首页 / 资讯详情
WRC2026 | 别急着给机器人更强「大脑」，先补上更省电的神经系统
摘要
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