十亿台人形机器人要多少电？专家：类脑计算先补感知和低层控制

算力度量衡正在改变

“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。

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？

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。

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。