在近期于上海举办的一场聚焦类脑智能未来产业的高端论坛上，来自全球的顶尖专家齐聚一堂，共同探讨如何通过类脑芯片、认知世界模型构建以及神经形态光计算等前沿技术，推动人工智能向更高效、更智能的方向发展。与会者深入分析了当前人工智能在能效、持续学习及环境适应性方面存在的不足，并提出了多项创新解决方案。
清华大学类脑计算研究中心主任施路平指出，传统的人工智能发展模式主要依赖于海量数据的喂养和算力的不断提升，但这与人类大脑的高效节能、灵活适应新环境的能力相比，仍有显著差距。他强调，类脑计算不应仅仅局限于模拟单个神经元或开发新型芯片，而应构建一个涵盖基础理论、芯片设计、软件工具链、计算机系统及应用的全链条技术体系。施路平透露，清华团队研发的“天机”类脑芯片，正致力于实现传统人工神经网络与脉冲神经网络的融合，以探索更高效的计算模式。
北京大学教授林宙辰则从另一个角度阐述了类脑研究的两个层次：一是深入理解大脑的计算机制，如脉冲放电、局部学习及时间编码等；二是通过对比人脑与人工智能在解决同一问题时的内部表征，探索优化模型的方法。林宙辰团队的研究通过记录受试者完成逻辑推理题时的脑活动，并与大语言模型的解题过程进行对比，发现从脑活动中提取的关键信息能有效提升模型的推理准确率，最高可达13%。这一发现为利用脑信号优化人工智能模型提供了新的思路。
具脑磐石创始人朱森华则关注于具身智能的发展瓶颈，特别是视觉—语言—动作模型（VLA）在物理世界中的应用挑战。他认为，单纯依靠数据堆叠无法突破当前VLA模型的智能水平，必须构建类脑的世界模型，使机器人能够形成对环境、任务及自身状态的全面认知。朱森华团队正借鉴人脑的时空记忆、多层预测等机制，开发“认知世界模型”，旨在让机器人能够像人类一样理解世界，而非仅仅模仿动作。
在硬件层面，神经形态光计算被视为解决人工智能能耗问题的关键途径之一。随着摩尔定律逐渐触及物理极限，传统的电子计算方式面临严峻挑战。论坛期间，上海市神经形态光计算与边缘智能重点实验室的成立，标志着这一领域的研究迈出了重要一步。该实验室将聚焦于无人机、汽车及机器人等空间有限、能源受限的应用场景，探索神经形态光计算的实用化路径。
施路平团队在此方面也取得了初步进展，他们借鉴人类视觉系统的信息处理机制，尝试在感知端直接提取物体的轮廓、运动等关键信息，将光子快速转化为模型可用的有效数据，从而大幅降低数据传输和计算的能耗。这一研究为神经形态光计算的实际应用奠定了基础，也为类脑智能的发展开辟了新的道路。
