類腦智能的起源與探索

小鵬汽車工廠

類腦智能更強調對大腦“生物硬件”和“神經計算邏輯”的模仿，追求更接近人類的“高效、低能耗、通用化”智能。

幾年前，所謂的人工智能只能進行簡單的對話。隨著科技的發展，ChatGPT、DeepSeek的出現，讓人們真正體會到人工智能時代的到來。使用者無論提出什么問題，人工智能都能夠給出所需要的答案。人工智能在飛速發展并且已經演變成為全球都在爭奪的科技高地。

但是傳統的人工智能更多的是依賴數據驅動和算法優化，受限于數據、算法以及基礎硬件的算力。為了進一步突破對應的限制，20世紀80年代末，卡弗·米德提出了類腦計算的概念。他希望擺脫傳統的計算模式，通過模仿人類神經系統的工作原理，開發出快速、可靠、低耗的運算技術。隨著學科的發展、科技的進步，類腦計算逐步演化為類腦智能。

類腦智能（Brain-Inspired Intelligence）是一門融合腦科學、神經科學、計算機科學、人工智能等多學科的交叉領域，其核心目標是通過模擬人類大腦的結構、功能和工作機制，構建具有類腦認知能力（如學習、記憶、推理、自適應、容錯性等）的智能系統。類腦智能更強調對大腦“生物硬件”和“神經計算邏輯”的模仿，追求更接近人類的“高效、低能耗、通用化”智能。

類腦智能的發展進化

類腦智能的早期探索主要是對人類大腦的模仿。19世紀之前，科學界對大腦結構的認知一直停留在“網狀理論”，認為大腦是由連續的“神經網”構成的。直至1891年德國解剖學家威廉·瓦爾代爾（Wilhelm Waldeyer）基于卡哈爾的實驗，正式提出“神經元學說”：大腦的基本結構與功能單元是神經元，而非連續的神經網；每個神經元都是獨立的細胞，信息通過神經元之間的“接觸”而非“融合”傳遞。而獨立的神經元之間如何傳遞信息，則由英國生理學家查爾斯·謝靈頓在1897年提出了神經元之間的功能連接位點為“突觸”。

隨著人腦的基本結構（神經元）以及傳遞方式（突觸）逐漸被認識，為了實現對人類大腦的模仿，科學家對神經元功能在數學上進行了抽象概括。1943年，麥卡洛克與皮茨提出的“麥卡洛克-皮茨模型”，標志著類腦探索從“生物觀察”正式邁入“人工模擬”階段，這個模型首次將生物神經元的“興奮-抑制”行為轉化為二進制邏輯運算。該模型將神經元抽象為閾值邏輯單元：當輸入信號加權和超過閾值時輸出1（激活），否則輸出0（抑制），成功模擬了與、或、非等基礎邏輯功能。

麥卡洛克（左）與皮茨（右）

這一突破不僅證明簡單神經元網絡可實現計算功能，更搭建了神經科學與計算機科學的第一座橋梁，為后續連接主義AI奠定了理論基石。但MP模型的局限性同樣顯著——它完全忽略生物神經元的時間動態特性（如動作電位的傳播延遲）和離子通道機制，是一種靜態的“邏輯骨架”，無法模擬大腦對時序信號的處理能力。

真正為類腦模型注入“生物血肉”的是1952年艾倫·霍奇金（Alan Hodgkin）與安德魯·赫胥黎（Andrew Huxley）提出的 HH模型。通過槍烏賊巨軸突實驗（軸突直徑達1毫米，便于電極測量）和電壓鉗技術，兩人首次揭示了神經元脈沖（動作電位）產生的離子通道機制，并以四個非線性微分方程定量描述這一過程：靜息狀態下，細胞膜對鉀離子的高通透性形成-70mV的靜息電位；當刺激使膜電位去極化至閾值（約-55mV）時，鈉離子通道快速開放導致膜電位驟升（上升相），隨后鉀離子通道延遲開放使電位回落（下降相），最終恢復靜息狀態。

HH模型的革命性在于，它將神經元的“全或無”脈沖從抽象邏輯還原為可計算的物理化學過程，首次證明神經元是具備動態信息處理能力的“精密器件”，其時序編碼（如首脈沖時間）比單純的頻率編碼更接近生物腦的工作模式。這一發現直接推動類腦模型從“靜態數值計算”向“動態脈沖處理”轉型，為后續脈沖神經網絡（SNN）的發展提供了生物物理基礎。

1957年，弗蘭克·羅森布拉特（Frank Rosenblatt）在MP模型基礎上提出感知機，開創了可訓練人工神經網絡的先河。感知機引入監督學習機制：通過“誤差修正規則”動態調整突觸權重——若模型輸出與真實標簽不一致，權重會沿誤差減小方向更新（如增強對正確分類有貢獻的特征權重）。1959年，羅森布拉特進一步開發“MarkI感知機”硬件，用光電管模擬視網膜、繼電器模擬神經元，成功實現簡單圖像分類（如區分“左”“右”標記卡片），美國海軍甚至將其稱為“第一臺能擁有人類思想的機器”。但感知機的致命缺陷很快暴露：它僅能處理“線性可分”問題，無法解決“異或（XOR）”這類非線性任務。

感知機的缺陷被發現，催生出了自適應線性元件。1960年，伯納德·威德羅（Bernard Widrow）與馬西安·霍夫（Marcian Hoff）提出Adaline，將輸出從“二進制分類”改為“連續值回歸”，更貼近生物神經元的膜電位動態；同時引入最小均方（LMS）算法，通過梯度下降最小化預測值與真實值的平方誤差。Adaline的突破在于工程實用性——它首次被用于電話線路回聲消除等真實場景，證明類腦模型可脫離實驗室解決工業問題。更重要的是，其“誤差驅動權重調整”思想為后續“超越感知機”的算法革命埋下伏筆。

1986年，杰弗里·辛頓（Geoffrey Hinton）等人在《自然》發表論文，提出反向傳播（BP）算法，徹底突破感知機的線性局限。BP算法通過“前向計算輸出-反向傳播誤差-逐層調整權重”的機制，實現了多層神經網絡的訓練，解決了異或等非線性問題。BP算法的出現標志著類腦智能從“線性學習”進入“深度學習”時代，為1998年LeNet（手寫數字識別）、2012年AlexNet（ImageNet分類）等里程碑成果奠定了算法基礎。

與此同時，另一支研究團隊沿著HH模型的生物真實性路徑，開展早期SNN模型探索。1970—1980年代，研究者為降低HH模型的計算復雜度（需實時求解微分方程），提出了一系列簡化模型：如積分-發放模型（IF）忽略離子通道細節，僅模擬膜電位的積分過程；漏電積分-發放模型（LIF）進一步加入膜電位的自然衰減，更貼近生物神經元的靜息特性。這些早期SNN模型雖簡化了生物機制，但保留了脈沖發放的時序特性，為后續神經形態硬件的開發提供了算法原型。

算法需要通過硬件來實現，算法的進步更需要硬件的支持。傳統馮·諾依曼架構（存儲-計算分離）的高功耗瓶頸，促使類腦智能向“生物啟發式硬件”轉型。這一轉型的推動者是加州理工學院教授卡弗·米德（Carver Mead）——他在20世紀80年代提出神經形態工程（Neuromorphic Engineering）理念，主張“用硬件直接復現大腦的存算一體與事件驅動特性”。

米德發現，生物腦僅在神經元發放脈沖時消耗能量（靜息功耗極低），且通過數十億神經元的并行協作處理信息，這與傳統計算機“指令串行執行、數據頻繁搬運”的高功耗模式形成鮮明對比。基于這一認知，他帶領團隊用CMOS（互補金屬氧化物半導體）技術構建“硅神經元”與“硅突觸”。1984年，米德團隊開發的硅視網膜芯片首次實現生物視覺系統的硬件模擬——芯片中的硅感光單元模擬視網膜光感受器，硅神經元通過脈沖編碼實現邊緣檢測，其功耗僅為同功能傳統芯片的1/100，證明了神經形態硬件的能效優勢。

神經形態工程的理念在2014年IBM TrueNorth芯片上得到規模化驗證。該芯片集成4096個神經形態核心，每個核心包含256個硅神經元和6.5萬個硅突觸，采用異步事件驅動架構，功耗僅70毫瓦（約為傳統GPU的1/1000），可實時處理視頻流與語音信號。TrueNorth的設計直接繼承了米德的“存算一體”思想——將突觸權重存儲在核心本地SRAM中，避免數據搬運；通過脈沖編碼（如脈沖密度編碼、時序編碼）實現信息傳遞，完全脫離馮·諾依曼架構的束縛。

真正顛覆類腦硬件范式的是憶阻器（Memristor）的發明。2008年，HP實驗室研究團隊在《自然》發表論文，首次實驗驗證了蔡少棠教授1971年預測的“第四種基本電路元件”——憶阻器。這種兩端口器件的電阻值可通過施加電壓脈沖動態調整，且斷電后能保持電阻狀態，完美模擬生物突觸的“權重記憶”特性（如Hebb規則中的“同時激活連接增強”）。憶阻器的核心優勢在于存儲與計算的原生集成：傳統芯片需在內存與CPU間頻繁搬運數據（馮·諾依曼瓶頸），而憶阻器可直接在存儲單元中完成計算（如權重乘法），大幅降低功耗與延遲。基于憶阻器的交叉陣列（Crossbar Array）結構，進一步將類腦硬件的能效與并行度推向新高度。

南京大學繆峰團隊2021年的研究顯示，利用憶阻器交叉陣列的頻分復用技術，可實現16張字母圖片的并行識別——通過將不同頻率的正弦信號作為信息載體，單個交叉陣列可同時處理多個輸入數據，并行度隨陣列規模線性提升。騰訊云團隊的實驗則證明，基于SrTiO憶阻器的交叉陣列，在Atari游戲《Pong》的強化學習任務中，能耗比純GPU降低96倍，其關鍵在于憶阻器可同時模擬長期記憶、短期可塑性與元可塑性等多種突觸功能，無需額外控制電路。

醫療、工業與消費的“三重奏”

類腦智能的應用非常廣泛，涉及醫療、工業以及普通消費領域，并且在這三個領域中突破行業痛點迎來飛速發展。在醫療領域中，通過構建“檢測-干預-康復”閉環康復方案，成都前沿類腦中心的系統實現孤獨癥早篩（準確率92.3%），北京腦所“北腦一號”助癱瘓患者抓握行走，復旦腦脊接口讓患者術后當天站立。

在工業領域中，類腦智能能夠有效提高工業的精度與效率。特斯拉工廠用類腦視覺檢測（0.01mm級），良品率升5%。在其示范效應下，國內新能源車企技術也加速根據類腦智能檢測——小鵬汽車在肇慶工廠的電池pack環節，引入類腦視覺系統檢測電芯極耳的平整度（要求誤差≤0.02mm），通過類腦算法的多模態融合能力（同步分析視覺信號與壓力信號），極耳裝配不良率降低70%，電池循環壽命提升10%；蔚來合肥工廠則將類腦檢測應用于自動駕駛傳感器（如激光雷達鏡頭）的表面潔凈度檢測，可識別直徑0.005mm的灰塵顆粒，避免因鏡頭污染導致的感知誤差，傳感器良品率從88%提升97%。除了檢測場景外，類腦智能還推動工業機器人向“高精度+高柔性”升級，基于神經形態芯片控制末端執行器，實現0.01mm級的動作精度控制。

消費領域中，耳機、智能手環作為大部分消費者均能使用得起的電子消費品，通過類腦智能技術的憶阻器存算一體芯片有效降低耳機的功耗，使得耳機單次充電續航從傳統5小時延長至15小時。過去AR設備、VR設備普遍被詬病的流暢度、眩暈等問題，通過類腦智能技術中的視覺芯片技術，不僅能夠有效緩解VR的眩暈感，還能夠有效提高裝置的續航時間。

AI時代的“新規則博弈”

我國著作權法要求“創新主體為自然人”，即人類獨立創作為核心前提。2023年，美國版權局明確指出了“純AI生成內容”不會被作為版權而登記。而類腦智能中“腦-機協作”的特性，會出現“創作主體”“權利歸屬”等一系列問題，在目前的法律法規中，并沒有明確通過腦機接口生成的內容的著作權歸屬。

正如上文而言，高效的類腦智能都是需要經過一定量的數據進行訓練。然而對應的訓練數據的獲取的合規性，依然沒有得到明確的保護；除了數據獲取的合規性外，對應的訓練數據在沒有得到有效保護或者消除隱私信息后被泄露，從而可以通過對應的訓練數據反向標定對應的個體。

目前，全球均沒有針對類腦智能設立對應的法律法規。就我國而言，盡管沒有針對類腦智能出臺對應的方案，但一些地方政府出臺了相關政策。上海楊浦區在2025年中發布了促進類腦智能產業發展的實施方案，明確構建類腦智能產業集聚區，通過建設公共技術服務平臺、產業創新聯盟、未來產業科技園、專項基金矩陣和生態體系等“五大支撐體系”，培育產業鏈上下游協同創新，打造類腦智能創新高地。

與此相呼應，杭州市在2025年末出臺了一系列支持類腦智能未來產業創新發展的政策措施，通過財政補貼、研發資助、成果轉化獎勵、產業集聚發展支持等多項激勵，鼓勵企業、高校及科研機構在腦機接口、類腦計算等關鍵技術領域開展研發，并推動類腦智能企業集聚成長，完善創新生態體系，為提升區域智能產業競爭力提供制度保障。兩地政策均強調產學研聯動、技術攻關與生態構建，旨在搶占新一代智能技術戰略制高點，推動類腦智能技術從研發走向產業化應用。

類腦智能的發展以及在各種產業上的應用，讓所有人都對這個技術期望甚高。根據目前的發展趨勢，我們大膽預測2030年左右就能夠通過腦機接口讓癱瘓患者通過思維控外骨骼，從而實現改變生活。而到了2040年類腦智能則可以成功助力人工智能，使得人工智能發展更進一步。（作者單位：國家知識產權局專利局專利審查協作廣東中心）

（文章來源：《創意世界》2026年3月號）

01

微店訂閱

請掃左側雜志微店二維碼訂閱或點擊下方小程序鏈接購買。

02

郵局訂閱

各地郵局均可訂閱，郵發代號：2-652。亦可掃左側“中國郵政微商城”二維碼訂閱。

03

報社訂閱

請匯款至以下賬戶，并將匯款憑證發至本刊通聯發行部。

開戶銀行：中國工商銀行北京海淀區北太平莊支行

戶名：中國知識產權報社

賬號：0200010009014482891

通聯發行部熱線：010-82034385、010-82034281（傳真）

【點擊下方小程序購買本期雜志】

編校：苑寶平

/ / / /

/ / /

/ /

/ / /

/ / /