WRC2026 | 别急着给机器人更强「大脑」，先补上更省电的神经系统

类脑计算正从感知和低层控制切入机器人。

作者丨魏溶

编辑丨岑峰

“如果未来全球真的部署10亿至100亿台高度依赖AI的人形机器人，今天这套计算方式，还供得起电吗？”

德国慕尼黑工业大学教授Alois Knoll在2026世界机器人大会“类脑智算，让机器人学会自主决策”圆桌会议开场时提出了这个问题。

过去讨论计算中心，人们习惯谈千万亿次浮点运算、百亿亿次浮点运算；如今，随着AI基础设施不断扩张，数据中心的建设规模越来越多地与吉瓦级电力联系在一起，算力的度量衡，正在从“百亿亿次浮点运算（Exaflops）”变成“吉瓦级功耗（Gigawatts）”。

当AI进一步从数据中心进入实体世界，能源问题还会被继续放大。Knoll判断，如果人形机器人未来真的走向十亿级部署，沿用当前高功耗计算模式，累计能源需求可能变得难以承受。

产业因此需要寻找传统计算架构之外的其他可能性，神经形态计算便是其中之一。

Alois Knoll 教授在开场时曾回顾了这段历史：从百年前的神经元观察，到欧洲“人类大脑计划”中被架构师 Steve Furber 戏称为“智能水平大约等同于五只老鼠”的早期类脑系统，再到如今试图接管数十亿人形机器人的运动中枢，这项穿越漫长岁月的技术，终于在具身智能时代迎来了属于自己的爆发前夜。

01

机器人大脑的效率，来自「不计算」

神经形态计算尚没有统一定义，不同技术路线之间也存在明显差异，但共同点都在于借鉴神经元、突触以及生物神经系统的信息处理方式。

Knoll特别强调了生物大脑的两个特点。首先是计算与记忆高度关联，传统计算系统需要在计算单元和存储单元之间频繁搬运数据，而在生物神经系统中，计算和记忆联系得更加紧密。

另一个更重要的特点是事件驱动。人脑并不会让所有神经元持续不断地交换信息。只有事件发生时，相应神经元才会通过脉冲传递信号；没有事件时，则不需要持续进行信息通信。

Knoll认为，这种运行方式是生物大脑能够以较低功耗完成复杂任务的重要原因之一。

神经形态计算试图把类似机制带入芯片。大量神经形态系统采用脉冲神经网络，让信息通过脉冲在神经元之间传递，并在事件发生时触发通信，以减少持续的信息交换。

机器人恰好需要长期处于与环境交互的闭环中：感知外部环境、作出判断、执行动作，再根据新的反馈调整下一步行为。

Knoll曾深度参与欧盟为期十年的“人类大脑计划”。十多年前，他的团队已经尝试让神经形态设备进入机器人控制闭环，开发出模拟人体上半身骨骼动力学的仿生机器人，并通过神经形态控制器实现自学习闭环控制。

Knoll称，据其团队所知，这是最早进入实际实验的神经形态机器人闭环控制系统之一。

但十多年后，当人形机器人重新成为产业热点，问题已经不再只是神经形态计算能否用于机器人，而是：感知、运动和复杂推理中，哪些环节更适合率先采用类脑架构？

02

类脑计算，

先从感知而非「大脑」 开始

圆桌讨论很快收束到一个更现实的方向：神经形态计算并不需要整体替代现有AI系统，而是先进入更适合它的计算环节。

辉羲智能创始人兼CEO徐宁仪认为，当前机器人正在从较简单的“感知—决策—执行”链路，走向“分层、异步、自学习”的复杂计算系统。

按照这一思路，System 0负责运动，System 1负责从感知到操作之间的快速链路，System 2承担更慢、更复杂的思考和问题解决。不同层级承担不同任务，系统也不必让所有计算过程始终同步进行。

徐宁仪认为，这种分层解耦可以减少重复学习：运动能力一旦掌握，进入新场景后不必从头训练；视觉到动作的链路稳定后，也不需要每次重新理解整个世界，从而降低训练和部署阶段的数据需求。

但分层之后，为什么偏偏是System 0和System 1更适合类脑计算？

沐曦AI研究院院长李兆石从计算机体系结构角度给出了解释。他引用“计算本身成本很低，数据搬运成本更高”这一观点，指出相比计算过程本身，数据在不同存储与计算单元之间的传输往往才是更昂贵的部分。

李兆石认为，在GPU计算过程中，相当一部分功耗花在数据搬运上。数据需要从网络、内存等位置不断进入计算单元，因此，过去20年间学术界探索类脑架构、存内计算等技术，一个重要目标就是减少这种搬运，让计算尽可能发生在数据所在的位置。

但传统数字计算与类脑计算擅长的任务并不相同。

数字计算通常适合相对稠密的计算任务；类脑系统则更擅长利用稀疏、事件驱动的信号。当大量信号并未被激活时，系统不必持续处理所有信息，由此降低能耗。

因此，李兆石认为，承担复杂思考任务的System 2仍然是传统数字计算更加擅长的领域，而System 0和System 1，包括传感器感知以及部分较简单的VLA任务，更具有类脑计算的应用潜力。

触觉就是一个典型例子。

以视触觉传感为例，大量时间里并没有新的触觉信号被激活，但传统数字处理方式仍需要持续运行。对于这类信息天然稀疏、由事件触发的任务，类脑计算或者异步电路更容易体现降低功耗的优势。

英飞凌科技副总裁刘伟也提到，一些视觉、触觉和运动能力训练完成后，可以在新事件出现时直接调用，而不必重新训练完整技能，从而进一步减少数据和计算需求。

Knoll随后总结称，现场已经形成一定共识：神经形态计算最先值得尝试的位置，很可能是靠近传感器和预处理的环节。

这意味着，至少在现阶段，类脑计算并不是要整体替代现有大模型和数字芯片，而更可能先进入信息稀疏、事件驱动明显、又对功耗敏感的感知和低层控制任务。

03

当机器人走出实验室，

训练不再有终点

如果说低功耗解决的是机器人能不能长期运行，那么另一个问题是：机器人部署之后，能不能继续适应环境。

徐宁仪认为，这也是“可塑性”对机器人而言尤其重要的原因。现实中的机器人并非完全一致。即使是同一批产品，不同机器人的关节和执行部件也可能存在细微差异，最终一毫米的动作偏差，都可能影响实际执行结果。

更大的挑战来自环境。目前机器人较为成熟的能力，大量仍集中在固定场景、固定任务和固定对象。徐宁仪认为，机器人最终还需要走向开放场景、开放任务和任意对象，这意味着模型不能在训练结束后就完全固定，而必须具备部署后的持续调整能力。

因此，徐宁仪认为，自学习不仅是模型问题，也会对底层计算硬件提出新的要求。在实际部署中，他认为，底层硬件需要具备足够的可编程能力，以支持现场微调和真实环境中的强化学习。

与此同时，部署后的学习也不意味着把一个庞大的基础模型完整搬到机器人端侧。徐宁仪认为，可以继续沿用System 0、System 1和System 2的分层思路：针对具体场景和任务，对基础模型进行蒸馏或强化，再把相应能力部署到端侧执行。

换句话说，机器人的“学习”正在从一次性的模型训练，延伸到部署后的持续适应。

但要完成这种持续适应，只解决AI芯片本身还不够。刘伟指出，从感知到动作，机器人实际运行的是一个完整闭环：传感器获取环境信息，数据经过传输和处理形成控制指令，再由执行器完成动作。

因此，机器人能否实时调整，不只取决于计算性能，还取决于数据传输、通信协议、执行器响应以及整个系统的延迟。尤其是感知结果需要立即反馈到动作时，传感、计算和执行之间必须形成低延迟闭环。

这意味着，类脑计算进入机器人后，面对的也不会只是“一颗芯片如何设计”的问题，而是如何与传感器、执行器和通信系统共同组成完整的计算链路。

硬件之外，软件生态则是另一道门槛。

黑芝麻智能首席市场营销官杨宇欣认为，当前端侧AI芯片本身就需要在算力、带宽、面积、功耗和成本之间不断权衡。

杨宇欣以近存计算为例，认为通过增加片上存储、减少外部数据搬运，可以降低对带宽的依赖，在功耗、成本与算力之间寻找平衡。

但对新型AI芯片而言，硬件性能只是进入市场的第一步。当前AI软件生态很大程度建立在CUDA体系之上。对于非CUDA体系的AI芯片公司，模型能否适配、工具链是否易用、软件生态是否完整，都会直接影响芯片能否真正被开发者和客户采用。

杨宇欣认为，类脑计算未来同样绕不开这一问题：除了硬件架构继续演进，工具链和软件体系也必须同步成熟。

这也解释了为什么产业并不会等待一套完整的类脑计算体系成熟以后，再开始把它用于机器人。

杨宇欣提到，机器人产业与许多过去的技术产业不同，研究、研发和商业化几乎在同步进行。在模型训练阶段，机器人短期内仍然需要大量预训练数据和算力；进入具体场景后，再通过后训练和强化学习降低对真实数据的依赖。

对于商业公司而言，更现实的路线，是从类脑、近存计算等前沿技术中，先抽取已经具备明确边界、能够快速产品化的部分，再逐步放入现有系统。

因此，类脑计算与现有AI体系短期内并不是非此即彼。

这一点在人机交互问题上也表现得很明显。当Knoll追问神经形态计算是否会进一步改善人机交互时，徐宁仪认为，真正的主动交互还涉及预测、意图、记忆、仿真和双向协同，其复杂程度甚至可能超过当前模型和现有范式能够完整解决的范围。

杨宇欣则指出，记忆、多模型协同和Agent等现有技术已经能够实现一部分主动交互。对类脑计算而言，更现实的价值不是重新发明这些能力，而是以更低的成本和功耗，把已经能够实现的能力真正部署到机器人上。

从这个角度看，类脑计算需要解决的问题正在变得更加具体：既要让机器人在部署之后继续学习和适应，也要把这种能力放进一个低延迟、低功耗、软硬件能够协同工作的完整系统。

04

机器人落地，

不必等所有技术一起成熟

进入商业化阶段后，圆桌嘉宾的判断反而趋于一致：硬件可能先于软件成熟，半结构化场景可能先于家庭等开放环境落地，感知和低层任务也会早于更复杂的智能能力。

杨宇欣的判断相对谨慎。他认为，类脑芯片可能在3至5年内达到相对可接受的性能和成本水平，但软件生态的成熟需要更长时间，因此更完整的商业化可能需要5至8年。

在杨宇欣看来，芯片硬件成熟并不意味着商业化条件已经完备，工具链、模型适配和软件生态仍需要更长时间建立。

相比时间本身，李兆石更强调场景差异。在他看来，半结构化工厂可能在3至5年内实现较大规模部署，而家庭和服务业等开放场景可能需要5至8年。后者不仅需要应对更多长尾情况，还涉及更复杂的安全和伦理问题。

李兆石认为，半结构化工厂的任务边界更加明确，机器人可以先达到较高完成度，再通过实际部署中收集到的负样本进行强化学习。相比之下，家庭环境存在更多长尾、安全和伦理问题。

刘伟进一步解释了为什么“场景可约束”会加速硬件落地。在工厂等相对明确的环境中，传感精度、运动能力、扭矩、控制方式和功耗等硬件指标都更容易被定义，由此形成清晰的产品迭代路线。消费和商业场景更加碎片化，软件系统需要更长时间学习和适应。

徐宁仪则以自身实践为例称，相关机器人已经开始在部分半结构化工厂进入实际部署阶段，因此在他看来，工业场景的落地并非完全是3至5年后的预期。

但从局部部署走向更大规模，安全仍是必须解决的问题。徐宁仪尤其强调冗余设计：既可以使用不同规模的系统相互备份，也可以在主芯片之外配置更高安全等级和可靠性的芯片，或通过多套算法交叉验证，降低单一系统失效带来的风险。

圆桌最后，Knoll将这些判断归纳为一条相对明确的路径：神经形态计算可能首先看到硬件解决方案成熟，并从感知等较低层能力开始，逐渐向更复杂的智能功能延伸；嘉宾对更广泛市场成熟的判断，则大致集中在3至8年。

从整场讨论来看，神经形态计算并不是试图一次性替代现有AI计算体系，而是在寻找一条渐进的产业化路径：复杂、稠密的计算仍由传统数字系统承担，感知、预处理和低层控制等事件稀疏、功耗敏感的任务率先尝试类脑架构；场景上，则从边界明确的半结构化环境逐渐走向更加开放的应用。

如果未来人形机器人真正走向大规模部署，类脑计算最终需要证明的，也不只是能否提供一种新的芯片架构，而是能否以更低的成本和功耗，让机器人持续完成感知、学习和行动。

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。