[智能应用]让AI更像人脑！复旦教授致力于“用最小能量实现最大智能” [复制链接]

当前，大模型竞赛正在比拼参数规模、堆叠算力成本，智能的未来，看似注定要伴随无限增长的能耗。然而，传统计算架构已逼近极限，ai电力消耗快速攀升，算力成本持续高涨。
这些困境正让研究者转向一条新的路径：借鉴生物神经系统的工作机制，以类脑计算探索ai的全新计算范式。
在这条前沿赛道上，复旦未来信息创新学院长聘教授、博士生导师邹卓的学术轨迹与类脑计算的发展脉络紧密交织。深耕智能芯片与系统领域二十余年，从脉冲信号处理到多核架构，从低功耗芯片到神经形态计算，他的研究始终围绕一个核心追问：如何用最小的能量，实现最大的智能。
如今，这一追问正从实验室走向产业。2025年，依托上海市类脑芯片研发与转化功能型平台的技术积累，团队孵化了企业脑智算芯（上海）科技有限公司。这是类脑研究成果落地的关键一步，专注以高能效芯片，解决当下ai推理的算力与能耗痛点。
1
“用最小能量实现最大智能”
类脑芯片，是一种借鉴人脑处理方法与机制的芯片，它通过模拟神经元与突触等行为，采用高并行、低功耗、事件驱动、稀疏激活等设计。与传统计算芯片架构不同，它能高效处理非结构化数据，是实现未来agi（通用人工智能）的关键硬件路径之一。
邹卓回国加入复旦大学后，2018年开始参与建设上海市类脑芯片与片上智能系统研发与转化功能型平台新氦类脑。作为国内首个类脑计算基础设施平台之一，平台承担着技术研发、成果转化和产学研生态构建的多重使命。在这里，他和团队完成了从基础理论到原型系统的全链条验证，为后续的产业化打下了坚实基础。
邹卓作为祖泉研究院类脑智能创新中心负责人，参加“高能级创新中心”发布仪式
q
“让芯片像大脑”，这是类脑计算最广为人知的比喻。但真正的类脑，到底在仿什么？是外形更像，还是运作方式更像？
邹卓：这是一个到底要追求“神似”还是“形似”的问题。虽然学术界在这方面还是一个开放问题，但是我还是坚持认为，类脑（brain-inspired）区别于脑科学的研究，就是通过脑启发去解决问题的探索。
2024年诺贝尔物理学奖得主john j. hopfield（左）和 geoffrey hinton（右）
2024年的诺贝尔奖，颁给了geoffrey hinton和john hopfield，以表彰他们在神经网络方面的贡献。而他们的工作，本质上都是受到了神经科学的启发。所以类脑计算，应该是不断地借鉴脑信息处理的机制，去实现更加聪明、高效的计算。
传统的人工神经网络（ann）就像一个永远亮着所有灯的房子，无论是否需要，所有神经元都在持续计算。而脉冲神经网络（snn）则像大脑一样，只有当有事件触发时，对应的神经元才会放电。这种事件驱动的计算方式，带来了数量级的能效提升。
q
为什么选择走上类脑芯片的研发之路？
邹卓：准确地说，走向类脑计算和类脑芯片，就像生物的逐渐进化，有前期研究的继承，更有环境变化的选择。
我不是从低功耗走向类脑，而是“如何用最小能量实现最大智能”这个问题，把我推向了类脑。当ai的发展遇到了“计算不够高效、模型不够聪明”的双重瓶颈，当传统架构的优化开始遇到极限，类脑计算不再是一个“随机选择”的前沿探索，而是一个需要被认真对待的解决当前问题的手段。
2
脑智算芯：类脑芯片的产业化实践
2025年6月成立的脑智算芯，正是为了将创新技术用“沿途下蛋”的方式突破转化为现实生产力。公司自主研发的neu1012se系列类脑大模型推理芯片，通过事件驱动的数据流设计、局部同步全局异步的稀疏激、分布式细粒度存储，将计算复杂度缩至传统方案的一半以下，同时模型性能逼近乃至超越主流ann。
通过“芯模算一体”的设计理念，脑智算芯与国内大模型头部企业达成联合研发战略合作，实现了模型算法与芯片架构的深度融合，硬件利用率最大化。目前，芯片已支持glm、千问、deepseek在内的多种主流大语言模型以及“瞬悉”类脑大模型的适配。
2026年5月，脑智算芯宣布完成由复旦科创与英诺天使基金联合领投的天使轮融资，资金将主要用于推进neu1012se系列芯片的研发与原型验证，加速类脑算力芯片从实验室走向大规模商业化部署。
q
类脑计算在打破agi的核心天花板中扮演的角色是什么？
邹卓：我们一直依赖硅基计算，无论是现在ai的scaling law还是早期的摩尔定律去逼近甚至超越碳基智能。但如果智能不完全等于计算，那这个路径本身，可能就有偏差。所以类脑计算的意义在于：让硅，开始像生命一样去工作、去演化。这可能才是——通向agi的真正路径之一。例如，如何实现持续学习、终身学习的能力；如何高效地模拟人类的记忆机制，解决灾难性遗忘的问题。
q
类脑芯片离真正的产业化落地，还有多远的路要走？最大的瓶颈是技术问题，还是市场牵引不足？
邹卓：现在的类脑计算正在处于一个从它的“早期科学研究”到“颠覆性技术”，到“产业创新”的发展的一个重要阶段。现在面临的两个方面的难题，一个是融入现有的智算生态的问题；另一方面是类脑整体技术的完备性的问题。当然，这些问题不是短时间能够解决的，所以回到当前问题，要从产业角度思考，先让类脑解决部分的问题。在这个过程中，要至上而下的找需求找到类脑的杀手级应用，另一方面要至下而上的发掘和适配类脑的颠覆性成果。
neu1012se系列芯片
q
从复旦教授、平台首席科学家到公司联合创始人，你认为最大的认知变化是什么？
邹卓：可能作为科研人员，重要的是要回答“能不能”的问题；而面对产业应用，需要回答的是怎么“能”，什么时候“能”。因为很多问题在实验室里是可以成立的，但只有放到产业环境里，才能知道它是否真正成立。
但同时，科学家做企业的鸿沟并没有想象中那么大。可以看到，当科学技术发展到今天，科学前沿和产业需求是如此的接近，或者说已经在一个交会点上了，我们正当时。
q
行业内普遍认为类脑计算的产业化拐点将出现在未来5到10年，并有望成为主流人工智能技术之一。这个判断是乐观还是保守？
邹卓：我觉得5-10年作为类脑智能产业化的拐点，是一个理性的答案，但是按照现有人工智能的发展速度，这一天可能会来得更快。
idc数据显示，2024上半年中国加速服务器市场规模达50亿美元，预计2028年将达到253亿美元，非gpu服务器市场份额有望提升至50%，这为类脑芯片提供了广阔的应用空间。
我们还是需要立足当先，建立良好的智算生态，解决当下agentic ai下tokens的成本和延时。先解决高效率计算，再突破持续学习和长程记忆等关键问题，最后走向agi，这是我们类脑计算规划的三步走路线。
3
从永生到共生，硅基智能与碳基智能的未来
ai时代为人类智能带来了全新的可能。从人工智能迈向类脑智能，不同的智能形态之间如何协同发展？
在邹卓看来，类脑智能和人工智能的关系并不是非此即彼的，而是一个协同发展、双向奔赴、共同演进的过程。它是brain-inspired computing for ai，而不是去replace ai。
q
ai for what？你的答案是什么？它如何通向agi？
邹卓：我的回答是ai for sustainability。agi不是工具，ai 的本质不是替代人的工具，而是扩展人类的认知边界。
q
ai 能够解决的问题的先后顺序是什么？
邹卓：从我们理性的商业需求来说，我们首先瞄准的是推理的问题，就是如何实现更低延时的tokens生成的问题，这是基于现有的市场需求和我们生态的共同建设来决定的。下一步我觉得要利用类脑的持续学习、在线学习，或者说高效地去实现记忆功能的能力，去解决现有transformer或者是scaling law下无法解决的问题，我认为这是第二步。同时我们也看到了智能体的协同发展，也会让类脑可能在具身智能、物理智能上得到广泛的应用。
q
ai可以设计下一代类脑芯片吗？
邹卓：ai可以极大的提高我们工作效率，例如我们在研发过程中，大量使用了ai agent来辅助开发，在基本的代码生成上可以做到了80%甚至90%的工作。而在我们的芯片验证以及芯片的架构探索上，也大量地用到agent作为我们的ai伙伴。这是一个完美的闭环，类脑计算让ai更高效，而更高效的ai又反过来加速类脑芯片的研发。
q
展望十年后的未来，你认为智能会拥有什么形态？
邹卓：我刚刚出国学习的时候，我所在的实验室就提了一个proposal，这个概念就叫永生（eternal life）。那时爱立信刚刚出了多媒体手机，能把照片、语音很好地记录下来，我们的实验室就提出能不能把这些信息全部存储起来，进行信息的处理整合，让一个人的思考、行为得到永生。
当时我觉得这个完全是科幻的剧情，但是你看最近发生的skills、 “小龙虾”可以蒸馏一位数字员工得到从而使其技能得到“永生”。有一篇nature文章复刻了果蝇的大脑，在虚拟化的一个平台上进行它的行动、认知、觅食的能力，其实这都是永生的一种形态。
nature封面通过9篇论文展示了首个果蝇大脑的完整连接组
硅谷公司「eon systems」已经成功实现了果蝇大脑的「全脑仿真」
那么我预言十年以后，我觉得智能的形态应该是人类的碳基智能和机器的硅基智能，通过更加接近生物的智能模型与硬件载体实现有机融合，达到“共生”的状态。
三五年之后，每个人都有一个小小的、甚至看不见（invisible）盒子，实现现在算力中心能够实现的一个任务，实现硅基的计算和碳基的智能无缝的融合。

复旦教授的“用最小能量实现最大智能”研究进展
复旦大学的教授们在追求“用最小能量实现最大智能”的道路上取得了显著的进展。这一研究方向旨在借鉴生物神经系统的机制，以类脑计算探索AI的全新计算范式。类脑芯片，作为一种借鉴人脑处理方法与机制的芯片，通过模拟神经元与突触等行为，采用高并行、低功耗、事件驱动、稀疏激活等设计，旨在实现高效处理非结构化数据的能力，成为实现未来AGI（通用人工智能）的关键硬件路径之一。

复旦教授的研究成果
低功耗人工智能研究：复旦大学的教授们在低功耗人工智能领域进行了深入研究，探索如何在有限的能源条件下实现高效的智能计算。他们的工作不仅有助于降低AI的能耗，也为解决当前AI技术面临的计算效率和能耗问题提供了新的思路。

类脑计算与芯片开发：复旦团队在类脑计算领域有着深厚的研究基础，他们开发的脑智算芯公司，致力于将创新的类脑计算技术转化为现实生产力。该公司自主研发的NEU1012SE系列类脑大模型推理芯片，通过事件驱动的数据流设计、局部同步全局异步的稀疏激发、分布式细粒度存储等技术，实现了计算复杂度的显著降低和模型性能的提升。

科学智能2.0时代的探索：复旦大学与上海科学智能研究院、无限光年联合发布“星河启智科学智能开放平台”，这是一个以科学家为中心的智能体原生全链路科学智能开放平台。平台提供覆盖高价值科学数据、开源科学模型、高效智算、干湿实验闭环、多智能体推理规划以及多学科众研等全栈基础设施，旨在打造科学智能2.0时代的“最强大脑”。

邹卓团队类脑计算产业化梳理：以仿生芯片破解AI高能耗困局，三步走落地通用智能
一、行业背景：传统AI算力瓶颈倒逼类脑路线崛起
当下大模型依靠堆参数、堆GPU算力实现性能提升，能耗、硬件成本持续暴涨，冯·诺依曼传统计算架构逼近能效物理上限。
人脑依靠稀疏脉冲、事件触发完成智能运算，能耗仅瓦级，远低于现有算力集群，类脑计算（神经形态计算）成为破解AI高耗能、迈向AGI的核心备选路线。
复旦邹卓深耕低功耗芯片、神经形态硬件二十余年，研究主线锚定：用最低能耗实现最高智能，依托上海新氦类脑平台完成技术沉淀，落地产业化公司脑智算芯。

二、类脑芯片核心原理：区别于传统GPU/ANN的仿生逻辑
1. 传统人工神经网络(ANN)：全连接全域激活，无论有无数据输入，全部单元持续运算，空耗大量算力与电力；
2. 脉冲神经网络(SNN+类脑芯片)：复刻人脑神经元-突触工作模式，事件驱动、稀疏激活、局部并行，只有收到信号才触发运算，能效较传统架构实现量级提升；
3. 技术定位：并非完全复刻人脑生理结构（不求外形形似，重在工作机理神似），以脑科学启发优化硅基硬件，是落地通用人工智能AGI关键硬件路径。
> 2024诺奖颁给Hopfield、Hinton，二人经典神经网络理论均源于脑神经启发，印证类脑路线底层科学性。

三、产业化落地：脑智算芯与NEU1012SE芯片落地进展
1、企业发展节点
2025年依托上海类脑芯片功能平台孵化脑智算芯（上海）科技；2026年5月完成复旦科创、英诺天使领投天使轮融资，资金用于NEU1012SE芯片迭代与规模化落地。
2、NEU1012SE产品核心优势
- 架构：事件驱动数据流+局部同步全局异步稀疏激活+分布式细粒度存储，计算复杂度降至传统方案一半以内，推理性能对标主流GPU/ANN架构；
- 芯模一体化：深度适配GLM、通义千问、DeepSeek及自研瞬悉类脑大模型，和国内头部大模型企业联合定制优化，最大化硬件利用率；
- 落地方向：主攻大模型推理场景，削减Token生成时延与算力成本，直击当前商用AI最迫切痛点。

3、产业落地三步走规划（邹卓团队落地路线）
1. 短期（当下）：聚焦大模型推理，依托类脑低功耗优势降低Token生成成本、缩短推理时延，切入现有智算产业链，在商用推理场景落地；
2. 中期：发挥类脑持续在线学习、仿生记忆优势，解决Transformer天然短板：灾难性遗忘、无法终身迭代，落地AI智能体(Agent)、具身智能；
3. 长期：依托仿生软硬件突破，循序渐进支撑AGI研发。

四、产业化现存瓶颈与行业周期判断
1. 两大落地难点
① 生态兼容：类脑硬件适配现有成熟算力生态难度高；
② 技术完备度：全栈软硬件、配套算法尚未完全成熟。
落地思路：自上而下挖掘刚需场景找杀手级应用+自下而上迭代类脑原生技术，先单点落地细分领域，再规模化渗透。
2. 产业拐点预判
行业普遍预判5～10年迎来类脑产业化拐点，邹卓持乐观观点：伴随AI算力成本压力持续上行，落地速度或将快于预期；IDC数据佐证：非GPU加速服务器份额持续抬升，为类脑芯片预留巨大市场空间。

五、科研转产业的思维转变
- 高校科研：聚焦“技术能不能实现”；
- 产业化创业：聚焦“产品何时落地、怎么落地、如何商业化”；
前沿科研与产业需求高度交汇，是类脑技术快速转化的时代窗口。

六、未来智能演进：碳基-硅基从分立走向共生
1. 短期3-5年：微型化类脑硬件普及，小型便携算力终端替代部分大型算力中心，普通人可配备轻量化智能硬件，实现碳基人脑与硅基算力就近协同；
2. 远期十年：
- 技术佐证：果蝇全脑完整连接组仿真落地、数字人技能永生技术落地，脑信息数字化从科幻走向现实；
- 终极形态：碳基人类智能+硅基类脑智能有机共生，类脑不是取代现有AI，而是作为补充拓展人类认知边界，践行「AI for sustainability（服务可持续发展）」的终极方向；
3. 研发闭环：AI Agent反向赋能类脑芯片设计，辅助代码编写、架构仿真与验证，大幅缩短芯片研发周期，形成「类脑提效AI→AI加速类脑迭代」正向循环。

七、核心总结
类脑计算跳出单纯堆算力的AI发展定式，以仿生硬件解决算力能耗痛点；从复旦实验室原型，到脑智算芯商用推理芯片落地，国内类脑已迈入科研→商业化落地过渡期，未来优先从大模型推理切入市场，逐步向具身智能、通用人工智能延伸，重构下一代智能硬件产业格局。