一个成年人脑的功耗，大约只有20瓦。

 

　　与之形成鲜明对照的，是参数规模和算力需求仍在不断攀升的人工智能。模型越做越大，芯片越来越强，数据搬运、能耗、泛化和持续学习能力，却逐渐成为新的瓶颈。当“堆数据、堆算力”的路线走到新的关口，能否重新向大脑寻找答案？

 

　　9月13日，在2026浦江创新论坛专题论坛——类脑智能未来产业前沿论坛暨第二届神经形态光子学国际会议上，来自不同领域的专家，共同指向一个问题：下一代智能，能否像大脑一样，更高效地感知、学习和适应真实世界？

 

　　论坛上，上海市神经形态光计算与边缘智能重点实验室揭牌。论坛还联动2026年“创·在上海”国际创新创业大赛，首次在类脑智能专业赛道设置类脑光电系统开发赛题，并为优秀青年科研团队和创新创业项目颁奖；来自中国大陆、中国香港、新加坡的青年人才围绕光学技术在类脑智能产业中的技术价值、发展瓶颈和产业化落地路径展开圆桌讨论；多家类脑智能企业集中展示感知与计算领域的前沿成果。

 

　　给智能打开新的“感知入口”

 

　　智能首先要获得信息。对于类脑智能而言，这个过程一头连接着人类对生命和大脑的观察，另一头也在推动机器感知世界的方式发生变化。

 

 

　　“生命实际上是细胞运动起来产生的行为。”中国工程院院士、清华大学信息科学技术学院院长戴琼海在上午的主旨报告中，用一句话将显微成像面临的问题充分概括。

 

　　过去的显微镜不断追求把一个细胞“拍得更清楚”，但对于生命科学而言，一张清晰照片远远不够。细胞什么时候移动？肿瘤细胞何时开始转移？免疫细胞怎样聚集？药物进入体内以后，不同细胞如何响应？这些过程都要求显微镜不仅看得清，还要看得广、看得快、看得足够久。

 

　　戴琼海团队十余年来发展的介观活体荧光显微成像系统，正是在不断扩大人类观察生命活动的时空尺度。而随着成像时间从瞬间走向数小时甚至更长，新的问题又出现了——产生的海量影像已经不可能完全依靠科研人员逐帧查看。

 

　　“科学家是看不过来的，因此是用机器来看。”在戴琼海看来，AI正在进入显微成像系统，帮助科研人员从漫长的动态影像中寻找真正发生细胞交互、神经活动和病理变化的关键时刻。

 

　　看清楚只是第一步。戴琼海介绍，团队正在研究全脑神经细胞之间是怎样连接的，这些连接又各自起什么作用。这项研究有两个目标：第一个是脑智能，第二个是精准的脑机接口。在戴琼海看来，智能最重要的特点有两个：一是功耗低，二是有决策能力。这两点，大脑都做到了。弄清神经细胞怎样连接、怎样工作，人工智能才能真正向大脑学习，脑机接口也才能更加精准。由活体细胞构成的生命机制系统发现、动态疾病建模和精准制药，是未来生命智能的里程碑。

 

　　如果说戴琼海关注的是怎样让人类获得过去难以获得的生命信息，南非金山大学教授、南非科学院院士Andrew Forbes则把问题转向另一面：能不能让机器从一束光中获得更多信息？

 

　　Andrew Forbes从“智能结构光”切入。与普通光束相比，结构光可以利用空间模式、相位等维度承载更丰富的信息，而人工智能又可以帮助设计、识别和解码这些复杂光场。光由此不再只是照亮物体、把信息送往传感器的介质，本身也可以参与信息编码、感知乃至处理。

 

　　其团队的研究显示，即使光在传播过程中受到复杂环境扰动，经过特定方式编码的信息仍有可能被识别和恢复。对于未来智能系统而言，这意味着感知能力的提升，不一定只发生在算法层面，连信息进入机器的物理方式本身也可能被重新设计。

 

　　看见之后，怎样真正“学大脑”？

 

　　无论是把生命活动变成可以持续观察和计算的数据，还是让一束光携带更多信息，解决的都是智能的第一步：信息从哪里来。在智能获得信息之后，如何处理信息？清华大学类脑计算研究中心主任施路平将该问题进一步追溯到计算架构本身。

 

　　传统冯·诺依曼架构中，计算和存储相互分离，数据需要在处理器和存储器间反复搬运，由此带来能耗、速度和带宽瓶颈。相比之下，大脑的信息存储与处理高度融合，并以事件驱动的方式工作。

 

　　类脑计算寻找的，正是不同于传统计算的新路径。从脉冲神经网络、存算融合，到感知与计算结合，核心并不是“做一个电子脑”，而是从大脑的信息处理方式中抽象出新的计算原则。

 

　　北京大学教授林宙辰则把“向脑学习”进一步分成两个层次。在底层，人工智能可以借鉴脉冲神经元、事件驱动、局部学习等生物机制；在更高层，则可以研究人工智能内部形成的表征，与人脑执行感知、语言和推理任务时的神经活动究竟存在怎样的联系。

 

　　这种差距首先体现在学习方式上。林宙辰提到，人脑只需要大约20瓦的功耗，就能完成感知、语言和推理，还能从少量样本中持续学习；目前的大模型则高度依赖海量数据和离线训练，一旦进入新的任务和环境，适应能力仍有明显局限。换句话说，下一代人工智能要追赶的，不只是人脑“算得准”的能力，还有“学得快”“记得住”和“随时能学”的能力。

 

　　从类脑机制到算力底座，智能如何进入真实世界？

 

　　从实验室走向产业，光也正在从“传数据”进一步进入“做计算”。相比传统CMOS芯片依靠时钟控制一步步完成运算，光在芯片中传播的过程本身就可以承担部分计算，不需要频繁进行数据搬运，也有望降低由此产生的能耗。光本位科技研究院执行副院长蒲华楠介绍，随着AI模型不断扩大，单个芯片、单个计算节点已经越来越难独立承担任务，算力系统同时面临计算功耗和节点间互联带宽的压力。

 

　　离开实验室之后，智能能否在不断变化的真实世界里自主行动？具脑磐石创始人、CEO朱森华针对当前具身智能遇到的障碍指出，机器人不能只根据训练数据给出一个答案，还需要像人一样，在行动前对物理世界形成内部预测，在行动中根据环境变化不断修正判断。

 

　　新的算法和计算机制，需要新的硬件来承载。

 

　　

 

　　瑞士洛桑联邦理工学院（EPFL）教授Kirsten Moselund展示了一张当下AI硬件发展的图景：最新一代大型AI芯片已经集成约2000亿个晶体管，但计算能力持续增长的同时，存储和互联性能并没有同步提升。数据不断在计算单元和内存之间往返，形成越来越突出的“存储墙”。

 

　　Kirsten Moselund介绍的网络激光器，并不像传统激光器那样追求单一、稳定的输出，而是主动利用复杂光学模式之间的相互作用和非线性动力学完成信息处理。实验显示，这类光子系统在训练数据较少的任务中表现出了优势。

 

　　本次论坛以开放汇全球智慧，以协同促产研融合，在类脑智能与神经形态光子学的交汇点上，搭建起学术界、产业界、投资界深度对话的高水平平台。随着一批前沿成果加速走向应用一线，光子之智、类脑之能必将成为驱动未来产业变革的重要引擎，为上海（长三角）国际科技创新中心建设注入澎湃动能。

 

　　据悉，本次论坛由上海理工大学、类脑智能产业创新发展联盟承办。来自全球近10个国家和地区的高校院所、科研机构、领军企业、投资机构与媒体单位代表共200余人参会。