类脑模型可以从不同维度来理解，下面按计算模型、认知架构、具体系统/产品三个层次梳理： 基础计算模型（神经元与网络层面） 这是类脑模型最底层的"积木"： - 泄漏积分-发放模型（LIF）：最常用的脉冲神经元模型，模拟神经元膜电位的泄漏与积分过程 - 积分-发放模型（IF）：LIF的简化版，不考虑膜电位泄漏 - 霍奇金-赫克斯利模型（H-H）：最接近真实生物神经元行为的模型，精确模拟离子通道动力学 - 自适应阈值脉冲神经元：中科院SpikingBrain采用的模型，模拟大脑神经元"超过阈值才发放脉冲"的事件驱动机制 - 脉冲神经网络（SNN）：基于上述神经元模型构建的第三代神经网络，采用离散脉冲序列传递信息 认知架构模型（系统层面） 借鉴大脑整体组织结构设计的智能系统架构： - ACT-R：以符号推理为主的认知架构，模拟人类记忆、注意力和决策过程 - LIDA：混合架构，融合感知、记忆、推理和行动循环 - CLARION：融合显式（规则）和隐式（神经网络）两种知识表示 - DeSTIN：涌现式架构，通过层级结构自组织学习 - MicroPsi：模块化认知架构，支持动机驱动的行为生成 - OpenCog：开源通用认知框架，融合多种推理方式 具体类脑模型与系统（产品/项目层面） 近年来涌现的代表性类脑模型： - SpikingBrain（瞬悉）：中科院自动化所研发的类脑脉冲大模型，有7B和76B两个版本，处理400万token长文本比主流Transformer快100多倍，训练数据量仅需2%，计算复杂度从O(n²)降至O(n) - NeuroVLA：智平方推出的类脑具身智能模型，借鉴"皮层-小脑-脊髓"三级分工机制，碰撞反射响应时间20毫秒，脊髓层功耗低至0.4瓦 - 具身数字孪生脑：复旦大学团队构建，融合多模态数据与神经动力学方法，实现感知—认知—行为生成的统一表达 - Dendristor：新型类脑神经计算模型，专门复制生物树突的树状结构与时空处理特性 - 类脑脉冲世界模型：用SNN模拟人脑认知，只在环境变化时触发计算，能效是传统模型的100~1000倍 按技术路线分类 路线 核心思路 代表 软类脑 算法模拟大脑信息加工 SNN、STDP学习、赫布学习 硬类脑 物理器件模拟神经元/突触 天机芯、Loihi、TrueNorth 异构融合 ANN高精度 + SNN高能效 混合架构模型 生物-电子融合 类脑器官+硅基芯片结合 哈佛干细胞芯片实验 简单来说，类脑模型从底层到顶层可以概括为：神经元模型（LIF/H-H等）→ 网络模型（SNN）→ 认知架构（ACT-R/LIDA等）→ 完整系统（SpikingBrain/NeuroVLA等），层层递进，越来越接近真实大脑的运作方式。 你对哪个层次的模型最感兴趣？我可以进一步展开。