来自 科技2026-09-14 02:19:30
9月13日，2026浦江创新论坛类脑智能未来产业前沿论坛暨第二届神经形态光子学国际会议在上海举行。与会专家从类脑芯片、认知世界模型和神经形态光计算等领域的探索和实践，探讨机器如何以更少数据、更低能耗提升智能。
类脑既要理解大脑，也要跑通系统
今天的人工智能依靠扩大数据、参数和算力不断增强，但在能效、持续学习和适应新环境等方面，与人脑仍有较大差距。清华大学类脑计算研究中心主任施路平认为，类脑计算不能停留在模拟单个神经元，也不能只研制一颗芯片，而要打通基础理论、芯片、软件工具链、计算机系统和应用。其技术路线应由脑科学与计算机科学共同驱动，一方面从大脑中寻找新的计算原理，另一方面把这些原理转化为可以编程、部署和验证的系统。清华团队研制的“天机”类脑芯片正尝试让传统人工神经网络和脉冲神经网络在同一架构中协同运行。
北京大学教授林宙辰则提出“类脑”的两个层次——底层学习大脑怎样计算，如脉冲放电、局部学习和时间编码；上层则研究人脑与人工智能完成同一任务时，是否形成相似的内部表征，即比较人和机器的“解题思路”。团队近期研究让受试者完成逻辑推理题同时记录脑活动，再与大语言模型解题时的内部状态比较。研究人员随后从脑活动中提取与正确推理有关的信息，用作调整模型的“路标”，在特定实验中获得推理准确率最高13%的提升。这项研究提供了一条思路：脑信号可以从观察、解释人工智能的工具，成为改善模型的参考。
机器人不能只靠数据“刷题”
“如果把理想智能视为100分，大语言模型可能已达到约70分，但进入物理世界的视觉—语言—动作模型（VLA）可能只有约50分。依靠数据堆叠，可能只能逼近大语言模型的智能，而非突破。”具脑磐石创始人朱森华认为，发展类脑智能构建世界模型，才能突破当前具身智能面临的实交互数据昂贵稀缺、换场景后容易失效、模型难以持续学习，以及大模型功耗也难以适应机器人有限端侧算力等共性难题。“算法范式决定数据需求，算法能力决定数据价值。”朱森华说，继续增加机器人演示和仿真数据，能够缩小VLA与大语言模型的差距，却未必能使机器从“模仿动作”走向“理解世界”。
为此，团队正从人脑中借鉴时空记忆、多层预测、注意力选择和价值判断等机制，提出“认知世界模型”，尝试让机器人形成一幅有关环境、任务和自身状态的“认知地图”，把感知、记忆、预测、决策和反馈连成闭环，知道物体在哪里，执行一个动作可能产生什么结果，失败后如何调整。“用清晰的类脑智能，替代盲目的计算。”朱森华说。
让光子成为有效词元
要解决人工智能的能耗困境，不仅算法要向大脑学习，运行算法的硬件也要向大脑学习。摩尔定律带来可见的“天花板”，神经形态光计算成为备受期待的破题路径之一。论坛期间，由上海理工大学牵头建设的上海市神经形态光计算与边缘智能重点实验室成立。上理工智能科技学院常务副院长张启明教授表示，无人机、汽车和机器人空间有限、能源受限，却要实时处理大量感知信息，或将成为神经形态光计算率先接受应用检验的场景。
施路平团队正进行一项相关工作——借鉴人类视觉系统，在感知端直接提取轮廓、运动等有意义的信息，把“光子”更快转化为模型可用的“有效Token”，降低数据传输和计算消耗。
来源：新民晚报 作者：易蓉
