类脑脉冲大模型 “瞬悉 1.0”（SpikingBrain-1.0）是中国科学院自动化研究所李国齐、徐波团队与沐曦 MetaX 合作研发的全球首款全流程国产化类脑脉冲大模型，于 2025 年 9 月 8 日正式发布。其核心突破在于模仿人脑神经元的脉冲通信机制，通过 “内生复杂性” 理论重构大模型架构，在国产 GPU 集群上实现了高效训练与推理，为突破 Transformer 架构瓶颈提供了全新技术路线。
一、核心技术特性与优势
类脑脉冲架构与内生复杂性理论
传统 Transformer 依赖 “外生复杂性”（增加模型规模和数据量），而 “瞬悉 1.0” 借鉴大脑神经元内部动力学机制，提出 “内生复杂性” 理论，通过脉冲神经元模型与线性注意力机制融合，将训练复杂度从平方级降至线性级，推理时显存占用从线性增长变为常数级。例如，在 100 万 Token 长度下，其生成首个 Token 的时间相比 Transformer 架构加速 26.5 倍，400 万 Token 时加速超 100 倍。
低数据量高效训练与国产算力适配
该模型仅需主流模型2% 的预训练数据，即可在多任务语言理解（MMLU）、中文多任务语言理解（CMMLU）等基准测试中达到与 Llama-3-8B、Mistral-7B 等 Transformer 模型相媲美的性能。其训练与推理全过程均在沐曦 MetaX 曦云 C550 GPU 集群上完成，并开发了适配国产硬件的并行计算框架、Triton 算子库和通信原语，实现训练效率较国际主流方案提升 40%，推理延迟降低 65%。
低功耗与边缘计算潜力
通过动态阈值脉冲化策略和混合专家模型（MoE），“瞬悉 1.0” 在 7B 模型上实现了69.15% 的稀疏度，长序脉冲占比仅 1.85%，乘加运算能耗相比传统 FP16 和 INT8 分别降低 97.7% 和 85.2%。测试显示，其在手机 CPU 上处理 128k-256k 长度文本的速度较 Llama3.2 提升 7.52-15.39 倍。
二、未来发展方向
多模态与跨领域扩展
技术融合：引入跨模态脉冲神经元模型，将视觉、语音等多模态数据与语言模型结合，拓展至视频生成、智能机器人等场景。
科学计算深化：针对分子动力学模拟、量子物理等领域，优化脉冲神经元对连续物理过程的建模能力，提升计算精度与效率。
硬件协同与生态构建
类脑芯片适配：与寒武纪、龙芯中科等合作，开发专用脉冲处理器，充分释放事件驱动、稀疏异步的低功耗优势。
开源与标准制定：通过开源 7B 模型和技术报告，吸引开发者参与生态建设，并主导类脑模型评估标准、脉冲神经网络接口规范等国际标准制定。
技术理论突破
脑机接口结合：探索脉冲神经元模型与神经信号解码的融合，推动脑机接口从 “单向控制” 向 “双向交互” 升级，例如实现意念控制与模型反馈的闭环。
量子类脑计算：研究量子叠加与脉冲神经元的协同机制，探索更高效的神经元状态表示与计算范式，突破经典算力瓶颈。
三、落地应用场景
超长序列处理刚需领域
法律与医疗：快速解析百万字合同、病历，提取关键条款或病理特征。例如，某三甲医院测试中，电子病历诊断建议生成时间从分钟级缩短至秒级。
科学研究：高能粒子物理实验数据解析、DNA 序列分析等，如将全基因组测序时间从 4 小时压缩至 30 分钟。
边缘计算与实时决策
工业与交通：复杂多智能体系统（如自动驾驶车路协同）的实时决策，减少数据传输延迟并提升安全性。测试显示，其在手机 CPU 上处理 256k 长度文本的速度较传统模型提升 15 倍以上。
物联网与传感器网络：在低功耗设备（如无人机、智能摄像头）上实现边缘端实时推理，例如长航时航拍视频的异常检测。
绿色计算与能源优化
数据中心能效：结合曙光 AI 超集群的液冷技术，构建 PUE 低于 1.04 的绿色算力中心，适用于金融、政务等对能耗敏感的领域。
新能源管理：通过脉冲模型预测电网负载波动，优化光伏、风电等可再生能源的调度与存储效率。
四、国内外竞品对比与差异
（一）国内主要团队与技术路径
复旦大学甲骨文破译框架
技术特点：基于视觉语言模型的部首 - 象形双重匹配机制，实现甲骨文零样本破译。
差异：聚焦特定领域（古文字识别），未采用脉冲神经元架构，依赖传统 Transformer 的外生复杂性扩展。
华为云盘古大模型
技术特点：基于 Transformer 的多模态大模型，覆盖自然语言、图像、语音等领域。
差异：未涉及类脑脉冲机制，侧重规模化预训练与行业场景适配，能耗与算力需求较高。
（二）国际代表性项目与技术对比
IBM TrueNorth 与 NorthPole 芯片
技术特点：TrueNorth 采用脉冲神经网络（SNN）架构，支持事件驱动与低功耗边缘计算；NorthPole 进一步集成存储与输入输出，提升实时多传感器融合能力。
差异：IBM 聚焦硬件设计，模型规模较小（百万级神经元），适用于实时感知与控制任务；“瞬悉 1.0” 则侧重软件模型的大规模训练与复杂任务处理，需与专用硬件协同才能发挥最大潜力。
微软 CircuitNet 与 SNN 框架
技术特点：CircuitNet 模拟大脑神经回路的局部密集 - 全局稀疏连接，提升参数效率；SNN 框架用于时间序列预测，结合中枢模式发生器（CPG）实现位置编码。
差异：微软方案侧重特定任务（如时序预测），未构建通用大模型；“瞬悉 1.0” 则通过内生复杂性理论实现通用智能，并支持超长序列与多模态扩展。
高通 Zeroth 与三星 Neocortex
技术特点：Zeroth 早期探索类脑计算，但近年进展有限；Neocortex 采用脉冲神经网络，目标提升移动设备 AI 能效。
差异：国际企业多停留在硬件或小模型阶段，缺乏像 “瞬悉 1.0” 这样的大规模类脑脉冲大模型，且未实现全流程国产化。
五、总结
“瞬悉 1.0” 的问世标志着我国在类脑计算与大模型融合领域迈入世界前沿。其类脑脉冲架构、低数据高效训练和国产算力适配能力，为解决当前大模型算力瓶颈、推动智能产业自主可控提供了新路径。未来，随着与曙光 AI 超集群、类脑芯片等国产基础设施的深度融合，该模型有望在科学研究、医疗、工业等领域释放巨大价值，助力我国从 “算力追赶” 转向 “技术引领”。