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。