类脑智能的起源与探索

小鹏汽车工厂

类脑智能更强调对大脑“生物硬件”和“神经计算逻辑”的模仿，追求更接近人类的“高效、低能耗、通用化”智能。

几年前，所谓的人工智能只能进行简单的对话。随着科技的发展，ChatGPT、DeepSeek的出现，让人们真正体会到人工智能时代的到来。使用者无论提出什么问题，人工智能都能够给出所需要的答案。人工智能在飞速发展并且已经演变成为全球都在争夺的科技高地。

但是传统的人工智能更多的是依赖数据驱动和算法优化，受限于数据、算法以及基础硬件的算力。为了进一步突破对应的限制，20世纪80年代末，卡弗·米德提出了类脑计算的概念。他希望摆脱传统的计算模式，通过模仿人类神经系统的工作原理，开发出快速、可靠、低耗的运算技术。随着学科的发展、科技的进步，类脑计算逐步演化为类脑智能。

类脑智能（Brain-Inspired Intelligence）是一门融合脑科学、神经科学、计算机科学、人工智能等多学科的交叉领域，其核心目标是通过模拟人类大脑的结构、功能和工作机制，构建具有类脑认知能力（如学习、记忆、推理、自适应、容错性等）的智能系统。类脑智能更强调对大脑“生物硬件”和“神经计算逻辑”的模仿，追求更接近人类的“高效、低能耗、通用化”智能。

类脑智能的发展进化

类脑智能的早期探索主要是对人类大脑的模仿。19世纪之前，科学界对大脑结构的认知一直停留在“网状理论”，认为大脑是由连续的“神经网”构成的。直至1891年德国解剖学家威廉·瓦尔代尔（Wilhelm Waldeyer）基于卡哈尔的实验，正式提出“神经元学说”：大脑的基本结构与功能单元是神经元，而非连续的神经网；每个神经元都是独立的细胞，信息通过神经元之间的“接触”而非“融合”传递。而独立的神经元之间如何传递信息，则由英国生理学家查尔斯·谢灵顿在1897年提出了神经元之间的功能连接位点为“突触”。

随着人脑的基本结构（神经元）以及传递方式（突触）逐渐被认识，为了实现对人类大脑的模仿，科学家对神经元功能在数学上进行了抽象概括。1943年，麦卡洛克与皮茨提出的“麦卡洛克-皮茨模型”，标志着类脑探索从“生物观察”正式迈入“人工模拟”阶段，这个模型首次将生物神经元的“兴奋-抑制”行为转化为二进制逻辑运算。该模型将神经元抽象为阈值逻辑单元：当输入信号加权和超过阈值时输出1（激活），否则输出0（抑制），成功模拟了与、或、非等基础逻辑功能。

麦卡洛克（左）与皮茨（右）

这一突破不仅证明简单神经元网络可实现计算功能，更搭建了神经科学与计算机科学的第一座桥梁，为后续连接主义AI奠定了理论基石。但MP模型的局限性同样显著——它完全忽略生物神经元的时间动态特性（如动作电位的传播延迟）和离子通道机制，是一种静态的“逻辑骨架”，无法模拟大脑对时序信号的处理能力。

真正为类脑模型注入“生物血肉”的是1952年艾伦·霍奇金（Alan Hodgkin）与安德鲁·赫胥黎（Andrew Huxley）提出的 HH模型。通过枪乌贼巨轴突实验（轴突直径达1毫米，便于电极测量）和电压钳技术，两人首次揭示了神经元脉冲（动作电位）产生的离子通道机制，并以四个非线性微分方程定量描述这一过程：静息状态下，细胞膜对钾离子的高通透性形成-70mV的静息电位；当刺激使膜电位去极化至阈值（约-55mV）时，钠离子通道快速开放导致膜电位骤升（上升相），随后钾离子通道延迟开放使电位回落（下降相），最终恢复静息状态。

HH模型的革命性在于，它将神经元的“全或无”脉冲从抽象逻辑还原为可计算的物理化学过程，首次证明神经元是具备动态信息处理能力的“精密器件”，其时序编码（如首脉冲时间）比单纯的频率编码更接近生物脑的工作模式。这一发现直接推动类脑模型从“静态数值计算”向“动态脉冲处理”转型，为后续脉冲神经网络（SNN）的发展提供了生物物理基础。

1957年，弗兰克·罗森布拉特（Frank Rosenblatt）在MP模型基础上提出感知机，开创了可训练人工神经网络的先河。感知机引入监督学习机制：通过“误差修正规则”动态调整突触权重——若模型输出与真实标签不一致，权重会沿误差减小方向更新（如增强对正确分类有贡献的特征权重）。1959年，罗森布拉特进一步开发“MarkI感知机”硬件，用光电管模拟视网膜、继电器模拟神经元，成功实现简单图像分类（如区分“左”“右”标记卡片），美国海军甚至将其称为“第一台能拥有人类思想的机器”。但感知机的致命缺陷很快暴露：它仅能处理“线性可分”问题，无法解决“异或（XOR）”这类非线性任务。

感知机的缺陷被发现，催生出了自适应线性元件。1960年，伯纳德·威德罗（Bernard Widrow）与马西安·霍夫（Marcian Hoff）提出Adaline，将输出从“二进制分类”改为“连续值回归”，更贴近生物神经元的膜电位动态；同时引入最小均方（LMS）算法，通过梯度下降最小化预测值与真实值的平方误差。Adaline的突破在于工程实用性——它首次被用于电话线路回声消除等真实场景，证明类脑模型可脱离实验室解决工业问题。更重要的是，其“误差驱动权重调整”思想为后续“超越感知机”的算法革命埋下伏笔。

1986年，杰弗里·辛顿（Geoffrey Hinton）等人在《自然》发表论文，提出反向传播（BP）算法，彻底突破感知机的线性局限。BP算法通过“前向计算输出-反向传播误差-逐层调整权重”的机制，实现了多层神经网络的训练，解决了异或等非线性问题。BP算法的出现标志着类脑智能从“线性学习”进入“深度学习”时代，为1998年LeNet（手写数字识别）、2012年AlexNet（ImageNet分类）等里程碑成果奠定了算法基础。

与此同时，另一支研究团队沿着HH模型的生物真实性路径，开展早期SNN模型探索。1970—1980年代，研究者为降低HH模型的计算复杂度（需实时求解微分方程），提出了一系列简化模型：如积分-发放模型（IF）忽略离子通道细节，仅模拟膜电位的积分过程；漏电积分-发放模型（LIF）进一步加入膜电位的自然衰减，更贴近生物神经元的静息特性。这些早期SNN模型虽简化了生物机制，但保留了脉冲发放的时序特性，为后续神经形态硬件的开发提供了算法原型。

算法需要通过硬件来实现，算法的进步更需要硬件的支持。传统冯·诺依曼架构（存储-计算分离）的高功耗瓶颈，促使类脑智能向“生物启发式硬件”转型。这一转型的推动者是加州理工学院教授卡弗·米德（Carver Mead）——他在20世纪80年代提出神经形态工程（Neuromorphic Engineering）理念，主张“用硬件直接复现大脑的存算一体与事件驱动特性”。

米德发现，生物脑仅在神经元发放脉冲时消耗能量（静息功耗极低），且通过数十亿神经元的并行协作处理信息，这与传统计算机“指令串行执行、数据频繁搬运”的高功耗模式形成鲜明对比。基于这一认知，他带领团队用CMOS（互补金属氧化物半导体）技术构建“硅神经元”与“硅突触”。1984年，米德团队开发的硅视网膜芯片首次实现生物视觉系统的硬件模拟——芯片中的硅感光单元模拟视网膜光感受器，硅神经元通过脉冲编码实现边缘检测，其功耗仅为同功能传统芯片的1/100，证明了神经形态硬件的能效优势。

神经形态工程的理念在2014年IBM TrueNorth芯片上得到规模化验证。该芯片集成4096个神经形态核心，每个核心包含256个硅神经元和6.5万个硅突触，采用异步事件驱动架构，功耗仅70毫瓦（约为传统GPU的1/1000），可实时处理视频流与语音信号。TrueNorth的设计直接继承了米德的“存算一体”思想——将突触权重存储在核心本地SRAM中，避免数据搬运；通过脉冲编码（如脉冲密度编码、时序编码）实现信息传递，完全脱离冯·诺依曼架构的束缚。

真正颠覆类脑硬件范式的是忆阻器（Memristor）的发明。2008年，HP实验室研究团队在《自然》发表论文，首次实验验证了蔡少棠教授1971年预测的“第四种基本电路元件”——忆阻器。这种两端口器件的电阻值可通过施加电压脉冲动态调整，且断电后能保持电阻状态，完美模拟生物突触的“权重记忆”特性（如Hebb规则中的“同时激活连接增强”）。忆阻器的核心优势在于存储与计算的原生集成：传统芯片需在内存与CPU间频繁搬运数据（冯·诺依曼瓶颈），而忆阻器可直接在存储单元中完成计算（如权重乘法），大幅降低功耗与延迟。基于忆阻器的交叉阵列（Crossbar Array）结构，进一步将类脑硬件的能效与并行度推向新高度。

南京大学缪峰团队2021年的研究显示，利用忆阻器交叉阵列的频分复用技术，可实现16张字母图片的并行识别——通过将不同频率的正弦信号作为信息载体，单个交叉阵列可同时处理多个输入数据，并行度随阵列规模线性提升。腾讯云团队的实验则证明，基于SrTiO忆阻器的交叉阵列，在Atari游戏《Pong》的强化学习任务中，能耗比纯GPU降低96倍，其关键在于忆阻器可同时模拟长期记忆、短期可塑性与元可塑性等多种突触功能，无需额外控制电路。

医疗、工业与消费的“三重奏”

类脑智能的应用非常广泛，涉及医疗、工业以及普通消费领域，并且在这三个领域中突破行业痛点迎来飞速发展。在医疗领域中，通过构建“检测-干预-康复”闭环康复方案，成都前沿类脑中心的系统实现孤独症早筛（准确率92.3%），北京脑所“北脑一号”助瘫痪患者抓握行走，复旦脑脊接口让患者术后当天站立。

在工业领域中，类脑智能能够有效提高工业的精度与效率。特斯拉工厂用类脑视觉检测（0.01mm级），良品率升5%。在其示范效应下，国内新能源车企技术也加速根据类脑智能检测——小鹏汽车在肇庆工厂的电池pack环节，引入类脑视觉系统检测电芯极耳的平整度（要求误差≤0.02mm），通过类脑算法的多模态融合能力（同步分析视觉信号与压力信号），极耳装配不良率降低70%，电池循环寿命提升10%；蔚来合肥工厂则将类脑检测应用于自动驾驶传感器（如激光雷达镜头）的表面洁净度检测，可识别直径0.005mm的灰尘颗粒，避免因镜头污染导致的感知误差，传感器良品率从88%提升97%。除了检测场景外，类脑智能还推动工业机器人向“高精度+高柔性”升级，基于神经形态芯片控制末端执行器，实现0.01mm级的动作精度控制。

消费领域中，耳机、智能手环作为大部分消费者均能使用得起的电子消费品，通过类脑智能技术的忆阻器存算一体芯片有效降低耳机的功耗，使得耳机单次充电续航从传统5小时延长至15小时。过去AR设备、VR设备普遍被诟病的流畅度、眩晕等问题，通过类脑智能技术中的视觉芯片技术，不仅能够有效缓解VR的眩晕感，还能够有效提高装置的续航时间。

AI时代的“新规则博弈”

我国著作权法要求“创新主体为自然人”，即人类独立创作为核心前提。2023年，美国版权局明确指出了“纯AI生成内容”不会被作为版权而登记。而类脑智能中“脑-机协作”的特性，会出现“创作主体”“权利归属”等一系列问题，在目前的法律法规中，并没有明确通过脑机接口生成的内容的著作权归属。

正如上文而言，高效的类脑智能都是需要经过一定量的数据进行训练。然而对应的训练数据的获取的合规性，依然没有得到明确的保护；除了数据获取的合规性外，对应的训练数据在没有得到有效保护或者消除隐私信息后被泄露，从而可以通过对应的训练数据反向标定对应的个体。

目前，全球均没有针对类脑智能设立对应的法律法规。就我国而言，尽管没有针对类脑智能出台对应的方案，但一些地方政府出台了相关政策。上海杨浦区在2025年中发布了促进类脑智能产业发展的实施方案，明确构建类脑智能产业集聚区，通过建设公共技术服务平台、产业创新联盟、未来产业科技园、专项基金矩阵和生态体系等“五大支撑体系”，培育产业链上下游协同创新，打造类脑智能创新高地。

与此相呼应，杭州市在2025年末出台了一系列支持类脑智能未来产业创新发展的政策措施，通过财政补贴、研发资助、成果转化奖励、产业集聚发展支持等多项激励，鼓励企业、高校及科研机构在脑机接口、类脑计算等关键技术领域开展研发，并推动类脑智能企业集聚成长，完善创新生态体系，为提升区域智能产业竞争力提供制度保障。两地政策均强调产学研联动、技术攻关与生态构建，旨在抢占新一代智能技术战略制高点，推动类脑智能技术从研发走向产业化应用。

类脑智能的发展以及在各种产业上的应用，让所有人都对这个技术期望甚高。根据目前的发展趋势，我们大胆预测2030年左右就能够通过脑机接口让瘫痪患者通过思维控外骨骼，从而实现改变生活。而到了2040年类脑智能则可以成功助力人工智能，使得人工智能发展更进一步。（作者单位：国家知识产权局专利局专利审查协作广东中心）

（文章来源：《创意世界》2026年3月号）

01

微店订阅

请扫左侧杂志微店二维码订阅或点击下方小程序链接购买。

02

邮局订阅

各地邮局均可订阅，邮发代号：2-652。亦可扫左侧“中国邮政微商城”二维码订阅。

03

报社订阅

请汇款至以下账户，并将汇款凭证发至本刊通联发行部。

开户银行：中国工商银行北京海淀区北太平庄支行

户名：中国知识产权报社

账号：0200010009014482891

通联发行部热线：010-82034385、010-82034281（传真）

【点击下方小程序购买本期杂志】

编校：苑宝平

/ / / /

/ / /

/ /

/ / /

/ / /