类脑计算：机器人落地的新突破口

随着人工智能基础设施的不断扩张，一个显著的变化正在发生：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）”。数据中心建设规模越来越与电力挂钩，而当AI从数据中心走向物理世界，能源问题将被进一步放大。

在2026世界机器人大会的一场圆桌讨论中，德国慕尼黑工业大学教授Alois Knoll提出了一个尖锐的问题：“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？”

机器人大脑的效率，来自“不计算”

面对能源瓶颈，产业开始寻找传统计算架构之外的可能性，神经形态计算（即类脑计算）便是其中之一。类脑计算的核心理念是借鉴生物神经系统的信息处理方式，其两大特点是：计算与记忆高度关联，以及事件驱动。

传统计算系统需要频繁在计算单元和存储单元之间搬运数据，而生物大脑中计算和记忆联系紧密。更重要的是，人脑并不会让所有神经元持续交换信息，只有事件发生时，相应神经元才会通过脉冲传递信号。这种“不计算”的稀疏处理方式，正是生物大脑能以极低功耗完成复杂任务的重要原因。

Knoll教授曾深度参与欧盟为期十年的“人类大脑计划”，其团队早在十多年前就尝试将神经形态设备引入机器人控制闭环，开发出模拟人体上半身骨骼动力学的仿生机器人。这被认为是早期神经形态机器人闭环控制系统之一。

类脑计算，先从感知而非“大脑”开始

圆桌讨论的共识是：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徐宁仪提出，机器人正从简单的“感知—决策—执行”链路，走向“分层、异步、自学习”的复杂计算系统。他将系统分为三层：System 0负责运动，System 1负责感知到操作的快速链路，System 2承担复杂思考。这种分层解耦可以减少重复学习，降低训练和部署阶段的数据需求。

沐曦AI研究院院长李兆石则从计算机体系结构角度指出，在GPU计算中，相当一部分功耗花在数据搬运上。类脑系统擅长利用稀疏、事件驱动的信号，当大量信号未被激活时，系统不必持续处理所有信息，从而降低能耗。因此，承担复杂思考任务的System 2仍是传统数字计算的擅长领域，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，大量时间里没有新的触觉信号被激活，但传统数字处理方式仍需持续运行。对于这类信息天然稀疏、由事件触发的任务，类脑计算更容易体现降低功耗的优势。

机器人落地，不必等所有技术一起成熟

除了低功耗，机器人在部署后的持续适应能力同样关键。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要求。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。

英飞凌科技副总裁刘伟指出，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。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。

黑芝麻智能首席市场营销官杨宇欣则提醒，类脑计算未来绕不开软件生态问题。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，工具链是否易用、软件生态是否完整，直接影响芯片能否被开发者采用。

进入商业化阶段后，圆桌嘉宾的判断趋于一致：**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，但软件生态成熟需要更长时间。

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。类脑计算与现有AI体系短期内并不是非此即彼，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。