人工智能正把人类带入一个“算力加速”的时代。从大模型训练到推理，从云端数据中心到各类终端设备，AI的能力边界每拓展一步，对计算资源的消耗就随之迈上一个台阶。“如果未来有数十亿乃至上百亿高度依赖人工智能的人形机器人，所产生的功耗将远超地球的承载力。”德国慕尼黑工业大学教授Alois Knoll表示。当算力成本与能耗压力成为具身智能发展亟需面对的现实瓶颈，具身智能真正缺的，也许不是更大的模型，而是一种更高效、节能的计算范式。

人脑即是最佳的参照物——并不拥有超大算力，却能以极低的能耗完成感知、推理、学习、行动等复杂任务。正如人形机器人长期追求躯体形态的拟人化，具身智能行业也从未停止探索构建类人脑结构的机器人“大脑”。

类脑智能的效率，如何提升？

“神经形态有多种定义，但其核心共性都围绕神经元、突触以及神经通路展开。”Alois Knoll介绍了类脑智能背后的原理。他表示，生物大脑的核心特征之一，在于计算与存储的高度融合，二者并非相互独立的模块，而是深度融合在神经网络的结构之中；另一个特点在于独特的信息传递方式——通信是由事件驱动的，而非持续不间断的，由此节约了大量能耗。

其中，很大一部分成本的节约来自数据环节。沐曦AI研究院院长李兆石指出，行业内存在一个公认的观点，“Computer is cheap, data movement is expensive”，即在实际的GPU计算过程中，计算的功耗占比很小，90%到99%的功耗来自把数据搬到计算单元旁边的过程。他表示，探索类脑架构的价值正在于让计算也能像人脑一样发生在数据保存的地方。

然而，两者也存在差异性。人脑可以在不需要传递信息时休眠，但机器人“大脑”的计算通路需要在80%以上的时间中都处于运行状态，才能维持较高的计算效率。参考人脑架构，结合现实需求，辉羲智能创始人兼CEO徐宁仪指出，具身智能计算正从相对简单的“感知-决策-执行”链路，逐渐走向分层、异步、自学习的复杂系统，未来不同层级将分别承担不同任务。例如，系统0专注于运动，系统1负责从感知到操作之间的快速链路，系统2则完成慢思考任务，共同构成完整的智能系统。他进一步表示，分层的价值，在于让不同能力各司其职。不同层级之间相互协同，既可以减少重复训练和数据需求，也让机器人能够根据个体差异和现场环境持续学习与适应。

智元机器人搭载辉羲智能具身智能芯片R1 Max

英飞凌科技副总裁刘伟则认为，关键在于把各类传感信号汇总接入系统，实现技能的沉淀与复用，以运动控制为例，整套运动逻辑都可以提前训练完成，后续只需针对具体目标的差异性做高层的模型微调，“未来遇到触发事件、产生神经脉冲时，可以直接调用已训练完成的技能，无需重新训练，从而降低整体的数据需求量”。

全生态的演进，何时跟上？

类脑智能的另一重意义，是赋予机器人更大的“可塑性”。当前机器人的能力大多局限在固定场景、固定任务、固定对象，但产业最终的目标，是让机器人走向开放场景、处理开放任务、适配任意对象。这意味着，机器人的必须具备部署后的持续学习与调整能力。如果说低功耗解决的是机器人“能不能用起来”的问题，那么“可塑性”解决的就是机器人“能不能越用越好”的问题。

在徐宁仪看来，可塑性不只是算法模型的问题。当智能被拆分到不同层级，底层计算面对的问题也随之改变：既要支撑高频、低延迟的运动控制，也要承接VLA、世界模型等复杂推理任务；既要处理多模态数据，也要支撑机器人在真实环境中的持续反馈与学习。算法与系统形态的演进，也在反向定义芯片与计算平台。

黑芝麻智能公司首席市场营销官杨宇欣认为，可塑性的意义是很多人愿意用。他表示，类脑架构下的硬件性能需要持续演进，工具链与软件体系也必须同步构建。在硬件层面，当前，端侧推理芯片面临的主要挑战是如何平衡带宽和成本，努力在有限的成本和功耗下提供更好的算力。在软件层面，所有AI芯片公司都需尽力完善工具链体系。他表示，“机器人是一个单价类似于车，数量类似于手机的产品，单价还是偏高。”对类脑计算而言，最重要的是以更低的成本和功耗，把已经在模型上实现的能力部署到机器人上。

黑芝麻智能SesameX™Aura多任务执行机器人通用计算平台模组

研发和商业化同步，三五年落地？

针对产业何时落地问题，3-5年被普遍认为是一个重要的时间节点，而场景差异和产业链成熟度成为具备决定性的两大因素。在杨宇欣看来，机器人产业与许多过去的技术产业不同，研发和商业化几乎在同步进行。类脑芯片成熟可能更快，而软件生态系统需要更长时间。“虽然大家觉得软件迭代速度比硬件快，但是从技术的成熟来讲，硬件比软件会更快，可能3到5年就会有一个相对可以接受的性能和成本的芯片，但是工具链和软件体系的成熟需要更长时间的考验。”他表示。

沐曦股份与优必选共研具身智能端侧芯片

刘伟进一步表示，只要硬件层面形成统一的标准体系，明确所需的感知精度、运动能力水平、交互要求等，就能大幅加快推进速度。但软件层面，尤其是在消费等高度碎片化的场景中，系统的学习与适配需要更长的周期。

李兆石则从场景分化角度指出，半结构化的工厂环境可能先于服务业和家庭场景落地，适用于工厂的机器人在3-5年内即可实现大规模部署。而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。