WRC2026：类脑计算或先于大模型，成为机器人低功耗感知的关键

事件概述

在2026世界机器人大会（WRC2026）“类脑智算，让机器人学会自主决策”圆桌会议中，来自学术界及产业界的专家就具身智能时代的算力瓶颈与解决方案展开讨论。核心观点认为，随着人形机器人向十亿级规模部署，能源消耗成为主要制约因素。神经形态计算（Neuromorphic Computing）凭借低能耗优势，正从边缘切入机器人系统，优先解决感知和低层控制问题，而非直接替代承担复杂推理的传统AI芯片。

核心信息

1. 算力度量衡的转变：从FLOPS到GW

德国慕尼黑工业大学教授Alois Knoll指出，当AI基础设施从数据中心延伸至实体世界，尤其是未来若部署10亿至100亿台人形机器人时，累计能源需求将变得难以承受。算力的衡量标准正从“百亿亿次浮点运算（Exaflops）”转向“吉瓦级功耗（Gigawatts）”。寻找传统计算架构之外的低功耗方案已成为产业刚需。

2. 类脑计算的核心优势：事件驱动与存算一体

• 生物启发机制：类脑计算借鉴生物神经系统，具有两大特点：
  • 计算与记忆关联紧密：减少数据在存储单元与计算单元之间的频繁搬运，降低数据传输带来的高昂能耗。
  • 事件驱动（Event-driven）：仅在检测到变化或事件时触发信号传递，无事件时保持静默，从而大幅降低持续通信的功耗。
• 适用场景：相比适合稠密计算的数字系统，类脑系统更擅长处理稀疏、事件驱动的信号。例如在触觉和视觉预处理中，大量时间处于无新信号激活状态，类脑架构能显著节省电力。

3. 分层架构下的分工：System 0/1 vs System 2

辉羲智能CEO徐宁仪提出机器人计算的分层解耦思路：

• System 0 & System 1（感知与快速反应）：负责运动控制和从感知到操作的快速链路。这些任务具有信息稀疏、对延迟敏感、需长期闭环交互的特点，是类脑计算的最佳切入点。
• System 2（复杂推理）：负责慢速、复杂的思考和解决问题。沐曦AI研究院院长李兆石认为，此类稠密计算任务仍由传统数字计算（如GPU）主导更为合适。

4. 落地路径：硬件先行，场景渐进

• 技术成熟度：黑芝麻智能杨宇欣预计，类脑芯片硬件可能在3-5年内达到可接受的性能成本水平，但软件生态（工具链、模型适配）成熟需5-8年。
• 场景优先级：
  • 半结构化工厂：任务边界明确，硬件指标易定义，预计3-5年内可实现较大规模部署。
  • 开放场景（家庭/服务）：涉及长尾问题、安全与伦理挑战，预计需要5-8年甚至更长时间。
• 持续学习：机器人部署后需具备适应环境变化的能力。通过分层架构，可在端侧进行针对具体场景的微调和强化学习，而无需重新训练庞大基础模型。

值得关注

• 非零和博弈：类脑计算并非要完全取代现有AI体系，而是作为补充，专注于低功耗、高实时性的特定环节。人机交互中的高级认知功能（如意图预测、多模态协同）短期内仍依赖现有大模型技术。
• 系统工程挑战：类脑芯片的落地不仅关乎芯片本身，还涉及传感器、执行器、通信协议的低延迟闭环协同，以及配套软件生态的建设。
• 安全性设计：在走向大规模部署过程中，冗余设计（如多芯片备份、算法交叉验证）对于保障机器人在开放环境中的安全性至关重要。