Yann LeCun 大家一定不陌生——圖靈獎得主、CNN 之父、深度學習三巨頭之一。 他的觀點散落在各種訪談和推文裡，零碎又常被斷章取義。所以這次，我們把 LeCun 的判斷系統梳理了一遍，連成一條線，看看在他眼裡，LLM 接下來該往那走。 這篇是 Datawhale DIY-LLM 開放原始碼專案的拓展篇，帶你看看大模型這條路本身能走多遠。 文章有點長，大家可以慢慢讀～ 項目地址：https://github.com/datawhalechina/diy-llm

8B參數，實現純粹端到端像素-文字建模。 今年4月底，GPT-Image 2發佈，帶動了一波資訊圖（Infographic）生成熱潮。從書籍摘要到商業報告，過去需要設計師才能完成的複雜版面，開始被AI批次生成。“AI資訊圖”成為近期內容創作領域討論熱度最高的話題之一。 但熱潮背後，一個問題隨之浮現：GPT-Image 2是閉源的，按Token計費，每百萬輸出Token高達30美元，對於有本地部署和二次開發需求的團隊來說，它並不是一個可以長期依賴的選項。 “有沒有可商用的開源替代方案”成為開發者社區的高頻討論。在這個背景下，商湯科技4月底開放原始碼的SenseNova U1開始進入越來越多開發者的視野，並在X平台引發了大量討論。

比利時奈米技術研究機構 Imec 近期在其年度技術論壇（ITF）上發佈了最新產業路線圖。 全球幾乎所有晶片採用的互補金屬氧化物半導體（CMOS）電晶體，其下一代技術形態為互補場效應電晶體（CFET）。Imec 預測，CFET 將於2033 年左右正式開啟商用落地。 新版路線圖顯示，2033 年 A7 工藝節點將迎來電晶體結構的重大變革。 以下為路線圖關鍵術語釋義：

過去我們在電商平台上，最怕遇到的事情是“圖物不符”。生怕一些沒良心的商家在產品詳情圖上給咱們挖坑。 而如今劇情迎來了反轉。可能大家在一些視訊平台上也有刷到：部分使用者利用手中的AI工具把完好的商品“P”成一張破損、帶污漬的殘次品照片，然後再拿著它去找平台申請“僅退款”，從而錢貨雙收。 （圖片來源：小紅書截圖） 平台在面對這些畫質清晰、光影自然真實的照片時，會優先將貨款退還給買家，甚至還可能反手給賣家扣點信譽分。電商本質上就是一門“看圖說話”的生意。當 AI 能夠毫無門檻地“無中生有”捏造虛假證據時，維繫電商運轉十幾年的底層信任就徹底崩塌了。

最近，巴西總統魯拉來到聖保羅州仁愛醫院，使用“圖邁”手術機器人進行遠端手術模擬操作，成功操控了1400公里外的“圖邁”機器人機械臂。魯拉在他的社交媒體帳號分享了此次體驗，並為這款“中國智造”裝置點讚：“它結合了技術、科學與人性化的關愛”，“近距離體驗到創新如何拯救生命並強化中國公共醫療體系，真是令人驚嘆”。 總統點讚的裝置由上海微創醫療機器人集團研發，是一款多孔腔鏡手術機器人，覆蓋泌尿外科、普通外科、胸外科、婦科高難度術式。它有先進的成像系統，可以提供10倍光學放大的高畫質視野，實現裸眼3D成像。執行手術操作的機械臂系統有7個自由度，能穩定濾除外科醫生的手部生理震顫。可轉腕式手術器械提供了人手無法比擬的靈活度、精準度和穩定性，能輔助醫生在狹小的腔體內完成多種高難度操作。 魯拉使用“圖邁”手術機器人進行遠端手術模擬操作。 引進“圖邁”手術機器人後，巴西統一公共衛生系統將基於它規模化開展遠端手術應用，首批手術計畫7月實施。

GPT Image 2 憑什麼這麼強？是擴散模型又迭代了一版？是把 DiT 的參數量從 7B 擴到 20B？是訓了更多高品質資料？這些答案都對，但都不夠。以下是我們與多位從業者交流後，提煉出的幾個值得關注的技術方向，並嘗試做出更清晰的解釋。先給結論：OpenAI 很可能已經不在“純擴散模型”這條主賽道上了。他們已經把圖像生成從“美術課”調到了“語文課”——用一個能讀懂指令、能記住上下文、能理解物體關係的 LLM 主導語義規劃，至於最後一步的像素生成，可能由擴散元件或其他解碼器完成。而這個LLM，極大可能是GPT-4o。支撐這個推論的，首先是兩條直接線索。1. 模型自述2. C2PA溯源驗證C2PA 是一種內容溯源標準，相當於給每張 AI 生成的圖打上一個數字身份證。任何人拿到這張圖，都能查到它是由 GPT Image 2 生成的、生成時間是什麼、經過了那些修改。有專業人士在metadata2go.com上對image 2生成的圖片進行中繼資料提取。發現在actions_software_agent_name一欄上記錄著GPT-4o。這也能理解為什麼這次image 2的表現驚人了。圖片源於： 【深入調查：OAI最新圖像模型底層是GPT-4o - 祈星函 | 小紅書 - 你的生活興趣社區】 https://www.xiaohongshu.com/discovery/item/69ea80200000000020003800?source=webshare&xhsshare=pc_web&xsec_token=CB9e0Yo8HLTCLA1XJWh0wUnT3SogJv370RfNnvUD6YFVY=&xsec_source=pc_share單憑這兩條當然不足以拆解全部秘密。但當我們帶著“LLM 主導”的假定回頭審視它的每一項能力躍遷時，這些變化，忽然有了統一的解釋。一、圖像語義，從像素到token1.1過去兩年，AI 生圖領域有一條不成文的鄙視鏈：Midjourney 負責美學，Stable Diffusion 負責可控性，DALL·E 負責……嗯，負責被 OpenAI 發佈。但不管你站那一隊，有一件事是所有人的共識——文字是 AI 的鬼門關。你能讓 AI 畫出逆光下緬因貓毛髮的半透明質感，卻無法讓它寫對招牌上的“Coffee”六個字母。一個能理解頂級光影描述的模型，在文字上給出的結果彷彿楔形文字。這件事的荒誕與根源，就藏在擴散模型的工作原理裡。先說擴散模型為什麼寫不好字？因為它的核心是一個從噪聲中還原圖像的“雕塑家”：訓練時，向清晰照片逐步撒噪聲，直到變成純電視雪花，模型學習逆向去噪。生成時，從一片隨機噪聲開始，每步都靠 U-Net 預測並擦除噪聲，幾十步迭代後“雕”出毛髮、虹膜和光影。這個過程本質上在還原連續的、可以用機率無限逼近的紋理。毛髮可以稍微硬一點或軟一點，顏色可以偏暖 5%，無傷大雅。但文字是離散符號，不存在“像不像”，只有“是不是”。字母 A 就是 A，你不能給它加 15% 的 B 和 8% 的 C 還指望它依然是 A。擴散模型的每一步去噪都是一個微小“估計”，用在紋理上是風格，用在文字上就是 O 變 0，或是拼出 WElcOm e。最終就成了外行眼中的“楔形文字”。不僅如此，擴散模型天然缺乏跨輪編輯的穩定一致性。你讓它改一個局部，它本質上是整張圖重新畫一遍，沒改動的地方也會悄悄漂移。但GPT Image 2現在不僅能“寫對字”，還能保持“有記憶”的一致性例如：你修改一個字之後，周圍的文字會自動調整間距；當你把“咖啡”改成“紅茶”，它不只是替換那個詞，而是連帶把杯子的顏色從深棕調成了琥珀色。這說明文字在它的系統裡不是圖層標註，而是畫面語義的一部分。文字內容的改動會像語言中的主語替換一樣，連鎖驅動畫面其他元素的合理變化。GPT Image 2 與其他模型對比圖1.2它不再把圖像當圖像看，而是把圖像當語言看。這聽起來像玄學，但其實是個很具體的工程選擇。要理解這件事，得先搞明白一個概念：Tokenizer。Tokenizer 的作用是把一種東西“翻譯”成另一種東西。GPT 處理文字前，會先把“你好”這個詞切碎編號，變成一個數字 ID，比如 [11892]。這是文字 token 化。圖像能不能也這麼幹？當然能。你把一張圖切成 16×16 的網格，每個格子編個號，也是一種 token 化。但這種做法太笨重——一張 1024×1024 的圖會變成幾千個 token，LLM 還沒開始畫就先被淹死了。所以過去兩年，各家大模型公司在拼一件事：怎麼把一張圖壓成儘量少的 token，同時還不丟關鍵資訊。這事有多難呢？想像你是一個情報員，要把《蒙娜麗莎》用一封電報發出去。電報局規定你最多隻能發 256 個字。你怎麼辦？你不能說“一個女人在笑”，因為對方畫不出來；你也不能逐個像素描述，因為字數不夠。你必鬚髮明一套只有你和對方懂的密語——“52號微笑、3號背景、17號手勢”——對方收到後能八九不離十地還原出來。這就是 OpenAI 在 tokenizer 上干的 事。從 CLIP 到 DALL·E 再到 GPT-4o，他們逐漸建構了一種能夠在視覺與語言之間進行對應的語義表示體系。這意味著：圖像和文字被投影到了同一個對齊後的語義 embedding 空間。現在在 LLM 眼裡，“一隻逆光的緬因貓”這行字，和一張逆光緬因貓的照片，是同一個語義空間裡的兩套坐標。它能像理解文字一樣理解圖像，也能像生成文字一樣生成圖像。所以當你說“把第三行公司名改成團夥名”，它不是在修圖軟體裡找那個圖層，而是在改寫一段描述這個畫面的密文。改完後，解碼器再把密文翻譯回像素。這就是為什麼文字突然能寫對了。因為對 LLM 來說，寫一個W和寫一個我，沒有任何本質區別——都是它在密語系統裡調整幾個 token 的事。1.3既然 GPT Image 2 很可能把圖像變成了語義密文，那這串密文怎麼變回一張能看的圖？如果直接把 token 對應成像素，畫質必然一塌糊塗，這是自回歸模型的通病：它極度擅長決定畫什麼，卻不太擅長畫得好看——就像建築系教授徒手畫效果圖，空間關係全對，筆觸就是不及美院學生。而擴散模型正好相反，紋理光影以假亂真，卻經常不知道自己在畫啥。因此，一個高度自洽的推測浮現：讓兩款模型打配合。自回歸負責定調：根據你的 prompt 生成那幾百個語義 token，敲定畫面裡有什麼、它們的位置關係、整體構圖邏輯。這一步決定了“聽得懂”，也保證了多輪編輯時對修改對象的記憶與一致性。擴散負責潤色：拿到這串語義 token 後，不再負責理解內容，只負責填充高保真像素，把既定框架變成光影自然的成圖。這一步決定了“畫得好”。這不是理論空想。Google 發過一篇叫 Transfusion 的論文，Meta 搞過 Chameleon，走的都是類似路線。當然，這一切都是基於公開資訊和模型表現的推斷。OpenAI 有沒有在用？2026 年 4 月的媒體會上，OpenAI 拒絕回答任何關於模型架構的問題。拒絕本身就是一個訊號。如果這個假設成立，那就解釋了一切——文字寫對是因為自回歸天然懂離散符號；多輪編輯一致是因為自回歸記住了那一串 token；畫質沒崩是因為擴散在最後一關做了精細渲染。二、資料飛輪，GPT-4o 自己教自己生圖2.1但上文那個能把圖像壓成幾百個 token 的“密語系統”，到底是怎麼訓出來的？為什麼不是別的模型，偏偏是GPT-4o？答案藏在一件看起來最沒有技術含量的事裡：資料標註。在 AI 圈，資料標註長期處於鄙視鏈底端。研究員聊架構可以聊一晚上，聊資料標註三句話就冷場。但 GPT Image 2 這次的表現，甚至表明OpenAI 可能已經不需要人工標註了。而GPT-4o 本身就是全世界最強的圖像理解模型之一。你給它一張圖，它能寫出一段比真人標註師還細膩的描述。所以OpenAI 可以把過去幾年積累的幾十億張圖片，重新“過一遍水”——用 GPT-4o 生成新的、高維度的標註。但到這裡，只解決了“描述”的問題，沒解決“篩選”的問題。一個模型生成一百張圖，並不是每一張都值得拿來當下一輪訓練的教材。這裡需要一套嚴格的“質檢”機制——在機器學習裡，這叫拒絕採樣。具體來說就是，GPT-4o 先根據一段 prompt 生成一批圖像，然後根據美學偏好、指令匹配度、物理合理性等多條標準，逐張打分。批到符合條件的才“收下”，連同它為自己撰寫的詳細解析，一起塞進下一輪訓練集。批到不及格的就直接扔掉。這保證飛輪裡的資料不是在低水平循環，而是在有選擇地自我提純。上一代模型給下一代模型當老師，下一代模型再給下下代當老師。每轉一圈，對世界的理解就深一層。大家的差距也在這個過程中越來越大。這也解釋了為什麼Midjourney在畫質上能和OpenAI掰手腕，但在指令遵循和文字渲染上被拉開代差。當然，聽上去像個永動機騙局——自己教自己，那不得越教越傻？學術界確實有這個擔憂，管它叫模型崩潰：模型反覆吃自己吐出來的東西，會逐漸丟失分佈的尾部資訊，生成結果越來越單一、越來越平庸。但OpenAI在文字側已經證明：只要老師模型足夠強，並且配合拒絕採樣這樣的嚴格篩選機制，這事不但不會崩，還能加速，形成資料飛輪。2.2這個飛輪裡還有一個重要且難搞的角色——RLHF 在圖像側的質檢員。我們在文字側已經習慣了 RLHF（Reinforcement Learning from Human Feedback，基於人類反饋的強化學習）：給一段文字打分，判斷它有用、有趣、符合人類偏好，這件事 GPT-4o 做得很好。但在圖像側，難度驟升。因為質檢員需要同時盯住三條線：美學偏好；指令遵循；安全過濾。三條線的標準各不相同，甚至互相衝突。一道強光影可能很“好看”，但壓暗了 prompt 裡要求的某個細節，就會被“指令遵循”扣分。一層安全濾鏡可能誤傷正常的醫學解剖圖，又得回頭調閾值。這種多維度權衡，在文字側已經跑通，但在圖像側變得前所未有的複雜。而 OpenAI 之所以能做成，很可能是因為他們把圖像側的問題全部拉回了自己最擅長的戰場：語言理解。美學偏好被轉譯成一段構圖評語，指令遵循被轉譯成一組約束條件的核對清單，安全過濾被轉譯成一套規則判例。所有判斷最終都落到了 LLM 的語義空間裡。可能這才是資料飛輪真正的底牌。不是資料多，而是從標註、篩選到打分，全鏈路都被統一到了一個理解框架裡。拒絕採樣負責海選淘汰，RLHF 負責精修調優，兩者共享一套語義標準，飛輪才轉得起來。三、工程解法，兼顧推理速度和對話整合3.1到這裡，我們聊的都是效果。接下來聊一個經常被刻意繞開的話題：推理速度。先不說審美和一致性上的飛躍，且說一個看似矛盾的現象：生圖質量躍升了一個代際，但速度並沒有明顯變慢。這本身就是一種工程奇蹟——OpenAI 是怎麼做到的？自回歸模型的運作方式是逐 token 生成——每個 token 都依賴上一個 token 的完成。擴散模型則不同，它可以在整張畫布上平行去噪，一次處理所有像素。按理論推算，如果 GPT Image 2 確實用了自回歸架構，它的推理延遲應該比純擴散模型高出一個數量級。但實際體驗是：沒有。第一條線索：Token 壓縮率可能遠超預期。 如果一張 1024×1024 的圖只需要 256 個 token 就能完整描述，對 Transformer 來說就是一次呼吸的事。這意味著 OpenAI 不僅做到了語義對齊，更在壓縮率上做到了極致，把高資訊密度濃縮到幾行字的程度。第二條線索：推理架構的深度最佳化。 混合架構中，自回歸生成的是粗粒度的語義 token，決定“畫什麼”，不負責“畫成什麼樣”。生成步驟大幅縮短，擴散模型只用在最後一小段“按圖施工”，而不是從頭噪到尾。第三條線索：投機解碼（Speculative Decoding）可能被用到了圖像側。 用一個更小的“草稿模型”快速生成候選 token，再由大模型一次性驗證，這套 LLM 推理加速經典技巧如果用在圖像 token 上，速度可以成倍提升。OpenAI 在 GPT-4 時代已把這套玩熟，移植到圖像側沒有原理障礙。所以結論是：GPT Image 2 的快，不是因為擴散模型變快了，而是因為可能它把最慢的語義規劃，從擴散模型手裡搶了過來，交給了擅長快速推理的 LLM。3.2比速度更影響體驗的，是與對話系統的整合。在傳統圖像生成工具中，例如 Midjourney 或基於 Stable Diffusion 的工作流，使用者通常通過編寫 prompt 來控制輸出結果。雖然這些工具已經支援諸如variations、inpainting和歷史記錄等功能，但整體流程仍然以“單次輸入 → 單次輸出”為主，使用者需要通過多次嘗試逐步逼近目標效果。這種過程在實踐中往往表現為反覆試錯：使用者根據結果調整 prompt，但模型對指令的理解程度並不完全透明，因此需要多輪迭代來校正偏差。相比之下，整合在對話系統中的圖像生成引入了連續上下文機制，改變了互動方式。使用者可以在多輪對話中逐步細化需求模型能夠利用對話歷史理解“當前修改”對應的對象或屬性修改請求可以以更自然語言的形式表達，而不需要一次性寫出完整 prompt例如，在多輪互動中，使用者可以先生成一個基礎場景，再逐步提出局部修改（如顏色、位置、風格）。最後，模型基於上下文生成新的結果。對話式互動還帶來另一個優勢：需求澄清能力clarification。將模糊的自然語言意圖，逐步轉化為更具體的生成條件，從而提高生成結果與使用者預期之間的一致性。結語在 GPT Image 2 出現之前，AI 生圖領域的討論框架是這樣的：“擴散模型的縮放定律還能走多遠？”“DiT 架構和 UNet 架構誰更優？”“Flow Matching 會不會取代 DDPM？”“多模態對齊的損失函數怎麼設計？”這些問題都有價值，但它們共享一個隱含前提：圖像生成是一個獨立的、需要專門架構來解決的問題。而GPT Image 2 給出的的回答是：不一定。如果我們把鏡頭再拉遠一點，GPT Image 2 的出現其實指向了一個更大的命題：世界模型。讓我們重新思考什麼是生成，以及世界。 (矽星人)

5月1日國際勞動節，恰逢新勢力車企集中公佈4月份交付成績的節點。一大早，零跑汽車、小米汽車、理想汽車、嵐圖、智己、蔚來汽車、鴻蒙智行等頭部新勢力陸續發佈交付快報，我們一起來看看吧！1. 零跑汽車：13個月霸榜銷冠，新品成增長核心引擎零跑汽車4月交付71387台，同比增長73.9%，強勢刷新品牌單月銷量歷史紀錄，再度登頂新勢力銷量冠軍。從2025年3月至12月連續10個月奪冠，到2026年2月至4月持續領跑，零跑汽車已實現13個月霸榜新勢力銷冠的壯舉，在行業下行期展現出極強的市場競爭力。新品成為銷量增長的核心驅動力：零跑A10作為3月底上市的全新車型，4月迎來首個完整交付月，首月大定突破4萬台，創下零跑訂單增速紀錄，成為名副其實的爆款車型。另一款新車零跑D19於4月16日上市，上市僅15天大定便突破1.5萬台，4月交付約6000台，以“百萬體驗、二十萬價格”的高性價比，對高端家庭市場形成降維打擊。目前，零跑汽車在售產品涵蓋A10、Lafa5、B01、B10、C16、C10、C11、D19等多款車型，提供純電+增程雙動力選擇，產品矩陣全面覆蓋不同細分市場。2026年零跑年度銷量目標為105萬輛，截至4月底累計交付202572輛，完成年度目標的19.29%，剩餘8個月平均每月需交付超10萬輛，後續產能與交付壓力依舊較大。2. 理想汽車：穩步前行，累計交付突破166萬輛理想汽車4月交付新車34085輛，保持穩健交付態勢。截至2026年4月30日，理想汽車歷史累計交付量達1669442輛，成為新勢力中累計交付量率先突破160萬輛的品牌之一，其家庭定位車型持續獲得市場認可，穩固佔據中高端新能源SUV市場份額。3. 鴻蒙智行：逆勢增長，多品牌矩陣儲備增長勢能鴻蒙智行4月交付32759台，同比增長18.9%，在行業下滑背景下實現逆勢增長；1-4月累計銷量同比增長36%，增長勢頭強勁。其銷量增長主要依賴問界品牌，佔比約70%，其中4月22日上市的問界M6表現突出，定位25-30萬級中大型SUV，上市15分鐘大定破萬，發佈一周內交付5000台，佔4月總交付量的15.26%，成為走量核心車型。4. 小米汽車：交付穩步破3萬，持續夯實市場地位小米汽車4月交付超30000輛，延續穩步增長態勢，憑藉豐富的產品佈局和智能科技優勢，持續夯實在中高端新能源市場的地位，1-4月累計銷量表現亮眼，成為新勢力中的中堅力量。5. 蔚來汽車：多品牌協同增長，累計交付突破111萬輛蔚來汽車4月交付29356台），同比增長22.8%，多品牌協同發展成效顯著。其中，蔚來品牌交付19024台，樂道品牌交付5352台，同比增長21.6%，螢火蟲品牌交付4980台，三大品牌形成互補，覆蓋不同細分市場需求。2026年1-4月，蔚來累計交付112821台，同比增長71%；截至4月底，蔚來公司累計交付新車1110413台，累計交付量突破110萬輛，品牌影響力持續提升，後續隨著ES9、樂道L80等新車於5月上市，有望進一步拉動銷量增長。6. 嵐圖汽車：同比大增51%，新品預售表現強勁嵐圖汽車4月交付15146輛，同比增長51%，增長勢頭強勁。其中，追光、夢想家兩款車型持續放量，成為銷量主力；全新車型泰山X8預售訂單突破3萬，市場關注度較高，為後續銷量增長注入新動力。7. 智己汽車：同比大漲130%，高端市場站穩腳跟智己汽車4月交付10016輛，1-4月同比大漲130%，增長勢頭迅猛。憑藉LS6、LS8雙車發力，智己汽車在高端純電市場逐步站穩腳跟，產品力獲得市場認可，成為高端新能源市場的重要參與者。8. 小鵬汽車：交付快報暫未發佈總結一下：4月新勢力銷量整體呈現“頭部領跑、兩極分化、新品驅動”的特點，在國內新能源市場同比下滑11%的背景下，頭部品牌憑藉產品優勢和精準定位實現逆勢增長，接下來新能源市場競爭將更加白熱化。 (玩車專家)

本源量子、圖靈量子、玻色量子、華翊量子、兩儀萬象——五家非上市量子計算企業，合計估值約317億元，覆蓋超導、光量子、相干光、離子阱、中性原子五條技術路線。創始團隊分別源自郭光燦體系、潘建偉體系、楊振寧體系三大中國量子學術譜系。本文基於IT橘子、證監會公告、新華網、36氪、投中網等公開可追溯資料，所有資料均可交叉驗證。一、估值格局1. 本源量子，約92億元中科大郭光燦院士團隊創立。2025年9月進入科創板IPO輔導（證監會公告），彼時估值約69億元，2026年4月攀升至近百億。"本源悟空"72位超導量子晶片營運超兩年，完成全球163國80余萬次計算任務。2024年營收9,938萬元，國內唯一千萬級營收量子企業。2. 圖靈量子，70億元上海交大金賢敏教授創立。2026年4月27日完成新一輪數億元融資（36氪/投中網獨家），國家創業投資引導基金長三角基金與浦東新區國資聯合領投。今年以來連續2輪融資近10億元，這是國家創業投資引導基金在量子領域的首個直投項目。2025年訂單破億，CAGR 200%。3. 玻色量子，65億元清華海歸團隊（文凱+馬寅）創立。2026年3月完成B輪10億元（新華網），年度量子單筆最大融資。"馭量·山海1000"千位元可擴展專用量子機，超頻模式3000+位元，五年四次迭代。建成中國首個規模化專用量子計算製造工廠。4. 華翊量子，50億元清華大學段路明院士團隊。保真度99.99%+全球領先。HYQ-B100實現100+離子位元。相干時間小時級，遠超超導（微秒級）和光量子（毫秒級）。已與中國移動研究院合作。5. 兩儀萬象，40億元2024年8月成立，五家中最年輕。清華翟薈教授（楊振寧院士關門弟子）創立。2026年4月實現全球首個萬級中性原子捕獲——10,064個原子，超越加州理工6,100個紀錄（騰訊/新浪/搜狐4月23-24日）。與科大訊飛合資成立"量智開物"。二、技術路線詳解🔬 本源量子 · 超導路線"本源悟空"搭載72位自主超導晶片"悟空芯"，自研"本源天機4.0"測控系統支援500+量子位元，國產稀釋製冷機SL1000突破美國禁運，自研量子作業系統"本源司南"。超導是最主流路線（IBM、Google同路線），操控快、成熟度高、全端自主可控。挑戰在於極低溫（10mK以下）工程門檻。🔬 圖靈量子 · 光量子路線TuringQ Gen2大規模可程式設計光量子系統，100+光子位元操控。主導建成國內首個光子晶片中試線（110nm製程），採用薄膜鈮酸鋰材料體系。推出國內首個光量子AI程式設計框架DeepQuantum和"量擎"雲平台。室溫運行、相容半導體工藝、天然適配AI。挑戰在於位元相干時間短，大規模整合難度高。🔬 玻色量子 · 相干光路線"馭量·山海1000"——國內首個千位元級可擴展專用量子電腦，標準模式1,000位元，超頻模式3,000+位元。2026中關村論壇正式發佈。專注組合最佳化、分子模擬等專用場景，落地快、訂單明確。挑戰在於通用性有限。🔬 華翊量子 · 離子阱路線段路明院士獨創二維離子陣列架構，突破傳統一維離子阱擴展瓶頸。保真度99.99%+（全球最高水平之一），相干時間達小時級。第三代目標300-600位元。保真度在量子化學和精密測量領域不可替代，量子糾錯潛力大。挑戰在於位元擴展速度較慢。🔬 兩儀萬象 · 中性原子路線10,064個中性原子捕獲——全球首個萬級紀錄，超越加州理工6,100個。"追風"AI演算法20ms內完成萬原子陣列重排。與科大訊飛合資成立"量智開物"。首款商用整機計畫2027年春發佈。原子天然全同、長相干時間、強擴展性，被視為通用容錯最優路徑之一。三、創始團隊：中國量子學術譜系五家企業呈現三條清晰的學術傳承脈絡。郭光燦體系 → 本源量子 + 華翊量子中科大郭光燦院士是中國量子資訊學科奠基人之一。弟子郭國平創辦本源量子（超導路線），另一弟子段路明創辦華翊量子（離子阱路線）。一條學術血脈衍生出兩條技術路線。潘建偉體系 → 圖靈量子金賢敏師從潘建偉院士，中科大博士、牛津博士後。在牛津期間註冊公司Q-WindowX，是全球最早推進量子計算產業化的人之一。楊振寧體系 → 兩儀萬象翟薈為清華大學教授，楊振寧院士關門弟子。"兩儀"取自《易經》"太極生兩儀"，在量子語境中隱喻量子位元的二元性。海歸雙核 → 玻色量子文凱（清華本碩、史丹佛博士，CIM方向國際先驅）與馬寅（航天系統10年精密儀器專家），構成"學術+工程"互補驅動。四、商業化處理程序商業化路徑分化為三個梯隊。第一梯隊：本源量子唯一實現營收規模化的企業。全端覆蓋——從晶片設計、測控系統、作業系統到量子云平台。2024年營收9,938萬元，預計2026-2027年衝刺科創板IPO。第二梯隊：圖靈量子 + 玻色量子處於訂單爆發到營收規模化的過渡期。圖靈2025年訂單破億（CAGR 200%），玻色多台真機交付（單價5,000萬至1億元）。兩者均已獲國家級資本重倉，分別預計2027年和2028年IPO。第三梯隊：華翊量子 + 兩儀萬象仍處"技術領先、商業待啟"階段。華翊科研院所訂單佔比80%，兩儀首款整機2027年春發佈。兩者全球技術指標均處世界級水平，但商業化仍需時間。五、資本市場節奏據IT橘子資料，截至2026年3月17日，國內量子計算賽道累計收錄150起融資事件，融資總額達112.05億元。2026年Q1融資額22.04億元，逼近2025全年24.73億元。1月11.4億元（圖靈B輪、量旋C輪等大額交易），2月4.5億元（相干科技Pre-A輪等），3月截至17日6.2億元（3月11日單日3起融資；邏輯位元數億元）。估值分化明顯：本源量子（~92億）、圖靈量子（70億）、玻色量子（65億）三家頭部形成估值優勢，正在拉開與華翊（50億）、兩儀（40億）的身位。國家創業投資引導基金三個區域基金（京津冀/長三角/粵港澳大灣區，各500億以上規模）已開始下場。預計2027-2030年將迎來首批"量子計算第一股"。六、趨勢展望超導路線（本源）短期領跑。8年積澱、年營收近億，2026-2027年科創板IPO推進中，正加速180+位元機型。但面臨IBM、Google等國際巨頭的直接競爭。光量子/相干光（圖靈/玻色）落地速度最快。室溫運行、低成本、AI融合的天然適配性是兩大核心優勢。圖靈70億入圍國家隊直投、玻色B輪10億登頂年度最大量子融資。圖靈"沿途下蛋"策略已見成效。離子阱（華翊）保真度王者。99.99%+保真度在量子化學、精密測量領域有不可替代價值。量子糾錯時代將釋放其最大潛力。中性原子（兩儀萬象）長期潛力最大。10,064個原子捕獲創全球紀錄，首次將位元資源突破萬量級。2027年首款整機發佈是關鍵節點。賽道加速分化，資本市場進入"搶籌"階段。Q1融資22億逼近2025全年。本源即將IPO、圖靈國家隊直投、玻色B輪10億，三家頭部加速拉開差距。量子計算已從"局部賽馬"進入"國家隊佈局"階段。 (洪泰智造)