WRC2026 | 别急着给机器人更强「大脑」，先补上更省电的神经系统

先说个背景。前几天在2026世界机器人大会上，我参加了“类脑智算，让机器人学会自主决策”的圆桌讨论。德国慕尼黑工业大学的Alois Knoll教授开场就抛了个挺扎心的问题：“如果未来全球真部署10亿到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？”

这个问题问到点子上了。以前咱们聊计算中心，比的是千万亿次浮点运算、百亿亿次浮点运算。现在再看，数据中心建设规模已经直接跟吉瓦级电力挂钩了。算力的度量衡从“Exaflops”变成了“Gigawatts”，这事儿本身就说明问题——AI的能耗已经成了硬约束。

更麻烦的是，AI一旦从数据中心走进实体世界，能源问题会被进一步放大。一台人形机器人要实时感知环境、做决策、控制全身关节，如果沿用现在这种高功耗计算模式，累计下来，能源需求绝对是个天文数字。

所以产业界开始认真考虑传统计算架构之外的另一种可能性——神经形态计算，也就是常说的类脑计算。

Knoll教授在开场时简单回顾了下历史。从一百年前的神经元观察，到欧洲“人类大脑计划”里那个被架构师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，再到今天试图接管数十亿人形机器人的运动中枢。这项技术穿越了漫长岁月，终于在具身智能时代迎来了自己的爆发前夜。

机器人大脑的效率，来自“不计算”

神经形态计算目前还没有统一定义，各家技术路线差异也挺大。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核心特点。

第一个是计算与记忆高度关联。传统计算系统得在计算单元和存储单元之间频繁搬运数据，冯·诺依曼瓶颈嘛，大家都懂。但在生物神经系统里，计算和记忆是紧密联系在一起的，没有明显的物理分离。

第二个特点更重要——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，就不需要持续进行信息通信。这种运行方式，是生物大脑能以极低功耗完成复杂任务的重要原因。

神经形态计算试图把这种机制搬进芯片。大量神经形态系统采用脉冲神经网络（SNN），让信息通过脉冲在神经元之间传递，在事件发生时触发通信，从而减少持续的信息交换。

为什么这事儿对机器人特别重要？因为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。这个闭环是持续运行的，如果每一步都消耗大量电力，长期运行根本扛不住。

Knoll本人深度参与过欧盟为期十年的“人类大脑计划”。十多年前，他的团队就已经尝试让神经形态设备进入机器人控制闭环，开发出了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。据他们团队所知，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。

不过十多年过去，当人形机器人重新成为产业热点，问题已经变了。现在不再是问“神经形态计算能不能用于机器人”，而是要搞清楚：在感知、运动和复杂推理这些不同环节里，哪些更适合率先采用类脑架构？

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徐宁仪提出了一个分层思路。他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。

具体来说，这个框架分三层：

• 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。这种分层解耦有个明显好处——减少重复学习。运动能力一旦掌握了，进入新场景后就不必从头训练；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。这样一来，训练和部署阶段的数据需求都能降下来。

但问题是，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了个解释。他引用了一个观点：“计算本身成本很低，数据搬运成本更高。”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。

这个说法在GPU上特别明显。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。所以过去20年间，学术界一直在探索类脑架构、存内计算这些技术，核心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。

但传统数字计算和类脑计算擅长的任务并不相同。数字计算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，功耗自然就降下来了。

所以李兆石的判断是：承担复杂思考任务的System 2，仍然是传统数字计算更擅长的领域；而System 0和System 1，包括传感器感知以及部分较简单的VLA（视觉-语言-动作）任务，更有类脑计算的应用潜力。

触觉就是个典型例子。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——这纯粹是浪费电。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出降低功耗的优势。

英飞凌科技副总裁刘伟也补充了一点：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，这也能进一步减少数据和计算需求。

Knoll最后总结说，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。

换句话说，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，而是先进入信息稀疏、事件驱动明显、又对功耗敏感的感知和低层控制任务。

当机器人走出实验室，训练不再有终点

低功耗解决的是机器人能不能长期运行的问题，但还有一个问题同样关键：机器人部署之后，能不能继续适应环境？

徐宁仪认为，这正是“可塑性”对机器人尤其重要的原因。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。但机器人最终需要走向开放场景、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。

这对底层计算硬件提出了新要求。徐宁仪认为，在实际部署中，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。

但部署后的学习，并不意味着把一个庞大的基础模型完整搬到机器人端侧。更合理的做法是继续沿用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。

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。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。

所以类脑计算进入机器人后，面对的不会只是“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。他以近存计算为例，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。类脑计算未来同样绕不开这个问题——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。

杨宇欣提到一个很有意思的现象：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。

类脑计算与现有AI体系短期内并不是非此即彼的关系。

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。

机器人落地，不必等所有技术一起成熟

聊到商业化阶段，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。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。

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。

为什么半结构化工厂能更快落地？因为任务边界更加明确。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，没法这么干。

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，说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。在他看来，工业场景的落地并非完全是3至5年后的预期，而是已经在发生的事。

但从局部部署走向更大规模，安全仍是必须解决的问题。徐宁仪特别强调了冗余设计：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，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，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。