01
从Exaflops到Gigawatts：
10亿台人形机器人的能源拷问
10亿—100亿台
数据中心级门槛 · 不可持续警示
Exaflops → Gigawatts
算力的度量衡正在从Exaflops变成Gigawatts。AI基础设施扩张使数据中心与吉瓦级电力挂钩；当AI从数据中心进入实体世界，能源问题进一步放大。
「如果未来全球真的部署10亿至100亿台高度依赖AI的人形机器人，今天这套计算方式，还供得起电吗？」
人形机器人规模化部署假设
10亿—100亿台
如果未来全球大规模部署高度依赖AI的人形机器人，沿用当前计算方式的累计能源需求可能变得难以承受。
算力度量衡变化
Exaflops → Gigawatts
数据中心建设规模已经从衡量计算峰值转向衡量电力供给能力。
生物神经系统 vs 传统数字计算：关键差异
计算与记忆
计算与记忆高度关联，无需频繁搬运数据
计算单元与存储单元之间频繁搬运数据
通信方式
事件驱动，只有事件发生时神经元才发送脉冲
持续信息交换，大量信号未激活时仍需耗电
功耗特征
人脑约20W量级即可处理感知、运动、语言等复杂任务
高端GPU达数百瓦，数据中心集群达兆瓦至吉瓦级
「早期类脑系统的智能水平大约等同于五只老鼠。」
02
System 0/1/2分层：为什么类脑计算先做「神经系统」而不是「大脑」
产业共识正在形成：神经形态计算不需要整体替代现有AI系统，而是先进入更适合它的计算环节。机器人计算链路被分为System 0、System 1、System 2三层，前两层与类脑计算更契合。
「当前机器人正在从简单的"感知—决策—执行"链路，走向"分层、异步、自学习"的复杂计算系统。」
触觉信号的事件稀疏性
大部分时间无新触觉信号
视触觉传感是典型的事件稀疏任务，类脑计算或异步电路更容易体现降低功耗的优势。
数字计算适合相对稠密的计算任务，类脑系统更擅长利用稀疏、事件驱动的信号。承担复杂思考任务的System 2仍是数字计算的主场，感知和部分VLA任务更有类脑应用潜力。
「计算本身成本很低，数据搬运成本更高。GPU计算过程中，相当一部分功耗花在数据搬运上。」
「一些视觉、触觉和运动能力训练完成后，可以在新事件出现时直接调用，而不必重新训练完整技能。」
03
部署后的持续适应：可塑性、闭环与软件生态
机器人部署后的持续适应比一次训练更重要。自学习不仅改变模型范式，也对底层芯片的可编程性、系统延迟与软件生态提出新要求。
传感器
事件稀疏信号输入（绿色脉冲）
▼
处理 / 控制
低延迟闭环路径
▼
执行器
物理动作输出
闭环回路
▲ CUDA体系
成熟 · 生态成熟、开发者多、适配工具链完整。
短板：功耗与硬件架构灵活性受限于传统数字计算。
★ 类脑/非CUDA体系
能效潜力大 · 可实现事件驱动、近存计算。
短板：工具链、模型适配、软件生态是明显瓶颈。
「底层硬件需要具备足够的可编程能力，以支持现场微调和真实环境中的强化学习。」
同批次机器人的个体差异
可能产生一毫米的动作偏差
即使是同一批产品，不同机器人的关节和执行部件也可能存在细微差异，最终一毫米的动作偏差都可能影响实际执行结果。
类脑计算进入机器人后，面对的不会只是「一颗芯片如何设计」的问题，而是如何与传感器、执行器和通信系统共同组成完整的低延迟计算链路。
「从感知到动作，机器人实际运行的是一个完整闭环：传感器获取环境信息，数据经过传输和处理形成控制指令，再由执行器完成动作。」
「硬件性能只是进入市场的第一步。当前AI软件生态很大程度建立在CUDA体系之上。对于非CUDA体系的AI芯片公司，模型能否适配、工具链是否易用、软件生态是否完整，都会直接影响芯片能否真正被开发者和客户采用。」
CUDA体系 vs 类脑/非CUDA体系的生态差距
体系
CUDA体系
类脑/非CUDA体系
优势
生态成熟、开发者多、适配工具链完整
能效潜力大，可实现事件驱动、近存计算
短板
功耗与硬件架构灵活性受限于传统数字计算
工具链、模型适配、软件生态是明显瓶颈
04
3—8年渐进路线：半结构化场景先行，硬件先于软件成熟
商业化路线图趋于一致：硬件可能先于软件成熟，半结构化场景先于开放家庭场景，感知和低层任务先于复杂智能能力。
类脑计算商业化时间表
3—5年 / 5—8年
杨宇欣认为类脑芯片3-5年内可达到相对可接受的性能和成本，但软件生态成熟需要更长时间，完整商业化可能需5-8年；李兆石认为半结构化工厂3-5年可实现较大规模部署，家庭和服务业等开放场景需5-8年。
「在工厂等相对明确的环境中，传感精度、运动能力、扭矩、控制方式和功耗等硬件指标都更容易被定义，由此形成清晰的产品迭代路线。」
工业场景落地现状
已进入实际部署阶段
徐宁仪以自身实践为例，称相关机器人已开始在部分半结构化工厂进入实际部署阶段。因此在他看来，工业场景的落地并非完全在3至5年之后。
从局部部署走向更大规模，安全仍是必须解决的问题。冗余设计、多系统备份、多套算法交叉验证可以降低单一系统失效带来的风险。
圆桌讨论收敛出的渐进式落地路径
计算层级
感知、预处理、低层控制
复杂推理与高级智能
应用场景
半结构化工厂
家庭、服务业等开放场景
成熟顺序
硬件解决方案
软件生态与工具链
「神经形态计算可能首先看到硬件解决方案成熟，并从感知等较低层能力开始，逐渐向更复杂的智能功能延伸；嘉宾对更广泛市场成熟的判断，则大致集中在3至8年。」
结语：省电的神经系统，是规模化落地的前提
WRC2026这场圆桌给出了一个清醒的结论：人形机器人规模化的瓶颈，不只是「大脑」够不够聪明，还包括「神经系统」够不够省电、够不够实时、够不够可塑。类脑计算的现实路径，是先从感知和System 0/1切入，再向System 2渗透；先在边界清晰的半结构化工厂落地，再走向开放家庭场景。3—8年的商业化判断偏谨慎，但方向明确：如果类脑计算能用更低成本和功耗让机器人在部署后持续学习，它就有机会成为具身智能时代的基础设施之一。
编辑判断
这篇报道的可贵之处，是把「类脑计算」从宏大叙事拉回到工程约束：真正驱动需求的是10亿台机器人带来的能源上限，而不是技术猎奇。报道以System 0/1/2分层和「场景可约束」为坐标，指出类脑计算的最佳角色是传统AI体系的「低功耗神经系统」，而非替代者。它没有回避软件生态、工具链和部署后自学习等难题，因此比单纯鼓吹神经形态芯片更有产业参考价值。