破局類腦智能底層模型：在大腦深處，尋找下一代智能的源代碼

智能的秘密，不能只在更大的參數(shù)、更大的數(shù)據、更大的算力中尋找。

很多科幻故事都從同一個問題開始：如果有一天，人的身體衰老、受傷，甚至停止工作，一個人的記憶、經驗、判斷和意識，是否還能以另一種形式繼續(xù)存在？

這個問題曾經屬于文學、電影和哲學。它出現(xiàn)在賽博朋克的城市雨夜里，出現(xiàn)在太空歌劇的星艦艙室里，也出現(xiàn)在人類關于永生、靈魂和自我的古老想象中。過去，我們把它稱為幻想；今天，計算神經科學、腦連接組、精細神經元建模和具身智能，正在把這個問題一點點帶回工程世界。

人類對未來的想象，往往沿著兩個方向展開。

一個方向向外，突破地球引力、近地軌道、火星抵達與跨星球生存的邊界。從火箭、衛(wèi)星通信，到能源系統(tǒng)、交通工具、機器勞動力和AI，外部工程鏈條不斷延伸，共同回答“生命如何跨越星球”。

另一個方向向內，進入神經結構、記憶經驗、身體載體與時間延續(xù)的邊界。從神經仿真、邊緣部署，到具身交互、持續(xù)學習和機器身體，內部智能工程不斷深入，共同回答“智能如何跨越身體”。

知躍空間智能選擇了第二個問題。

這家公司所押注的方向，就是類腦智能。從2025年8月到2026年6月，10個月時間內，知躍空間智能連續(xù)完成6輪融資。其中今年以來，知躍連續(xù)完成了4輪融資，最新一輪天使5+輪數(shù)億元融資中，由致道資本領投，金螞投資、浙創(chuàng)科技、博遠資本共同跟投，老股東順禧基金、馳星創(chuàng)投持續(xù)超額加碼。據了解，公司下一輪以及下下輪的份額，也已經被不少機構“預定”了。

知躍成立兩年來，很少正式對外講述自己。它沒有追逐短周期的概念聲量，也很少用一句容易傳播的口號定義自己。它的工作更接近一項長期而艱巨的基礎工程：從生物神經元計算機制出發(fā)，重構AI底層；從電子顯微級連接組、精細神經元動力學、樹突計算、世界模擬器到機器人等應用，搭建一套面向下一代智能的基礎設施。

知躍空間智能的核心判斷很樸素，也足夠激進：智能的秘密，不能只在更大的參數(shù)、更大的數(shù)據、更大的算力中尋找。真實大腦經過數(shù)十億年進化，已經把許多關于感知、運動、學習、記憶和生存的結構寫進了神經系統(tǒng)。今天的AI如果希望進入真實世界，面對復雜環(huán)境、長時序任務、低功耗部署和持續(xù)學習，就必須重新理解這些結構。

這也是知躍為什么從大腦出發(fā)。

1.當AI走向真實世界，問題回到了大腦本身

過去十幾年，人工智能最重要的進展發(fā)生在Cloud AI，也就是與靜態(tài)數(shù)據交互的計算智能時代。機器學會了理解文本、生成圖像、檢索知識、組織信息。大語言模型的出現(xiàn)，讓人類第一次感受到一種接近“認知”的語言能力。

隨后，AI開始進入Physical AI，也就是與物理世界交互的階段。具身智能、VLA、世界模型、機器人控制，都在嘗試把智能從屏幕里帶出來，讓機器能夠看見、移動、抓取、避障、執(zhí)行任務，并在真實空間中承擔勞動。

而當AI真正進入物理世界，問題隨之變得更尖銳。

真實世界不像互聯(lián)網文本那樣可以被輕易標注和復制。一個機械臂插入插頭、一個水下機器人對抗流體擾動、一臺移動機器人在半結構化工廠里完成毫米級操作，都需要實時反饋、魯棒控制、小樣本適應和強泛化。許多場景無法依賴海量數(shù)據預訓練，也無法承受大型模型的能耗、延遲和不確定性。

這時，人們會重新看向生物。

一條線蟲只有數(shù)百個神經元，卻能完成感知、趨避、覓食和運動協(xié)調。一只果蠅的大腦極其微小，卻能飛行、避障、導航、整理觸角、尋找食物。一個人的大腦以幾十瓦量級的能耗完成記憶、推理、行動、情緒和創(chuàng)造。生物智能最驚人的地方，在于它使用極低能耗，在開放環(huán)境中持續(xù)運轉，并且擁有來自進化的結構先驗。

知躍空間智能把這一技術稱為Neural AI，或者說生物智能。

如果第一代AI學會了和數(shù)據說話，第二代AI試圖學習如何和世界交互，那么第三代AI要進一步接近生命本身：它需要擁有神經結構，理解空間環(huán)境，形成行為系統(tǒng)，沉淀長期記憶，并在價值約束中行動。

這不只是一條技術路線，也是一種文明視角。

當機器進入深海、核電、災害、礦山、高空、高溫等危險環(huán)境，它保護人的肉身安全；當醫(yī)生、工程師、科學家、工匠的經驗、直覺和判斷被結構化保存，它延續(xù)人的生命經驗；當養(yǎng)老、康復、陪護、教育、醫(yī)療和城市服務獲得穩(wěn)定、可負擔的智能體，它放大人的創(chuàng)造能力和被照顧的可能；當我們嘗試復刻智能本身，人類也被迫重新理解意識、記憶、情感、判斷和行為的來源。

知躍創(chuàng)始人錢琳瑞一直強調，要在最硬的技術深處，保留對人的關心。

2.被簡化的神經元，正在回到計算中心

現(xiàn)代人工智能的源頭，本來就與腦科學有關。

1943年，McCulloch和Pitts提出了簡化神經元數(shù)學模型。此后，人工神經網絡把生物神經元抽象為一個加權求和節(jié)點，再通過多層連接形成網絡。卷積神經網絡、循環(huán)網絡、Transformer、大語言模型，都建立在這一抽象之上。

這個抽象極其成功，也付出了代價。

真實神經元從來不只是一個點。它有樹突、胞體、軸突、突觸、離子通道和復雜的電化學動力學。樹突并非普通導線，而是具有局部非線性計算能力的結構；突觸也不只是一個靜態(tài)權重，它包含傳遞、調制和可塑性；大腦連接也不是稠密矩陣，它是稀疏、異質、遞歸、分層并且受進化約束的復雜系統(tǒng)。

知躍要做的第一件事，是把被早期AI簡化掉的部分重新帶回模型。

這意味著，知躍關注的不只是“神經元是否激活”，還要描述神經元為什么激活、如何累積膜電位、離子通道如何開合、樹突局部如何整合信號、突觸如何傳遞和調制信息，以及一個完整神經系統(tǒng)如何與身體和環(huán)境形成閉環(huán)。

這條路線會遇到一個長期難題：越接近真實生物機制，模型越復雜，訓練越困難，仿真成本越高。

Hodgkin-Huxley模型用一組電導型微分方程刻畫鈉離子、鉀離子通道與膜電位變化，奠定了現(xiàn)代計算神經科學的基礎。工程中的脈沖神經網絡常常使用LIF、Izhikevich等更簡化的神經元模型；而當研究進一步進入多艙室模型和樹突計算，神經元不再是單個狀態(tài)變量，而成為一組隨時間、空間和生物參數(shù)耦合演化的動力學系統(tǒng)。對于傳統(tǒng)深度學習框架而言，這類系統(tǒng)難以高效反向傳播，梯度求解和數(shù)值仿真之間存在巨大的工程鴻溝。

圖：艾倫·霍奇金與安德魯·赫胥黎，獲得1963年諾貝爾生理學或醫(yī)學

知躍的核心突破，正發(fā)生在這里。

團隊通過數(shù)學建模、線纜方程與多艙室動力學求解、樹突計算和替代模型學習框架，把精細神經元中的復雜動力學轉化為可訓練、可優(yōu)化、可部署的計算系統(tǒng)。更具體地說，知躍沒有把脈沖信號僅僅當成一個離散的判斷結果來處理，而是回到產生脈沖的物理過程：膜電位如何連續(xù)累積，如何受到離子通道影響，如何在閾值附近完成狀態(tài)轉變。

當問題被重新表述，訓練路徑也隨之改變。

在公司的技術體系中，梯度求解與電壓仿真之間可以建立數(shù)學等價關系。通過替代模型、前向回放、反向回放和混合梯度策略，精細神經元網絡的訓練效率被大幅提升。過去只能停留在小規(guī)模科研仿真的模型，開始具備成為工程系統(tǒng)的可能。

這也是知躍與許多類腦概念項目的區(qū)別。

知躍沒有停留在“腦啟發(fā)”的比喻層面，也沒有在傳統(tǒng)神經網絡外面套一層生物語言。它真正進入了神經元形態(tài)、樹突計算、離子通道動力學、突觸連接和全腦連接組這些底層結構，并試圖用嚴肅數(shù)學和工程系統(tǒng)把它們變成可運行的模型。

從效果上看，點神經元模型的優(yōu)勢是結構簡單、訓練成熟、工程效率高；局限是單個節(jié)點表達能力有限，復雜能力往往需要依賴更深網絡、更多參數(shù)和更大數(shù)據集堆疊。而生物模型的最終目標是：用更少數(shù)據、更低功耗和更強可解釋性，完成對復雜環(huán)境的快速適應。

3.大腦連接組：結構驅動的新一代建模范式

有了對單一神經元的建模后，如何讓模型具備scaling up的能力，也是錢琳瑞及其知躍科學家團隊一直思考的問題。

錢琳瑞曾這樣解釋知躍為什么堅持全腦模擬：“我們不認為只要對大腦某個部分做高效模擬，就能快速解決腦啟發(fā)智能的問題。很多科學家和投資人都提醒過我：人類對大腦的認知還不夠。因此，在這個技術路線上，我們反而參考了AI發(fā)展過程中‘大力出奇跡’的經驗——先做全腦模擬，先做工具，再通過好的工具聚集更多人才、資本和應用，慢慢挖掘大腦各個細節(jié)部分的內容。”

借助電子顯微鏡等高精度成像技術，科學家正在逐神經元、逐突觸地復刻生物大腦的真實連接。過去，人類只能大致知道大腦不同區(qū)域的功能；今天，如果有一套工具，既可以看到神經元之間具體如何相連，突觸如何排列，局部回路如何組織，又可以通過好的算法訓練和仿真，同時借助世界模擬器與外部交互，觀察行為如何從連接中涌現(xiàn)，那么研究大腦的工程路徑才真正搭建起來。

知躍沿著這條路徑，從低等生物開始向上建模。線蟲、果蠅、斑馬魚、小鼠、靈長類，直到未來的人腦，是一條自下而上的路線。它看起來緩慢，卻符合生物進化本身的邏輯。生物大腦中許多能力并非來自單次任務的數(shù)據擬合，而來自漫長進化沉淀下來的結構。每一種生物的大腦，都是在環(huán)境、身體和生存任務中不斷塑造出來的完整系統(tǒng)。感知、運動、記憶、情緒和行為并不能隨意拆成零件，它們在一個完整神經系統(tǒng)中互相嵌套、互相制約、互相生成。

這也是“本能即模型”的含義。

當然，在知躍的技術框架中，連接組不是一張靜態(tài)圖譜。它要與精細神經元動力學、身體模型、環(huán)境反饋和學習規(guī)則結合，形成一個能夠持續(xù)運行、持續(xù)學習、持續(xù)演化的智能體。

這種方式對當下非常火的具身智能尤其重要。知躍希望做的，是把這些來自進化的有效結構搬進計算系統(tǒng)。線蟲的神經系統(tǒng)可以提供柔體運動、趨避和基礎決策的結構。果蠅的神經系統(tǒng)包含飛行、避障、導航和復雜感知運動閉環(huán)。斑馬魚作為重要的脊椎動物模型，擁有適合全腦成像、神經動力學觀測和視覺運動研究的特性，也為水下環(huán)境中的流體擾動、快速轉向和群體行為提供了重要啟發(fā)。更高等動物的大腦，則將進一步帶來記憶、情緒、規(guī)劃、社交和抽象認知的結構線索。

把這些結構復刻出來，再與機器身體和真實世界連接，智能體就可以帶著某些先驗能力進入任務現(xiàn)場。在需要更高精度的工業(yè)操作、復雜交互或特定場景時，只需少量數(shù)據進行適配和微調。

機器人行業(yè)的很多難點不在演示視頻，而在交付現(xiàn)場。半導體產線中的毫米級移動操作、核電水下特種作業(yè)、便利店和開放貨架場景的揀選、C端場景的強泛化和模糊語義，都要求系統(tǒng)在低算力、強擾動、少數(shù)據和高安全約束下工作。知躍已經把這些場景作為能力驗證場，讓生物智能模型真正進入任務，而不是停留在實驗室里。

4.全球生物智能賽道的稀缺玩家

在全球范圍內，生物通用智能正在成為越來越重要的前沿方向。大模型路線證明了規(guī)模的力量，具身智能推動AI進入物理世界，腦啟發(fā)模型、液態(tài)網絡、連接組仿真和神經形態(tài)計算則共同指向下一代智能范式。

這一領域正在出現(xiàn)幾類代表性公司。

Liquid AI更接近“高效基礎模型”路線。它從MIT體系走出，強調Liquid Foundation Models的輕量、高效和可部署能力。Eon Systems更接近“連接組仿真”路線。它基于果蠅全腦連接組，用約14萬個神經元、約5000萬個突觸連接構建虛擬embodied fly，并將其置入可交互的環(huán)境中觀察多行為涌現(xiàn)。Flourish則代表另一種激進選擇：從真實神經元、皮層柱和大腦核心算法中尋找下一代AI的根機制。根據公開報道，這家公司獲得了貝索斯等頭部資本支持，目標是構建更節(jié)能、能夠持續(xù)學習的腦啟發(fā)AI系統(tǒng)，但外界也普遍認為這條路線可能需要更長時間才能形成穩(wěn)定產品。

把這些公司放在一起看，可以看出一個行業(yè)趨勢：全球前沿資本和科學團隊正在從不同角度重新審視“大腦”。有人從模型效率切入，有人從連接組仿真切入，有人從皮層機制切入。

知躍的不同，在于它把精細全腦建模作為主航道，并把連接組復刻、精細神經元訓練框架、世界模擬器和真實場景驗證放在同一套工程體系中推進。它既關注底層科學問題，也重視商業(yè)閉環(huán)；既要做模型，也要做工具；既做生物結構的復刻，也把這些結構送進機器人和真實行業(yè)任務中檢驗。

這條路技術難度極高。它要求團隊同時具備計算神經科學、應用數(shù)學、AI工程、機器人控制、仿真系統(tǒng)和商業(yè)落地能力。每前進一步，都要穿過學術與產業(yè)之間漫長的鴻溝。

但真正的底層范式創(chuàng)新，很少來自輕巧的路徑。

5.從高壁壘交付到平臺生態(tài)：知躍的商業(yè)化路徑

知躍最終想要提供的，是世界模擬器、精細神經元建模框架、開發(fā)者工具和生物通用智能模型能力。就像ImageNet、PyTorch、Transformer和CUDA曾經支撐起上一代AI生態(tài)，生物通用智能也需要自己的模型、工具鏈、仿真環(huán)境和開發(fā)者社區(qū)。

雖然長期愿景很遠，但商業(yè)化并不懸浮。公司的商業(yè)化過程正在有條不紊的展開。

第一步，在高壁壘真實場景中驗證模型和平臺的能力。這些場景往往具備共同特征：環(huán)境復雜、數(shù)據稀缺、算力受限、部署成本高、可靠性要求強。傳統(tǒng)模型在這些地方很難通過簡單堆數(shù)據解決問題。中國有大量工業(yè)場景，對數(shù)據安全、算力成本、模型安全都有明確約束，這些都是知躍當前與許多垂直行業(yè)機器人本體公司聯(lián)合交付的重點方向。

第二步，把場景能力沉淀為平臺能力。真實環(huán)境提供數(shù)據，仿真系統(tǒng)提供試錯空間，模型框架提供訓練能力，機器人本體提供執(zhí)行反饋。隨著場景增多，平臺會逐步沉淀出可復用的結構、工具和方法。

第三步，形成開發(fā)者和生態(tài)伙伴體系。當精細神經元建模框架、世界模擬器和類腦模型能力成熟后，知躍可以將工具開放給機器人公司、腦科學團隊、生命科學機構、行業(yè)客戶和開發(fā)者。生態(tài)伙伴不需要從零理解所有計算神經科學細節(jié)，就可以調用模型、仿真環(huán)境和訓練工具，在自己的應用中尋找有效結構。

從這個角度看，知躍今天的商業(yè)化，不只是為了證明收入模型。它更像是在搭建下一代計算平臺的地基：先用高價值場景證明能力，再用平臺化方式沉淀工具，最終把模型能力和開發(fā)工具賦能給整個生態(tài)。

6.破解AI能耗及數(shù)據危機唯一出路：學習生物

知躍對未來的想象，帶有一種克制的浪漫。

它不追求把人變成機器的狂想，也不講機器取代人的敘事。它更像是在探索一種新的延展方式：讓人的經驗、判斷、技能、記憶和創(chuàng)造能力，有機會在新的載體中被保存、遷移和繼續(xù)發(fā)展。

一個醫(yī)生長期形成的臨床判斷，能否被結構化地保存下來，讓更多地區(qū)的患者受益？一個工程師幾十年積累的故障直覺，能否進入機器系統(tǒng)，在危險環(huán)境中繼續(xù)工作？一個科學家的問題意識、探索路徑和實驗習慣，能否成為下一代智能體學習的起點？一個老人在身體衰弱之后，他對世界的經驗、情感和選擇方式，能否留下某種可交互的痕跡？

這些問題都不能被輕易回答。它們涉及技術，也涉及倫理；涉及工程，也涉及尊嚴；涉及效率，也涉及人類如何看待自己。

正因為如此，錢琳瑞在談論數(shù)字生命時，一直保持謹慎、謙卑和人文關懷。“我們內部也經常頭腦風暴，很多問題現(xiàn)在沒有答案。這也許就是創(chuàng)業(yè)最具價值和魅力的地方。大腦模擬的長遠價值，并不只是讓機器更強。它還會倒逼人類重新理解自己：記憶從何而來，意識如何生成，情緒如何參與判斷，身體如何塑造智能，經驗如何穿過時間。每一次對大腦的復刻，都是一次關于人的反向凝視。”

知躍空間智能第一次正式對外講述自己，想表達的并不是一個短期熱點。

它想說的是：下一代智能的入口，可能藏在大腦深處。

當世界被高保真地模擬，當神經元被精細地建模，當真實連接組被轉化為可訓練的計算系統(tǒng)，當機器身體開始承載來自生命演化的結構，人工智能將從參數(shù)規(guī)模的競爭，走向智能結構的探索。

AI的第一階段學會說話，第二階段學會行動，第三階段將學會像生命一樣持續(xù)存在。持續(xù)存在并不意味著神話意義上的永生，它意味著一個智能體能夠擁有結構、身體、經驗、記憶、約束和成長環(huán)境。它能夠在現(xiàn)實中行動，在仿真中試錯，在任務中積累經驗，在新的身體中遷移能力。

知躍空間智能，正在從真實大腦出發(fā)，尋找下一代智能的源代碼。

（封面圖來源：AI生成）