：及格线是形成一批标杆案例，让大家通过这些案例看到伊辛机在组合优化上的优势，逐渐形成行业共识。
满分是找到第一个商业闭环可以复制、复购率高的场景。伊辛机是算力底座，我们在上面针对一个行业开发软件，这个软件能够大幅满足客户需求，推动生产效率提升，并在这个领域形成大量复购。
投中网：你们制定目标的方式很像科学家创业。每一步都希望从已有结果出发，尽量解释清楚中间发生了什么。
肖晔：我们希望外部合作伙伴和公司内部的人都知道方向。把机器放到云平台，让别人真正用起来，团队会很有幸福感。别人了解我们在做什么，也可以拿自己的问题来试。所有东西都藏着，别人很难相信你，也很难参与进来。
三个关键词
投中网：最后，如果让你用三个关键词定义伊辛智能，让外界一眼知道你们是谁，你会选什么？
肖晔：第一个是“光电优化计算”。它说明我们用光电技术做优化计算。现在光计算里有光联电算、光电加速计算，我们做的是光电优化计算。
第二个是“组合优化”，或者说NP-hard问题求解。这是我们的主要应用场景，也包括把现实问题转化成可计算模型的能力。
第三个是“可接入现有算力体系的新型计算能力”。我们的API已经比较完善，机器也在客户机房部署运行。接下来，希望通过更完善的软件工具，让用户更方便地把组合优化任务交给伊辛机处理，可以方便地嵌入现有计算体系。这也是我们现在最希望外界建立的认知。
到以后，大家可能不会再追问伊辛机的底层原理。就像今天使用GPU，多数人也不需要先理解并行计算，只要知道它能解决什么问题。
0
第一时间获取股权投资行业新鲜资讯和深度商业分析，请在微信公众账号中搜索投中网，或用手机扫描左侧二维码，即可获得投中网每日精华内容推送。
发表评论
全部评论