• 亿邦公众号
    • APP下载

破局类脑智能底层模型:在大脑深处 寻找下一代智能的源代码

作者:簪竹 文章来源:投中网

2026-06-24 09:03

作者:簪竹 文章来源:投中网

2026-06-24 09:03

邦小白快读

EN
全文速览

本文主要介绍了类脑智能赛道创业公司知跃空间智能的核心布局、融资情况与技术路线,核心干货如下:

1. 融资情况:知跃成立仅两年,10个月内连续完成6轮融资,仅今年就完成4轮,最新天使5+轮融资达数亿元,后续下一轮、下下轮融资份额都已经被资本提前预定,资本认可度极高。

2. 核心方向:知跃不走当前大模型堆参数、堆算力、堆数据的主流路线,选择从生物大脑的真实神经结构出发,重构AI底层,打造面向下一代智能的基础设施,解决当前AI进入物理世界遇到的诸多痛点。

3. 落地进展:知跃已经突破精细神经元网络训练效率低的工程难题,正从低等生物到高等生物逐步推进全脑连接组建模,目前已经进入工业真实场景做能力验证,距离落地应用越来越近。

本文透露出AI领域的最新技术与消费趋势,对品牌商布局智能化业务有这些参考干货:

1. 技术与消费趋势:AI已经从云端静态数据的计算智能,进入到和物理世界交互的具身智能阶段,下一代AI将向生物启发的类脑方向发展,低能耗、小样本、强泛化的智能将在工业、医疗、养老、服务等多个领域落地,会催生大量新的消费需求。

2. 用户需求变化:当下用户对养老、康复、陪护、个性化医疗、公共服务等领域的智能服务需求越来越明确,要求智能服务稳定、可负担,类脑智能正好可以匹配这类需求。

3. 品牌布局参考:品牌布局新技术可以借鉴知跃的路线,不追逐短期概念热度,先聚焦真实需求场景和技术方联合验证,再逐步沉淀自身能力,长期布局底层技术更容易获得资本和用户的长期认可。

类脑智能和具身智能的发展给卖家带来了新的增量市场机会,核心干货总结如下:

1. 新增量机会:当前传统AI模型无法解决复杂真实场景的需求,半导体产线毫米级操作、核电水下特种作业、线下零售开放场景拣选、养老陪护服务等大量场景都存在供给缺口,卖家可以切入这些细分赛道,和底层技术方合作落地。

2. 可参考的合作与商业模式:知跃的商业化路径是先场景验证再沉淀平台能力,最后开放工具生态,卖家可以依托技术方的成熟工具链,不需要从零研发底层技术,降低研发投入门槛,专注做好场景落地即可。

3. 风险提示:类脑智能属于底层技术创新,技术研发周期长、门槛极高,卖家不要盲目跟风布局底层研发,应该聚焦场景落地,和技术方合作开发,避免前期投入过大导致资金链断裂的风险。

类脑智能的发展给工厂的产品研发、数字化升级带来了新的机会和启示,核心干货如下:

1. 生产端的新需求:当前大量工厂的半结构化生产场景、特种作业场景,对智能化改造提出了新要求,需要毫米级精度操作、实时环境反馈、小样本快速适配、低能耗部署的智能系统,传统大模型堆数据堆算力的方案无法满足需求,类脑智能方案的适配性更强。

2. 可对接的商业机会:工厂可以和知跃这类类脑技术方合作,共同推进高壁垒工业场景的智能化方案落地,半导体生产、特种加工、危险环境作业等领域都有明确的落地空间,通过合作可以快速完成自身智能化升级,拿到新的订单。

3. 数字化升级启示:工厂推进智能化不需要盲目跟风上大模型、堆算力,应该针对自身生产场景的痛点选择适配技术,优先解决数据依赖强、能耗高、泛化性差等实际问题,逐步推进升级。

AI行业的最新发展趋势和客户痛点已经清晰,类脑智能赛道给服务商带来了新的业务增长点,核心干货如下:

1. 行业发展趋势:AI发展已经走过了第一个云端计算智能阶段,当前进入第二个和物理世界交互的具身智能阶段,下一代将走向基于生物大脑真实结构的类脑智能阶段,全球前沿资本和科研团队都已经开始布局这个方向,是未来AI领域的核心增长点。

2. 客户的核心痛点:当前客户把AI落地到真实物理场景时,普遍遇到真实环境难以标注、训练数据少、模型能耗高、泛化能力差、响应延迟高的痛点,传统大模型方案无法解决这些问题,客户对新方案有强烈需求。

3. 业务拓展参考:服务商可以对接知跃这类底层技术方,依托其已经成型的精细神经元建模框架、世界模拟器和开发工具链,针对不同垂直行业客户的需求提供落地方案,不需要从零研发底层技术,可以降低研发门槛,拓展自身的业务边界。

类脑智能生态的发展对AI平台提出了新的需求,也给平台带来了新的发展方向,核心干货如下:

1. 市场对平台的新需求:上一代AI生态已经有成熟的底层工具平台,比如PyTorch、CUDA等,下一代类脑生物智能需要属于自己的模型、工具链、仿真环境和开发者社区,目前这个领域的平台级产品还处于空白状态,有很大的布局空间。

2. 可参考的平台发展路径:知跃的商业化路径给出了清晰参考,先联合垂直行业玩家在高壁垒真实场景验证技术能力,再把场景能力沉淀为可复用的平台能力,最后开放工具吸引开发者形成生态,这个路径符合底层平台的发展逻辑,风险可控。

3. 布局与风险提示:平台可以提前卡位类脑智能赛道,吸引底层技术公司、垂直场景落地公司入驻,抢占下一代智能范式的风口,同时要注意该赛道技术门槛高、研发周期长的特点,规避短期盲目扩张、投入过大的风险。

本文披露了全球类脑智能赛道的最新产业动向,对相关领域研究者有不少干货参考,核心内容如下:

1. 全球产业最新动向:目前全球生物智能赛道已经形成了几类代表性玩家,分别走高效基础模型、连接组仿真、大脑核心机制挖掘三条路线,知跃是全球少有的把精细全脑建模、连接组复刻、神经元训练框架、真实场景验证打通到同一工程体系的玩家,资本认可度高,发展速度快。

2. 产业面临的核心新问题:AI进入物理世界落地阶段后,行业普遍遇到数据标注成本高、模型能耗高、复杂场景泛化性差、训练成本高的痛点,现有AI沿用的早期简化点神经元模型存在本质局限,需要从生物大脑的真实结构寻找新的破局方向。

3. 技术与商业模式研究参考:技术路线上,自下而上从低等生物到高等生物推进全脑模拟的路径,符合生物进化的逻辑;商业模式上,先场景验证再沉淀平台能力最后开放生态的路径,很好平衡了底层技术长期研发和短期商业化的需求,具备研究价值。

声明:快读内容全程由AI生成,请注意甄别信息。如您发现问题,请发送邮件至 run@ebrun.com 。

我是 品牌商 卖家 工厂 服务商 平台商 研究者 帮我再读一遍。

Quick Summary

This article introduces the core positioning, financing status and technical roadmap of Zhiyue Spatial Intelligence, a brain-inspired artificial intelligence startup. Key takeaways are as follows:

1. Financing: Founded just two years ago, Zhiyue has closed six consecutive funding rounds within 10 months, including four rounds this year alone. Its latest Angel+5 round raised hundreds of millions of yuan, and shares for its next two upcoming rounds have already been reserved by investors, demonstrating extremely high recognition from the capital market.

2. Core Focus: Rejecting the mainstream approach of scaling up model parameters, computing power and data that dominates the current large model space, Zhiyue starts from the real neural structure of biological brains to rebuild AI infrastructure, building foundational technology for next-generation intelligence to address multiple pain points encountered when existing AI operates in the physical world.

3. Commercial Progress: Zhiyue has overcome the key engineering challenge of low training efficiency for fine-grained neural networks. It is advancing whole-brain connectome modeling step-by-step from lower organisms to higher organisms, and is currently conducting capability validation in real industrial scenarios, bringing practical applications increasingly close.

This article outlines the latest technology and consumer trends in AI, offering key takeaways for brands planning intelligent business layouts:

1. Technology and Consumer Trends: AI has evolved from computational intelligence working with static cloud data to the embodied intelligence phase, where it interacts with the physical world. Next-generation AI will develop toward biologically inspired brain-inspired intelligence. Low-energy, few-shot, highly generalizable intelligence will be deployed across industries including manufacturing, healthcare, eldercare and services, spawning massive new consumer demand.

2. Shifting User Demand: Consumers now have increasingly clear demand for intelligent services in eldercare, rehabilitation, caregiving, personalized medicine and public services, requiring stable and affordable solutions. Brain-inspired intelligence is uniquely positioned to match these demands.

3. Guidance for Brand Strategy: Brands can learn from Zhiyue's approach: instead of chasing short-term concept hype, brands should first focus on real demand scenarios and conduct joint validation with technology developers, then build capabilities incrementally. Long-term investment in underlying technology is more likely to earn sustained recognition from both capital and consumers.

The development of brain-inspired and embodied intelligence is creating new incremental market opportunities for sellers. Key takeaways are as follows:

1. New Incremental Opportunities: Traditional AI models cannot meet demands in complex real-world scenarios, leaving supply gaps in many areas including millimeter-level operations in semiconductor production lines, special underwater operations in nuclear power plants, order picking in open offline retail scenarios, and eldercare and caregiving services. Sellers can enter these niche segments by partnering with underlying technology developers to deliver solutions.

2. Reference for Partnership and Business Models: Zhiyue's commercialization path validates the model of scenario validation first, followed by platform capability building, and ending with open tool ecosystem development. Sellers can leverage technology providers' mature tool chains instead of building underlying technology from scratch, lowering R&D entry barriers and allowing them to focus on scenario deployment.

3. Risk Warning: Brain-inspired intelligence is an underlying technological innovation with a long R&D cycle and extremely high entry barriers. Sellers should not blindly rush into independent underlying R&D. Instead, they should focus on scenario deployment and partner with technology developers to avoid the risk of capital chain断裂 caused by excessive upfront investment.

The development of brain-inspired intelligence is bringing new opportunities and insights for product R&D and digital upgrade for factories. Key takeaways are as follows:

1. New Demand on the Production Side: Many factories' semi-structured production scenarios and special operation scenarios have put forward new requirements for intelligent transformation, requiring intelligent systems with millimeter-level precision, real-time environmental feedback, few-shot fast adaptation and low-energy deployment. Traditional large model solutions that rely on massive data and computing power cannot meet these demands, while brain-inspired solutions are far better suited.

2. Accessible Business Opportunities: Factories can partner with brain-inspired technology developers like Zhiyue to jointly deliver intelligent solutions for high-barrier industrial scenarios. Clear deployment opportunities exist in semiconductor manufacturing, special processing, and operations in hazardous environments. Through cooperation, factories can complete their own intelligent transformation quickly and win new orders.

3. Insights for Digital Upgrade: Factories do not need to blindly follow the trend of deploying large models and scaling up computing power for intelligent transformation. Instead, they should select technologies matched to the pain points of their own production scenarios, prioritize solving practical problems including heavy data dependence, high energy consumption and poor generalization, and advance transformation incrementally.

The latest development trends and customer pain points in the AI industry are now clear, and the brain-inspired intelligence track is bringing new business growth points for service providers. Key takeaways are as follows:

1. Industry Development Trends: AI has completed its first phase of cloud-based computational intelligence, and is now in its second phase of embodied intelligence that interacts with the physical world. The next phase will be brain-inspired intelligence based on the real structure of biological brains. Leading global capital and research teams have already started布局 in this direction, making it a core growth area for the future AI industry.

2. Core Customer Pain Points: When customers deploy AI in real physical scenarios, they commonly face pain points including difficulty annotating real environments, limited training data, high model energy consumption, poor generalization capability, and high response latency. Traditional large model solutions cannot solve these problems, and customers have strong demand for new solutions.

3. Guidance for Business Expansion: Service providers can partner with underlying technology developers like Zhiyue, leverage their mature fine-grained neural modeling framework, world simulators and development tool chains to deliver deployment solutions tailored to clients in different vertical industries. They do not need to develop underlying technology from scratch, which lowers R&D barriers and expands their business scope.

The development of the brain-inspired intelligence ecosystem is putting forward new demands for AI platforms and opening up new development directions for platform players. Key takeaways are as follows:

1. New Market Demand for Platforms: The previous generation of AI ecosystem already has mature underlying tool platforms such as PyTorch and CUDA. Next-generation biologically inspired brain-inspired intelligence requires its own dedicated models, tool chains, simulation environments and developer communities. Platform-level products in this area are still non-existent, leaving huge room for布局.

2. Reference for Platform Development Paths: Zhiyue's commercialization path provides clear guidance: first, partner with vertical industry players to validate technological capability in high-barrier real-world scenarios, then turn scenario-specific capabilities into reusable platform capabilities, and finally open up tools to attract developers and build an ecosystem. This path aligns with the development logic of underlying platforms and keeps risk controllable.

3. Layout Guidance and Risk Warning: Platforms can position themselves early in the brain-inspired intelligence track, attract underlying technology companies and vertical scenario deployment companies to入驻, and capture the opportunity of the next-generation intelligence paradigm. At the same time, platforms should note the track's characteristics of high technical barriers and long R&D cycles, and avoid the risks of blind short-term expansion and excessive investment.

This article discloses the latest industry developments in the global brain-inspired intelligence track, offering valuable insights for researchers in related fields. Key content is as follows:

1. Latest Global Industry Developments: The global biological intelligence track has formed three representative categories of players, following three distinct routes: efficient foundation models, connectome simulation, and core brain mechanism research. Zhiyue is one of the few players globally that has integrated fine-grained whole-brain modeling, connectome replication, neural network training frameworks and real-world scenario validation into a single engineering system. It enjoys high capital recognition and is growing rapidly.

2. Core New Industry Challenges: As AI enters the phase of physical world deployment, the industry broadly faces pain points including high data annotation costs, high model energy consumption, poor generalization in complex scenarios, and high training costs. The simplified point neuron model that underpins existing AI has fundamental limitations, requiring the industry to seek new breakthrough directions from the real structure of biological brains.

3. References for Technology and Business Model Research: On the technology side, the bottom-up approach of advancing whole-brain simulation from lower organisms to higher organisms aligns with the logic of biological evolution. On the business model side, the path of scenario validation first, followed by platform capability building, and ending with open ecosystem development, strikes a good balance between long-term R&D of underlying technology and short-term commercialization needs, making it a valuable subject for research.

Disclaimer: The "Quick Summary" content is entirely generated by AI. Please exercise discretion when interpreting the information. For issues or corrections, please email run@ebrun.com .

I am a Brand Seller Factory Service Provider Marketplace Seller Researcher Read it again.

当AI走向真实世界,问题回到了大脑本身。

很多科幻故事都从同一个问题开始:如果有一天,人的身体衰老、受伤,甚至停止工作,一个人的记忆、经验、判断和意识,是否还能以另一种形式继续存在?

这个问题曾经属于文学、电影和哲学。它出现在赛博朋克的城市雨夜里,出现在太空歌剧的星舰舱室里,也出现在人类关于永生、灵魂和自我的古老想象中。过去,我们把它称为幻想;今天,计算神经科学、脑连接组、精细神经元建模和具身智能,正在把这个问题一点点带回工程世界。

人类对未来的想象,往往沿着两个方向展开。

一个方向向外,突破地球引力、近地轨道、火星抵达与跨星球生存的边界。从火箭、卫星通信,到能源系统、交通工具、机器劳动力和AI,外部工程链条不断延伸,共同回答“生命如何跨越星球”。

另一个方向向内,进入神经结构、记忆经验、身体载体与时间延续的边界。从神经仿真、边缘部署,到具身交互、持续学习和机器身体,内部智能工程不断深入,共同回答“智能如何跨越身体”。

知跃空间智能选择了第二个问题。

这家公司所押注的方向,就是类脑智能。从2025年8月到2026年6月,10个月时间内,知跃空间智能连续完成6轮融资。其中今年以来,知跃连续完成了4轮融资,最新一轮天使5+轮数亿元融资中,由致道资本领投,金蚂投资、浙创科技、博远资本共同跟投,老股东顺禧基金、驰星创投持续超额加码。据了解,公司下一轮以及下下轮的份额,也已经被不少机构“预定”了。

知跃成立两年来,很少正式对外讲述自己。它没有追逐短周期的概念声量,也很少用一句容易传播的口号定义自己。它的工作更接近一项长期而艰巨的基础工程:从生物神经元计算机制出发,重构AI底层;从电子显微级连接组、精细神经元动力学、树突计算、世界模拟器到机器人等应用,搭建一套面向下一代智能的基础设施。

知跃空间智能的核心判断很朴素,也足够激进:智能的秘密,不能只在更大的参数、更大的数据、更大的算力中寻找。真实大脑经过数十亿年进化,已经把许多关于感知、运动、学习、记忆和生存的结构写进了神经系统。今天的AI如果希望进入真实世界,面对复杂环境、长时序任务、低功耗部署和持续学习,就必须重新理解这些结构。

这也是知跃为什么从大脑出发。

当AI走向真实世界,问题回到了大脑本身

过去十几年,人工智能最重要的进展发生在Cloud AI,也就是与静态数据交互的计算智能时代。机器学会了理解文本、生成图像、检索知识、组织信息。大语言模型的出现,让人类第一次感受到一种接近“认知”的语言能力。

随后,AI开始进入Physical AI,也就是与物理世界交互的阶段。具身智能、VLA、世界模型、机器人控制,都在尝试把智能从屏幕里带出来,让机器能够看见、移动、抓取、避障、执行任务,并在真实空间中承担劳动。

而当AI真正进入物理世界,问题随之变得更尖锐。

真实世界不像互联网文本那样可以被轻易标注和复制。一个机械臂插入插头、一个水下机器人对抗流体扰动、一台移动机器人在半结构化工厂里完成毫米级操作,都需要实时反馈、鲁棒控制、小样本适应和强泛化。许多场景无法依赖海量数据预训练,也无法承受大型模型的能耗、延迟和不确定性。

这时,人们会重新看向生物。

一条线虫只有数百个神经元,却能完成感知、趋避、觅食和运动协调。一只果蝇的大脑极其微小,却能飞行、避障、导航、整理触角、寻找食物。一个人的大脑以几十瓦量级的能耗完成记忆、推理、行动、情绪和创造。生物智能最惊人的地方,在于它使用极低能耗,在开放环境中持续运转,并且拥有来自进化的结构先验。

知跃空间智能把这一技术称为Neural AI,或者说生物智能。

如果第一代AI学会了和数据说话,第二代AI试图学习如何和世界交互,那么第三代AI要进一步接近生命本身:它需要拥有神经结构,理解空间环境,形成行为系统,沉淀长期记忆,并在价值约束中行动。

这不只是一条技术路线,也是一种文明视角。

当机器进入深海、核电、灾害、矿山、高空、高温等危险环境,它保护人的肉身安全;当医生、工程师、科学家、工匠的经验、直觉和判断被结构化保存,它延续人的生命经验;当养老、康复、陪护、教育、医疗和城市服务获得稳定、可负担的智能体,它放大人的创造能力和被照顾的可能;当我们尝试复刻智能本身,人类也被迫重新理解意识、记忆、情感、判断和行为的来源。

知跃创始人钱琳瑞一直强调,要在最硬的技术深处,保留对人的关心。

被简化的神经元,正在回到计算中心

现代人工智能的源头,本来就与脑科学有关。

1943年,McCulloch和 Pitts提出了简化神经元数学模型。此后,人工神经网络把生物神经元抽象为一个加权求和节点,再通过多层连接形成网络。卷积神经网络、循环网络、Transformer、大语言模型,都建立在这一抽象之上。

这个抽象极其成功,也付出了代价。

真实神经元从来不只是一个点。它有树突、胞体、轴突、突触、离子通道和复杂的电化学动力学。树突并非普通导线,而是具有局部非线性计算能力的结构;突触也不只是一个静态权重,它包含传递、调制和可塑性;大脑连接也不是稠密矩阵,它是稀疏、异质、递归、分层并且受进化约束的复杂系统。

知跃要做的第一件事,是把被早期AI简化掉的部分重新带回模型。

这意味着,知跃关注的不只是“神经元是否激活”,还要描述神经元为什么激活、如何累积膜电位、离子通道如何开合、树突局部如何整合信号、突触如何传递和调制信息,以及一个完整神经系统如何与身体和环境形成闭环。

这条路线会遇到一个长期难题:越接近真实生物机制,模型越复杂,训练越困难,仿真成本越高。

Hodgkin-Huxley模型用一组电导型微分方程刻画钠离子、钾离子通道与膜电位变化,奠定了现代计算神经科学的基础。工程中的脉冲神经网络常常使用LIF、Izhikevich等更简化的神经元模型;而当研究进一步进入多舱室模型和树突计算,神经元不再是单个状态变量,而成为一组随时间、空间和生物参数耦合演化的动力学系统。对于传统深度学习框架而言,这类系统难以高效反向传播,梯度求解和数值仿真之间存在巨大的工程鸿沟。

知跃的核心突破,正发生在这里。

团队通过数学建模、线缆方程与多舱室动力学求解、树突计算和替代模型学习框架,把精细神经元中的复杂动力学转化为可训练、可优化、可部署的计算系统。更具体地说,知跃没有把脉冲信号仅仅当成一个离散的判断结果来处理,而是回到产生脉冲的物理过程:膜电位如何连续累积,如何受到离子通道影响,如何在阈值附近完成状态转变。

当问题被重新表述,训练路径也随之改变。

在公司的技术体系中,梯度求解与电压仿真之间可以建立数学等价关系。通过替代模型、前向回放、反向回放和混合梯度策略,精细神经元网络的训练效率被大幅提升。过去只能停留在小规模科研仿真的模型,开始具备成为工程系统的可能。

这也是知跃与许多类脑概念项目的区别。

知跃没有停留在“脑启发”的比喻层面,也没有在传统神经网络外面套一层生物语言。它真正进入了神经元形态、树突计算、离子通道动力学、突触连接和全脑连接组这些底层结构,并试图用严肃数学和工程系统把它们变成可运行的模型。

从效果上看,点神经元模型的优势是结构简单、训练成熟、工程效率高;局限是单个节点表达能力有限,复杂能力往往需要依赖更深网络、更多参数和更大数据集堆叠。而生物模型的最终目标是:用更少数据、更低功耗和更强可解释性,完成对复杂环境的快速适应。

大脑连接组:结构驱动的新一代建模范式

有了对单一神经元的建模后,如何让模型具备scaling up的能力,也是钱琳瑞及其知跃科学家团队一直思考的问题。

钱琳瑞曾这样解释知跃为什么坚持全脑模拟:“我们不认为只要对大脑某个部分做高效模拟,就能快速解决脑启发智能的问题。很多科学家和投资人都提醒过我:人类对大脑的认知还不够。因此,在这个技术路线上,我们反而参考了AI发展过程中‘大力出奇迹’的经验——先做全脑模拟,先做工具,再通过好的工具聚集更多人才、资本和应用,慢慢挖掘大脑各个细节部分的内容。”

借助电子显微镜等高精度成像技术,科学家正在逐神经元、逐突触地复刻生物大脑的真实连接。过去,人类只能大致知道大脑不同区域的功能;今天,如果有一套工具,既可以看到神经元之间具体如何相连,突触如何排列,局部回路如何组织,又可以通过好的算法训练和仿真,同时借助世界模拟器与外部交互,观察行为如何从连接中涌现,那么研究大脑的工程路径才真正搭建起来。

知跃沿着这条路径,从低等生物开始向上建模。线虫、果蝇、斑马鱼、小鼠、灵长类,直到未来的人脑,是一条自下而上的路线。它看起来缓慢,却符合生物进化本身的逻辑。生物大脑中许多能力并非来自单次任务的数据拟合,而来自漫长进化沉淀下来的结构。每一种生物的大脑,都是在环境、身体和生存任务中不断塑造出来的完整系统。感知、运动、记忆、情绪和行为并不能随意拆成零件,它们在一个完整神经系统中互相嵌套、互相制约、互相生成。

这也是“本能即模型”的含义。

当然,在知跃的技术框架中,连接组不是一张静态图谱。它要与精细神经元动力学、身体模型、环境反馈和学习规则结合,形成一个能够持续运行、持续学习、持续演化的智能体。

这种方式对当下非常火的具身智能尤其重要。知跃希望做的,是把这些来自进化的有效结构搬进计算系统。线虫的神经系统可以提供柔体运动、趋避和基础决策的结构。果蝇的神经系统包含飞行、避障、导航和复杂感知运动闭环。斑马鱼作为重要的脊椎动物模型,拥有适合全脑成像、神经动力学观测和视觉运动研究的特性,也为水下环境中的流体扰动、快速转向和群体行为提供了重要启发。更高等动物的大脑,则将进一步带来记忆、情绪、规划、社交和抽象认知的结构线索。

把这些结构复刻出来,再与机器身体和真实世界连接,智能体就可以带着某些先验能力进入任务现场。在需要更高精度的工业操作、复杂交互或特定场景时,只需少量数据进行适配和微调。

机器人行业的很多难点不在演示视频,而在交付现场。半导体产线中的毫米级移动操作、核电水下特种作业、便利店和开放货架场景的拣选、C端场景的强泛化和模糊语义,都要求系统在低算力、强扰动、少数据和高安全约束下工作。知跃已经把这些场景作为能力验证场,让生物智能模型真正进入任务,而不是停留在实验室里。

全球生物智能赛道的稀缺玩家

在全球范围内,生物通用智能正在成为越来越重要的前沿方向。大模型路线证明了规模的力量,具身智能推动AI进入物理世界,脑启发模型、液态网络、连接组仿真和神经形态计算则共同指向下一代智能范式。

这一领域正在出现几类代表性公司。

Liquid AI更接近“高效基础模型”路线。它从MIT体系走出,强调Liquid Foundation Models的轻量、高效和可部署能力。Eon Systems更接近“连接组仿真”路线。它基于果蝇全脑连接组,用约14万个神经元、约5000万个突触连接构建虚拟embodied fly,并将其置入可交互的环境中观察多行为涌现。Flourish则代表另一种激进选择:从真实神经元、皮层柱和大脑核心算法中寻找下一代AI的根机制。根据公开报道,这家公司获得了贝索斯等头部资本支持,目标是构建更节能、能够持续学习的脑启发AI系统,但外界也普遍认为这条路线可能需要更长时间才能形成稳定产品。

把这些公司放在一起看,可以看出一个行业趋势:全球前沿资本和科学团队正在从不同角度重新审视“大脑”。有人从模型效率切入,有人从连接组仿真切入,有人从皮层机制切入。

知跃的不同,在于它把精细全脑建模作为主航道,并把连接组复刻、精细神经元训练框架、世界模拟器和真实场景验证放在同一套工程体系中推进。它既关注底层科学问题,也重视商业闭环;既要做模型,也要做工具;既做生物结构的复刻,也把这些结构送进机器人和真实行业任务中检验。

这条路技术难度极高。它要求团队同时具备计算神经科学、应用数学、AI工程、机器人控制、仿真系统和商业落地能力。每前进一步,都要穿过学术与产业之间漫长的鸿沟。

但真正的底层范式创新,很少来自轻巧的路径。

从高壁垒交付到平台生态:知跃的商业化路径

知跃最终想要提供的,是世界模拟器、精细神经元建模框架、开发者工具和生物通用智能模型能力。就像ImageNet、PyTorch、Transformer和 CUDA曾经支撑起上一代AI生态,生物通用智能也需要自己的模型、工具链、仿真环境和开发者社区。

虽然长期愿景很远,但商业化并不悬浮。公司的商业化过程正在有条不紊的展开。

第一步,在高壁垒真实场景中验证模型和平台的能力。这些场景往往具备共同特征:环境复杂、数据稀缺、算力受限、部署成本高、可靠性要求强。传统模型在这些地方很难通过简单堆数据解决问题。中国有大量工业场景,对数据安全、算力成本、模型安全都有明确约束,这些都是知跃当前与许多垂直行业机器人本体公司联合交付的重点方向。

第二步,把场景能力沉淀为平台能力。真实环境提供数据,仿真系统提供试错空间,模型框架提供训练能力,机器人本体提供执行反馈。随着场景增多,平台会逐步沉淀出可复用的结构、工具和方法。

第三步,形成开发者和生态伙伴体系。当精细神经元建模框架、世界模拟器和类脑模型能力成熟后,知跃可以将工具开放给机器人公司、脑科学团队、生命科学机构、行业客户和开发者。生态伙伴不需要从零理解所有计算神经科学细节,就可以调用模型、仿真环境和训练工具,在自己的应用中寻找有效结构。

从这个角度看,知跃今天的商业化,不只是为了证明收入模型。它更像是在搭建下一代计算平台的地基:先用高价值场景证明能力,再用平台化方式沉淀工具,最终把模型能力和开发工具赋能给整个生态。

破解AI能耗及数据危机唯一出路:学习生物

知跃对未来的想象,带有一种克制的浪漫。

它不追求把人变成机器的狂想,也不讲机器取代人的叙事。它更像是在探索一种新的延展方式:让人的经验、判断、技能、记忆和创造能力,有机会在新的载体中被保存、迁移和继续发展。

一个医生长期形成的临床判断,能否被结构化地保存下来,让更多地区的患者受益?一个工程师几十年积累的故障直觉,能否进入机器系统,在危险环境中继续工作?一个科学家的问题意识、探索路径和实验习惯,能否成为下一代智能体学习的起点?一个老人在身体衰弱之后,他对世界的经验、情感和选择方式,能否留下某种可交互的痕迹?

这些问题都不能被轻易回答。它们涉及技术,也涉及伦理;涉及工程,也涉及尊严;涉及效率,也涉及人类如何看待自己。

正因为如此,钱琳瑞在谈论数字生命时,一直保持谨慎、谦卑和人文关怀。“我们内部也经常头脑风暴,很多问题现在没有答案。这也许就是创业最具价值和魅力的地方。大脑模拟的长远价值,并不只是让机器更强。它还会倒逼人类重新理解自己:记忆从何而来,意识如何生成,情绪如何参与判断,身体如何塑造智能,经验如何穿过时间。每一次对大脑的复刻,都是一次关于人的反向凝视。”

知跃空间智能第一次正式对外讲述自己,想表达的并不是一个短期热点。

它想说的是:下一代智能的入口,可能藏在大脑深处。

当世界被高保真地模拟,当神经元被精细地建模,当真实连接组被转化为可训练的计算系统,当机器身体开始承载来自生命演化的结构,人工智能将从参数规模的竞争,走向智能结构的探索。

AI的第一阶段学会说话,第二阶段学会行动,第三阶段将学会像生命一样持续存在。持续存在并不意味着神话意义上的永生,它意味着一个智能体能够拥有结构、身体、经验、记忆、约束和成长环境。它能够在现实中行动,在仿真中试错,在任务中积累经验,在新的身体中迁移能力。

知跃空间智能,正在从真实大脑出发,寻找下一代智能的源代码。

注:文/簪竹,文章来源:投中网(公众号ID:China-Venture),本文为作者独立观点,不代表亿邦动力立场。

【版权提示】亿邦动力倡导尊重与保护知识产权。未经许可,任何人不得复制、转载、或以其他方式使用本网站的内容。如发现本站文章存在版权问题,烦请提供版权疑问、身份证明、版权证明、联系方式等发邮件至run@ebrun.com,我们将及时沟通与处理。

已点赞

+1

{{ praise_text }}

好文章,值得被更多人看到

广告

下一篇

宠物零食越卖越亏 “毛孩子”拽不动福贝宠物?

近日,上海福贝宠物用品股份有限公司(以下简称“福贝宠物”)向港交所递交了招股说明书,申报在港交所上市。

品牌故事 未来零售

2026-06-24 08:57:30