WRC2026 | 別急著給機器人更強「大腦」，先補上更省電的神經系統

類腦計算正從感知和低層控制切入機器人。作者丨魏溶 編輯丨岑峰 “如果未來全球真的部署10億至100億臺高度依賴AI的人形機器人，今天這套計算方式，還供得起電嗎？”德國慕尼黑工業大學教授Alois Knoll在2026世界機器人大會“類腦智算，讓機器人學會自主決策”圓桌會議開場時提出了這個問題。過去討論計算中心，人們習慣談千萬億次浮點運算、百億億次浮點運算；如今，隨著AI基礎設施不斷擴張，數據中心的建設規模越來越多地與吉瓦級電力聯繫在一起，算力的度量衡，正在從“百億億次浮點運算（Exaflops）”變成“吉瓦級功耗（Gigawatts）”。

當AI進一步從數據中心進入實體世界，能源問題還會被繼續放大。Knoll判斷，如果人形機器人未來真的走向十億級部署，沿用當前高功耗計算模式，累計能源需求可能變得難以承受。產業因此需要尋找傳統計算架構之外的其他可能性，神經形態計算便是其中之一。Alois Knoll 教授在開場時曾回顧了這段歷史：從百年前的神經元觀察，到歐洲“人類大腦計劃”中被架構師 Steve Furber 戲稱為“智能水平大約等同於五隻老鼠”的早期類腦系統，再到如今試圖接管數十億人形機器人的運動中樞，這項穿越漫長歲月的技術，終於在具身智能時代迎來了屬於自己的爆發前夜。

01機器人大腦的效率，來自「不計算」神經形態計算尚沒有統一定義，不同技術路線之間也存在明顯差異，但共同點都在於借鑑神經元、突觸以及生物神經系統的信息處理方式。Knoll特別強調了生物大腦的兩個特點。首先是計算與記憶高度關聯，傳統計算系統需要在計算單元和存儲單元之間頻繁搬運數據，而在生物神經系統中，計算和記憶聯繫得更加緊密。另一個更重要的特點是事件驅動。人腦並不會讓所有神經元持續不斷地交換信息。只有事件發生時，相應神經元才會通過脈衝傳遞信號；沒有事件時，則不需要持續進行信息通信。Knoll認為，這種運行方式是生物大腦能夠以較低功耗完成複雜任務的重要原因之一。神經形態計算試圖把類似機制帶入芯片。

大量神經形態系統採用脈衝神經網絡，讓信息通過脈衝在神經元之間傳遞，並在事件發生時觸發通信，以減少持續的信息交換。機器人恰好需要長期處於與環境交互的閉環中：感知外部環境、作出判斷、執行動作，再根據新的反饋調整下一步行為。Knoll曾深度參與歐盟為期十年的“人類大腦計劃”。十多年前，他的團隊已經嘗試讓神經形態設備進入機器人控制閉環，開發出模擬人體上半身骨骼動力學的仿生機器人，並通過神經形態控制器實現自學習閉環控制。Knoll稱，據其團隊所知，這是最早進入實際實驗的神經形態機器人閉環控制系統之一。

但十多年後，當人形機器人重新成為產業熱點，問題已經不再只是神經形態計算能否用於機器人，而是：感知、運動和複雜推理中，哪些環節更適合率先採用類腦架構？02類腦計算，先從感知而非「大腦」 開始圓桌討論很快收束到一個更現實的方向：神經形態計算並不需要整體替代現有AI系統，而是先進入更適合它的計算環節。輝羲智能創始人兼CEO徐寧儀認為，當前機器人正在從較簡單的“感知—決策—執行”鏈路，走向“分層、異步、自學習”的複雜計算系統。按照這一思路，System 0負責運動，System 1負責從感知到操作之間的快速鏈路，System 2承擔更慢、更復雜的思考和問題解決。

不同層級承擔不同任務，系統也不必讓所有計算過程始終同步進行。徐寧儀認為，這種分層解耦可以減少重複學習：運動能力一旦掌握，進入新場景後不必從頭訓練；視覺到動作的鏈路穩定後，也不需要每次重新理解整個世界，從而降低訓練和部署階段的數據需求。但分層之後，為什麼偏偏是System 0和System 1更適合類腦計算？沐曦AI研究院院長李兆石從計算機體系結構角度給出瞭解釋。他引用“計算本身成本很低，數據搬運成本更高”這一觀點，指出相比計算過程本身，數據在不同存儲與計算單元之間的傳輸往往才是更昂貴的部分。李兆石認為，在GPU計算過程中，相當一部分功耗花在數據搬運上。

數據需要從網絡、內存等位置不斷進入計算單元，因此，過去20年間學術界探索類腦架構、存內計算等技術，一個重要目標就是減少這種搬運，讓計算儘可能發生在數據所在的位置。但傳統數字計算與類腦計算擅長的任務並不相同。數字計算通常適合相對稠密的計算任務；類腦系統則更擅長利用稀疏、事件驅動的信號。當大量信號並未被激活時，系統不必持續處理所有信息，由此降低能耗。因此，李兆石認為，承擔複雜思考任務的System 2仍然是傳統數字計算更加擅長的領域，而System 0和System 1，包括傳感器感知以及部分較簡單的VLA任務，更具有類腦計算的應用潛力。觸覺就是一個典型例子。

以視觸覺傳感為例，大量時間裡並沒有新的觸覺信號被激活，但傳統數字處理方式仍需要持續運行。對於這類信息天然稀疏、由事件觸發的任務，類腦計算或者異步電路更容易體現降低功耗的優勢。英飛凌科技副總裁劉偉也提到，一些視覺、觸覺和運動能力訓練完成後，可以在新事件出現時直接調用，而不必重新訓練完整技能，從而進一步減少數據和計算需求。Knoll隨後總結稱，現場已經形成一定共識：神經形態計算最先值得嘗試的位置，很可能是靠近傳感器和預處理的環節。這意味著，至少在現階段，類腦計算並不是要整體替代現有大模型和數字芯片，而更可能先進入信息稀疏、事件驅動明顯、又對功耗敏感的感知和低層控制任務。

03 當機器人走出實驗室，訓練不再有終點如果說低功耗解決的是機器人能不能長期運行，那麼另一個問題是：機器人部署之後，能不能繼續適應環境。徐寧儀認為，這也是“可塑性”對機器人而言尤其重要的原因。現實中的機器人並非完全一致。即使是同一批產品，不同機器人的關節和執行部件也可能存在細微差異，最終一毫米的動作偏差，都可能影響實際執行結果。更大的挑戰來自環境。目前機器人較為成熟的能力，大量仍集中在固定場景、固定任務和固定對象。徐寧儀認為，機器人最終還需要走向開放場景、開放任務和任意對象，這意味著模型不能在訓練結束後就完全固定，而必須具備部署後的持續調整能力。

因此，徐寧儀認為，自學習不僅是模型問題，也會對底層計算硬件提出新的要求。在實際部署中，他認為，底層硬件需要具備足夠的可編程能力，以支持現場微調和真實環境中的強化學習。與此同時，部署後的學習也不意味著把一個龐大的基礎模型完整搬到機器人端側。徐寧儀認為，可以繼續沿用System 0、System 1和System 2的分層思路：針對具體場景和任務，對基礎模型進行蒸餾或強化，再把相應能力部署到端側執行。換句話說，機器人的“學習”正在從一次性的模型訓練，延伸到部署後的持續適應。但要完成這種持續適應，只解決AI芯片本身還不夠。

劉偉指出，從感知到動作，機器人實際運行的是一個完整閉環：傳感器獲取環境信息，數據經過傳輸和處理形成控制指令，再由執行器完成動作。因此，機器人能否實時調整，不只取決於計算性能，還取決於數據傳輸、通信協議、執行器響應以及整個系統的延遲。尤其是感知結果需要立即反饋到動作時，傳感、計算和執行之間必須形成低延遲閉環。這意味著，類腦計算進入機器人後，面對的也不會只是“一顆芯片如何設計”的問題，而是如何與傳感器、執行器和通信系統共同組成完整的計算鏈路。硬件之外，軟件生態則是另一道門檻。黑芝麻智能首席市場營銷官楊宇欣認為，當前端側AI芯片本身就需要在算力、帶寬、面積、功耗和成本之間不斷權衡。

楊宇欣以近存計算為例，認為通過增加片上存儲、減少外部數據搬運，可以降低對帶寬的依賴，在功耗、成本與算力之間尋找平衡。但對新型AI芯片而言，硬件性能只是進入市場的第一步。當前AI軟件生態很大程度建立在CUDA體系之上。對於非CUDA體系的AI芯片公司，模型能否適配、工具鏈是否易用、軟件生態是否完整，都會直接影響芯片能否真正被開發者和客戶採用。楊宇欣認為，類腦計算未來同樣繞不開這一問題：除了硬件架構繼續演進，工具鏈和軟件體系也必須同步成熟。這也解釋了為什麼產業並不會等待一套完整的類腦計算體系成熟以後，再開始把它用於機器人。

楊宇欣提到，機器人產業與許多過去的技術產業不同，研究、研發和商業化幾乎在同步進行。在模型訓練階段，機器人短期內仍然需要大量預訓練數據和算力；進入具體場景後，再通過後訓練和強化學習降低對真實數據的依賴。對於商業公司而言，更現實的路線，是從類腦、近存計算等前沿技術中，先抽取已經具備明確邊界、能夠快速產品化的部分，再逐步放入現有系統。因此，類腦計算與現有AI體系短期內並不是非此即彼。這一點在人機交互問題上也表現得很明顯。當Knoll追問神經形態計算是否會進一步改善人機交互時，徐寧儀認為，真正的主動交互還涉及預測、意圖、記憶、仿真和雙向協同，其複雜程度甚至可能超過當前模型和現有範式能夠完整解決的範圍。

楊宇欣則指出，記憶、多模型協同和Agent等現有技術已經能夠實現一部分主動交互。對類腦計算而言，更現實的價值不是重新發明這些能力，而是以更低的成本和功耗，把已經能夠實現的能力真正部署到機器人上。從這個角度看，類腦計算需要解決的問題正在變得更加具體：既要讓機器人在部署之後繼續學習和適應，也要把這種能力放進一個低延遲、低功耗、軟硬件能夠協同工作的完整系統。04機器人落地，不必等所有技術一起成熟進入商業化階段後，圓桌嘉賓的判斷反而趨於一致：硬件可能先於軟件成熟，半結構化場景可能先於家庭等開放環境落地，感知和低層任務也會早於更復雜的智能能力。楊宇欣的判斷相對謹慎。

他認為，類腦芯片可能在3至5年內達到相對可接受的性能和成本水平，但軟件生態的成熟需要更長時間，因此更完整的商業化可能需要5至8年。在楊宇欣看來，芯片硬件成熟並不意味著商業化條件已經完備，工具鏈、模型適配和軟件生態仍需要更長時間建立。相比時間本身，李兆石更強調場景差異。在他看來，半結構化工廠可能在3至5年內實現較大規模部署，而家庭和服務業等開放場景可能需要5至8年。後者不僅需要應對更多長尾情況，還涉及更復雜的安全和倫理問題。李兆石認為，半結構化工廠的任務邊界更加明確，機器人可以先達到較高完成度，再通過實際部署中收集到的負樣本進行強化學習。相比之下，家庭環境存在更多長尾、安全和倫理問題。

劉偉進一步解釋了為什麼“場景可約束”會加速硬件落地。在工廠等相對明確的環境中，傳感精度、運動能力、扭矩、控制方式和功耗等硬件指標都更容易被定義，由此形成清晰的產品迭代路線。消費和商業場景更加碎片化，軟件系統需要更長時間學習和適應。徐寧儀則以自身實踐為例稱，相關機器人已經開始在部分半結構化工廠進入實際部署階段，因此在他看來，工業場景的落地並非完全是3至5年後的預期。但從局部部署走向更大規模，安全仍是必須解決的問題。徐寧儀尤其強調冗餘設計：既可以使用不同規模的系統相互備份，也可以在主芯片之外配置更高安全等級和可靠性的芯片，或通過多套算法交叉驗證，降低單一系統失效帶來的風險。

圓桌最後，Knoll將這些判斷歸納為一條相對明確的路徑：神經形態計算可能首先看到硬件解決方案成熟，並從感知等較低層能力開始，逐漸向更復雜的智能功能延伸；嘉賓對更廣泛市場成熟的判斷，則大致集中在3至8年。從整場討論來看，神經形態計算並不是試圖一次性替代現有AI計算體系，而是在尋找一條漸進的產業化路徑：複雜、稠密的計算仍由傳統數字系統承擔，感知、預處理和低層控制等事件稀疏、功耗敏感的任務率先嚐試類腦架構；場景上，則從邊界明確的半結構化環境逐漸走向更加開放的應用。

如果未來人形機器人真正走向大規模部署，類腦計算最終需要證明的，也不只是能否提供一種新的芯片架構，而是能否以更低的成本和功耗，讓機器人持續完成感知、學習和行動。上車，帶你看遍全球 AI 頂會精華可獨家暢覽：專家演講PPT大會報告全文熱門論文解讀學術新星訪談掃描上方二維碼或點擊「閱讀原文」關注專區。