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，现有计算架构能否支撑其能源需求？”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”圆桌会议上提出了这一关键问题。
随着 AI 基础设施的扩张，算力度量衡正从“百亿亿次浮点运算（Exaflops）”转向“吉瓦级功耗（Gigawatts）”。当 AI 从数据中心走向实体世界，能源瓶颈将被进一步放大。Knoll 判断，若人形机器人实现十亿级部署，沿用当前高功耗计算模式将难以为继。产业亟需寻找传统架构之外的新路径，神经形态计算（类脑计算）因此成为焦点。
从早期的神经元观察到欧洲“人类大脑计划”，再到如今试图接管人形机器人的运动中枢，这项历经百年沉淀的技术，终于在具身智能时代迎来了爆发前夜。
01 机器人大脑的效率，来自「不计算」
尽管神经形态计算尚无统一定义，但其核心共识在于借鉴生物神经系统的信息处理机制。Knoll 强调了生物大脑的两大特征：
首先是存算一体。传统计算系统需在计算单元与存储单元间频繁搬运数据，而生物神经系统中计算与记忆高度耦合，大幅降低了能耗。
其次是事件驱动。人脑并非让所有神经元持续交换信息，仅在事件发生时通过脉冲传递信号。这种机制是生物大脑以低功耗完成复杂任务的关键。
神经形态计算试图将上述机制引入芯片，利用脉冲神经网络（SNN）在事件触发时通信，减少无效信息交换。这恰好契合机器人长期处于“感知 - 判断 - 执行 - 反馈”闭环的需求。
Knoll 团队曾深度参与欧盟“人类大脑计划”，早在十多年前便开发出模拟人体上半身动力学的仿生机器人，实现了基于神经形态控制器的自学习闭环控制。这是最早进入实际实验的神经形态机器人系统之一。
如今，当人形机器人成为产业热点，核心问题已转变为：在感知、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
圆桌讨论达成共识：神经形态计算无需整体替代现有 AI 系统，而是应优先进入最适合的计算环节。
辉羲智能创始人兼 CEO 徐宁仪指出，机器人计算系统正从简单的“感知—决策—执行”链路，演变为“分层、异步、自学习”的复杂架构。其中，System 0 负责运动，System 1 负责感知到操作的快速链路，System 2 承担复杂的思考与问题解决。这种分层解耦能减少重复学习，降低训练和部署的数据需求。
为何 System 0 和 System 1 更适合类脑计算？沐曦 AI 研究院院长李兆石从体系结构角度解释：数据搬运成本远高于计算本身。在 GPU 计算中，大量功耗消耗在数据从内存到计算单元的传输上。类脑架构与存内计算的目标，正是让计算发生在数据所在位置，减少搬运。
传统数字计算擅长稠密任务，而类脑系统更适应稀疏、事件驱动的信号。当大量信号未被激活时，系统无需持续处理，从而显著降低能耗。因此，承担复杂推理的 System 2 仍由传统数字计算主导，而涉及传感器感知及部分简单 VLA 任务的 System 0 和 System 1，更具类脑计算潜力。
以视触觉传感为例，触觉信号天然稀疏且由事件触发，传统数字处理方式需持续运行，而类脑计算或异步电路在此场景下能效优势明显。
英飞凌科技副总裁刘伟补充道，视觉、触觉和运动能力训练完成后，可在新事件中直接调用，无需重新训练完整技能，进一步减少算力需求。
Knoll 总结称，现场已形成明确共识：神经形态计算最先落地的位置，将是靠近传感器和预处理的环节。现阶段，它并非要替代大模型和数字芯片，而是专注于信息稀疏、事件驱动明显且对功耗敏感的感知与低层控制任务。
03 当机器人走出实验室，训练不再有终点
低功耗解决了机器人“能否长期运行”的问题，而“可塑性”则决定了机器人部署后能否持续适应环境。
徐宁仪强调，现实中的机器人存在个体差异，且面临开放场景、任务和对象的挑战。这意味着模型不能在训练结束后固定不变，必须具备部署后的持续调整能力。自学习不仅是算法问题，更对底层硬件的可编程性提出新要求，以支持现场微调和强化学习。
这种持续适应并非将庞大基础模型完整搬至端侧，而是沿用分层思路：针对具体场景对基础模型进行蒸馏或强化，再部署至端侧执行。换言之，机器人的“学习”已从一次性训练延伸至全生命周期的持续适应。
然而，实现持续适应不仅依赖 AI 芯片。刘伟指出，机器人运行是一个包含传感器、数据传输、控制指令及执行器的完整闭环。实时调整能力取决于整个系统的延迟，尤其是感知到动作的低延迟反馈。因此，类脑计算需与传感器、执行器和通信系统协同，构建完整的计算链路。
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指出，当前端侧 AI 芯片需在算力、带宽、功耗和成本间权衡。近存计算可通过增加片上存储减少数据搬运，寻找平衡点。但硬件性能只是第一步，非 CUDA 体系的芯片面临模型适配、工具链易用性及生态完整性的挑战。
杨宇欣认为，类脑计算的未来同样依赖工具链和软件体系的成熟。这也解释了为何产业不会等待体系完全成熟后再应用，而是采取渐进路线：从前沿技术中提取具备明确边界、可快速产品化的部分，逐步融入现有系统。
在人机交互方面，徐宁仪认为真正的主动交互涉及预测、意图和双向协同，复杂度极高。杨宇欣则指出，类脑计算的价值不在于重新发明这些能力，而是以更低的成本和功耗，将现有能力真正部署到机器人上。
综上，类脑计算的目标更加具体：既要支持部署后的持续学习，又要将其融入低延迟、低功耗、软硬件协同的完整系统中。
04 机器人落地，不必等所有技术一起成熟
进入商业化阶段，嘉宾判断趋于一致：硬件可能先于软件成熟，半结构化场景先于开放环境落地，感知和低层任务早于复杂智能。
杨宇欣预估，类脑芯片可能在 3 至 5 年内达到可接受的性能和成本水平，但软件生态成熟需更久，完整商业化或需 5 至 8 年。李兆石则强调场景差异：半结构化工厂可能在 3 至 5 年内实现大规模部署，而家庭和服务业等开放场景需 5 至 8 年。后者面临更多长尾情况及安全伦理问题。
刘伟解释道，工厂等明确环境中，硬件指标更易定义，产品迭代路线清晰；而消费和商业场景碎片化，软件系统需更长时间适应。徐宁仪透露，相关机器人已在部分半结构化工厂进入实际部署阶段，工业场景落地快于预期。
从局部部署走向规模化，安全是关键。徐宁仪强调冗余设计的重要性，如多系统备份、高可靠性芯片配置或多算法交叉验证，以降低单一系统失效风险。
Knoll 最后归纳出一条清晰路径：神经形态计算将率先在硬件层面成熟，从感知等低层能力起步，逐渐向复杂智能延伸；广泛市场成熟期预计在 3 至 8 年。
纵观全场，神经形态计算并非试图一次性替代现有 AI 体系，而是在探索一条渐进的产业化路径：复杂稠密计算仍由传统数字系统承担，感知、预处理和低层控制等任务率先尝试类脑架构；场景上，从边界明确的半结构化环境逐步走向开放应用。
若未来人形机器人真的大规模部署，类脑计算最终需要证明的，不只是提供一种新芯片架构，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。