第一代：RGB解决“看见”。
第二代：高光谱解决“理解物质”。
第三代：光子感知与感算融合解决“普及”。
最终，高光谱有望从今天的专用视觉，演变为未来的通用智能感知平台。
AI真正需要的，不只是更多数据，
而是更高价值的数据。
图1 视觉感知技术迭代路线从CCD、RGB到高光谱与光子感算融合
AI越来越聪明，为什么仍然“看不懂”世界？
AI能击败围棋冠军、生成逼真图像、理解自然语言，也正在进入汽车、工厂和机器人。但如果让同一套系统判断一颗水果是否发生内部褐变、区分两块外观相似的塑料、识别一片组织是否存在异常，它仍然可能遇到困难。
问题往往不在算法，而在输入。今天绝大多数机器视觉仍建立在RGB图像之上。RGB相机记录红、绿、蓝三种通道的强度，AI再从这些像素中学习边缘、纹理、颜色和形状。它擅长回答“这是什么”，却不知道“它由什么构成”“内部状态如何”“是否发生化学变化”。
因为这些答案并不完全存在于形状里，而存在于物质与光相互作用的规律中。
摄像头负责看见，高光谱开始让机器理解。
这也是视觉产业正在发生的一次深层变化：过去的竞争集中在更高分辨率、更高帧率和更好的成像质量；未来的竞争，将越来越集中在谁能获取更丰富、更具物理意义的信息。视觉正在从“表面视觉”走向“物质视觉”。
为什么AI需要如此庞大的数据？
过去十年，AI能力的提升经常伴随着数据规模的快速增长。原因并不复杂：当单个样本提供的信息有限时，模型只能通过观察大量不同角度、不同光照、不同背景和不同状态的样本，逼近真实世界。
以RGB图像识别苹果为例。模型看到的是颜色、轮廓和表面纹理。换一个品种、换一种光线、改变拍摄角度或遮挡一部分，像素分布都会发生变化。为了获得稳定的识别能力，系统需要不断增加训练样本，尽可能覆盖所有变化。
因此，今天很多AI系统依赖的本质仍是统计学习：模型见过足够多的外观，才更有可能在下一次遇到相似外观时作出正确判断。数据越来越多，并不是因为AI天然需要无限数据，而是因为每一个RGB样本携带的物理信息仍然有限。
高光谱提供的是另一种路径。它不只是增加“更多颜色”，而是让一个像素包含几十到数百个连续波长的信息。水分、脂肪、蛋白质、色素、聚合物和矿物成分，都可能在光谱中形成相对稳定的吸收或反射特征。AI由此可以利用物理特征，而不只依赖外观相关性。
AI能力 ≈ 数据量 × 单样本信息密度
在适合的物质识别、成分分析和状态检测任务中，更高的信息密度有望减少对海量标注样本的依赖，提高模型的泛化性和可解释性。关键变化不是“所有任务都不再需要大数据”，而是让每一个样本更接近真实世界的本质。
图2 从海量外观样本到高信息密度样本：高光谱为AI引入物质与物理信息
整个视觉产业正在进入“更多颜色”时代
RGB三通道几乎定义了过去二十年的数字视觉。从消费电子到工业相机，从安防监控到自动驾驶，大规模应用都建立在成熟的CMOS与RGB生态之上。RGB因此成为上一代通用视觉的基础设施。
但产业已经开始突破传统三通道架构。消费电子传感器逐步引入白光、近红外等附加通道，以增强低照度、深度感知、肤色还原和环境理解能力；工业视觉厂商也较早推出多线阵、多光谱及可见光与近红外融合方案，用于材料检测、食品分选和精密制造。
这些产品未必都属于严格意义上的高光谱，但它们指向同一个趋势：视觉系统正在从三原色走向更多波段，从单纯成像走向获取更具任务价值的信息。
未来视觉系统的竞争，或将不再是谁拥有更多像素，而是谁能够获取更多、更有价值的信息。
从RGB，到RGB+IR，再到多光谱和高光谱，高光谱并不是孤立出现的技术，而是视觉信息维度持续扩展的自然结果。
高光谱到底改变了什么？
1.从三支彩笔到连续光谱
可以把RGB想象成三支彩笔：红、绿、蓝。它们足以重建人眼熟悉的颜色世界，却不能完整描述物质在不同波长下的响应。高光谱则像几十到数百支连续排列的彩笔，每一支都提供一个新的观察维度。
对于同一颗苹果，RGB主要告诉我们它的颜色与外观；高光谱则可能进一步呈现与水分、色素、成熟度和内部状态相关的光谱变化。对于外观相似的塑料，高光谱可以利用聚合物特征进行区分；对于食品、药材、矿物和组织，它能够提供传统视觉难以获得的成分与状态信息。
2.从识别图像到理解物质
高光谱的价值，不是把照片拍得更漂亮，而是将视觉从图像空间带入物质空间。它让机器有机会回答一组新的问题：这是什么材料？含有什么成分？内部状态如何？是否发生变质？是否存在肉眼不可见的异常？
在食品与农业中，它可用于品质分级、成熟度分析和异物检测；在工业中，它可用于材料分类、涂层均匀性和过程监测；在医疗与生命科学中，它可辅助识别组织状态与生理变化；在环境与资源领域，它可以识别污染物、矿物与植被状态。
高光谱让视觉第一次真正接近“物质理解”。这也是它与普通彩色相机、单点光谱仪之间最根本的区别。
为什么高光谱40年仍然没有成为通用视觉？
高光谱并不是新概念。它早已在遥感、科研、军事和高价值工业检测中证明了能力，但长期以来仍停留在专业设备和特定场景中。
常见解释是光学器件昂贵、探测器复杂或系统难以微型化。这些因素确实存在，但更深层的瓶颈是系统必须同时处理空间维度与光谱维度带来的海量数据。与RGB相比，高光谱每帧包含的通道数可能增加几十倍甚至上百倍，采集、转换、传输、存储和推理的负担随之迅速上升。
当系统进入高速产线、机器人或消费终端，挑战不再只是“能不能拍到”，而是能否在有限的功耗、体积和成本下实时处理。任何一个环节产生的数据等待，都可能抵消高光谱带来的价值。
真正限制高光谱走向通用视觉的，并不是感知能力本身，而是计算与数据搬运。
因此，高光谱的产业化历史，也是一部计算架构不断向感知端靠近的历史。
高光谱算力架构的演进
01后台计算：高光谱首先是一台“仪器”
早期系统通常由相机采集数据，再通过接口传到后台工作站或服务器进行离线分析。这种模式适合科研与低速检测，证明了高光谱“能用”，但庞大的设备、较高的传输延迟和复杂的算法流程，使其很难进入实时工业场景。
02边缘智能：从仪器走向工业装备
随着FPGA、嵌入式GPU、NPU及边缘计算平台成熟，采集与推理开始进入同一设备。系统不再需要把全部原始数据上传到远端，而是在现场完成特征提取、分类和控制，直接驱动气阀、机械臂或产线决策。
这一阶段的价值是工程化：高光谱从实验室仪器变成可以交付的工业装备。算法也开始更多结合光学规律、材料知识与场景先验，提高稳定性并降低标注成本。
03光电融合与感算协同：减少无效搬运
传统系统通常经历光信号采集、光电转换、模数转换、数据传输、存储读取和数字计算等多个环节。随着信息维度增加，系统能耗的主要矛盾逐渐从“算一次需要多少能量”转向“数据被移动了多少次”。
感算协同的核心并不是简单地把多个芯片封装在一起，而是在感知端提前完成筛选、编码或特征处理，只把真正有价值的信息送入后续计算，从系统层面降低带宽、功耗和延迟。
04光子感知与计算融合：面向未来的架构探索
高光谱采集的起点本身就是光。如果未来能够让部分感知、编码和计算直接在光学域完成，就有机会减少反复的光电转换和数据搬运，并利用光的并行性处理多波长信息。
光子计算、模拟计算、存算一体和异质集成等新型架构都在探索同一个核心问题：如何让信息在产生的位置被更高效地处理。对高光谱而言，真正有意义的终点并不是单独拥有一颗更快的计算芯片，而是让感知、计算、存储和通信形成统一的系统。
这仍是需要长期工程验证的前沿方向。文章不预设唯一的器件路径，但可以明确一个趋势：未来计算架构的核心，是减少数据搬运，并推动感知与计算更深度地融合。
05四个阶段的产业意义
从“专用视觉”走向“通用感知”
图3 从RGB通用视觉、高光谱专用视觉到未来通用智能感知平台
RGB之所以成为通用视觉，不是因为它能理解所有物质，而是因为它同时满足了低成本、小体积、低功耗、标准化和足够好用。高光谱今天仍然主要用于专用检测，是因为系统必须在更高信息维度与现实工程约束之间做出取舍。
如果未来光子感知、先进器件、边缘智能和感算融合持续降低高光谱系统的成本、体积、功耗与延迟，那么高光谱的角色将发生根本变化：它不再只是实验室或生产线上的专用检测设备，而可能像今天的RGB相机一样，成为普遍存在的感知组件。
今天：RGB是通用视觉，高光谱是专用视觉。
未来：高光谱有望成为通用智能感知器件。
届时，视觉系统不仅能够识别人、车、道路和物体，还可以进一步理解材料、状态、成分与风险。应用边界将从少数高价值检测场景，延伸到消费电子、机器人、自动驾驶、智能制造、精准农业、食品安全、医疗健康、智慧城市、能源矿业、环境保护、航空航天与国防安全等更广泛领域。
未来产业机会：哪些行业会首先发生变化？
智能制造：从检测外观缺陷，走向识别材料、涂层、成分和过程状态，实现更早、更连续的质量控制。
食品与农业：从人工抽检和离线化验，走向对糖度、水分、新鲜度、霉变、蛋白和成熟度的在线感知。
机器人与具身智能：让机器人不仅识别物体形状，还能判断材质、液体、污染、食物状态和环境风险。
医疗健康：为组织状态、血氧、灌注、皮肤与微创诊疗提供新的无创或辅助信息维度。
消费电子：当器件足够小、低功耗且低成本，手机、可穿戴设备和智能家居可能获得物质与健康感知能力。
自动驾驶与低空经济：在传统几何视觉之外增加地表、材料、天气、污染和危险物质识别能力。
资源、能源与环境：用于矿物识别、回收分选、水体与土壤监测、泄漏检测及生态状态分析。
航空航天与城市基础设施：将高维感知引入卫星、无人机、城市巡检与公共安全，形成更连续的空间信息网络。
这并不意味着所有场景都会使用完整的数百波段数据。通用化更可能表现为“按任务获取最有价值的波段与特征”：系统能够根据场景动态选择感知维度，在成本与信息量之间实现最优平衡。
彩鸿芯宇：面向下一代智能感知平台
在这一趋势下，彩鸿芯宇长期关注视觉感知技术的演进，坚持围绕光学、算法、计算与系统工程持续投入研发，并以真实产业需求推动技术走向应用。
公司的关注点并不局限于单一设备或单一行业，而是如何让更丰富的光谱信息以更低成本、更低功耗和更高效率进入实际系统，并在食品、农业、工业、医疗与机器人等场景中创造可验证的价值。
面向未来，彩鸿芯宇希望推动下一代视觉系统从“看见世界”迈向“理解世界”，并参与构建光子时代的智能感知基础设施。具体器件方案与研发路线属于公司核心技术规划，本文不作展开。
结语：下一代AI，需要下一代感知
1990年代，互联网让人们看到远方；
2010年代，深度学习让机器学会识别物体；
2020年代，大模型让机器开始理解语言。
但真实世界还有一个关键维度长期缺失：让机器理解物质本身。
高光谱为机器提供了超越传统颜色视觉的信息维度，而光子感知、边缘智能与感算融合，则有望解决这种高维感知走向普及所面对的系统瓶颈。
过去三十年，机器拥有了“眼睛”。
未来三十年，机器将逐步拥有理解物质世界的能力。
从数字视觉（Digital Vision），到物质视觉（Material Vision），再到智能感知（Intelligent Sensing），视觉技术正在重新定义AI获取信息的方式。未来，高光谱不再只是一种专用检测技术，而有望成为下一代通用智能感知基础设施。
说明：本文为行业趋势与技术路径讨论。涉及未来性能、产业化节奏及应用范围的内容属于前瞻性判断，实际发展仍取决于器件、工艺、算法、成本和生态成熟度。