过去几年，人工智能迎来了前所未有的发展浪潮。大模型不断刷新能力边界，让机器具备了理解语言、生成内容、辅助决策等能力。

但随着AI从数字世界走向现实世界，一个更加深层的问题正在出现：当前人工智能的发展模式，能否支撑下一阶段智能革命？

在2026世界人工智能大会期间举行的香港科技大学·国际AI产业创新生态论坛上，多位院士和产业专家围绕AI未来发展展开讨论。其中，“类脑智能”成为重要方向。有专家提出，人类智能与机器智能在底层机制上存在一定共通性；未来，借鉴人脑运行方式，发展更加高效的智能系统，可能成为人工智能进入物理世界的重要突破口。

这一趋势背后，正对应着当前人工智能发展面临的三大挑战。

首先，是越来越突出的算力瓶颈。

过去几年，大模型能力提升主要依赖参数规模扩大、训练数据增加以及计算资源投入。但随着模型不断增长，训练成本和推理成本也持续上升。

尤其是在具身智能领域，机器人面对的是复杂的现实环境，需要同时处理视觉、声音、空间信息以及运动控制等多种数据。相比语言模型，机器人需要实时理解周围环境，并快速做出行动决策。

如果未来机器人仍然依赖庞大的云端计算资源完成每一次判断，那么算力成本将成为限制大规模应用的重要因素。

其次，是人工智能面临的能源挑战。

大模型的发展正在推动人工智能进入高算力时代，而高算力背后意味着高能源消耗。数据中心需要大量电力支持，同时还需要复杂的散热系统维持运行。

未来，如果人工智能真正进入千家万户，机器人数量达到大规模应用水平，传统依靠高性能计算设备支撑智能运行的方式，将面临巨大的能源压力。

第三，是AI理解物理世界能力不足的问题。

当前的大模型拥有强大的知识处理能力，但它们主要依赖数据训练形成智能。相比之下，人类理解世界并不是依靠提前学习所有数据，而是在不断观察、实践、反馈中形成认知。

对于机器人而言，真实世界充满变化。一个机器人不可能提前获得所有环境信息，它需要具备类似人类的持续学习能力，能够根据新的情况不断调整自身行为。

而这些问题，正是类脑智能希望解决的方向。

人类大脑是自然界最高效的智能系统之一。它拥有极其复杂的信息处理能力，却只需要极低的能量消耗。大脑通过神经元之间高效的信息传递，实现感知、学习、记忆和决策。

类脑智能正是借鉴这种机制，探索更加接近生物神经系统的信息处理方式。

与传统人工智能依靠不断增加计算资源不同，类脑智能更加关注如何提高计算效率，减少无效计算，从而实现低功耗、高效率的智能运行。

对于具身智能而言，这种优势具有重要意义。

未来机器人需要进入工厂、家庭以及各种真实环境，而不是长期依赖实验室中的超级计算设备。如果机器人运行需要消耗大量能源，就很难实现真正普及。

类脑架构能够通过更高效的信息处理方式，降低智能系统运行过程中的计算压力，让机器人具备更强的端侧智能能力。

与此同时，类脑智能强调持续学习能力。机器人不再只是依靠提前训练好的模型执行任务，而是在实际环境中不断获取经验，根据反馈优化自身行为。

这种能力更加接近人类学习方式。

人类并不是通过一次性学习所有知识来适应世界，而是在不断尝试和反馈中提高能力。未来机器人如果想真正进入复杂环境，也需要具备类似的成长机制。

从人工智能发展趋势来看，AI正在经历一次重要转变。

过去，人工智能主要解决的是信息世界的问题，例如文本生成、知识搜索和内容分析。而未来，AI需要进一步进入物理世界，解决制造、交通、家庭服务等现实场景中的复杂任务。

这意味着，未来人工智能竞争的核心，不只是模型规模大小，也不仅是谁拥有更多算力，而是谁能够让智能以更低成本、更高效率运行在现实环境中。

类脑智能提供了一条新的技术路径。

它并不是取代大模型，而是解决大模型在迈向现实世界过程中面临的效率问题。当大模型解决了知识理解和推理能力后，类脑智能可能进一步推动AI解决如何低成本运行、如何持续学习以及如何适应复杂环境的问题。

从“碳基智能”与“硅基智能”的底层联系，到类脑架构对具身智能发展的推动，都说明人工智能正在寻找下一阶段的发展方向。

未来真正改变世界的机器人，或许不一定拥有最大的模型，而是拥有更加接近生命智能的运行方式。

类脑智能，正在成为连接数字世界与物理世界的重要桥梁，也可能成为具身智能实现规模化落地的重要突破方向。