近日，由上海交通大学牵头，联合中国科学院微电子研究所、华为技术有限公司、中国信通院、北京理工大学及思必驰共同承担的国家科技创新2030“脑科学与类脑研究”重大项目——《支持在线学习的类脑芯片架构》顺利通过中期验收。
本项目聚焦边缘计算场景下的类脑智能芯片架构创新，突破了脉冲神经网络在线学习的核心技术瓶颈，实现了算法、架构、芯片原型的全链条协同攻关。专家组一致认为，项目从算法设计、硬件架构、系统部署到应用验证四个维度协同发力，有效解决了类脑神经网络在在线学习能力、训练效率、网络规模及能效等方面的关键挑战，在仿生计算与生物启发式模型领域取得重要突破，为通用人工智能（AGI）的硬件实现开辟了新的技术路径。
作为该国家重大项目的重要参与单位，思必驰不仅圆满完成了基于脉冲神经网络（SNN）的低功耗语音识别模型创新，更凭借SNN与在线学习技术的协同创新，为智能座舱、智慧办公、智能家居、具身智能等产业的个性化模型迭代开辟了全新的技术范式。
模型迭代范式的突破：从“被动响应”到“主动进化”
在传统的人工智能商业化路径中，模型迭代训练往往依赖真实场景海量数据的回流与标注。然而，在以智能座舱为代表的端侧场景中，如何平衡高昂的数据标注成本与训练算力投入，如何应对覆盖全国的口音差异，以及如何满足千人千面的个性化交互需求，始终是产品方面临的核心痛点。
在此次“支持在线学习的类脑芯片架构”项目中，思必驰成功验证了SNN脉冲神经网络在工业级场景中的巨大潜力。
媲美ANN的高精度与低功耗
SNN因其模拟生物神经元“脉冲发放”的特性，天生具备低功耗优势，但长期以来受限于识别精度。
高精度基准
思必驰团队在项目中期验证中，以传统人工神经网络（ANN）为基准，实现了98.05%的车载语音离线识别精度。
SNN无损转化
通过先进的转换算法，SNN模型在保持极低功耗的同时，与高精度ANN模型的识别率差异被极致压缩至2%以内，证明了类脑技术已经具备了走出实验室、承载车规级关键任务的实力。
越用越懂你的“在线学习”
区别于传统模型“出厂即定型”的模式，思必驰验证的类脑技术支持片上在线学习（On-chip Online Learning）。
自适应进化
系统能够在离线状态下，根据驾驶员的口音习惯、常用指令变化，利用非重复流式数据进行无监督学习。这意味着，语音助手不再是一个标准化的工具，而是随着使用时间推移，这也是变得越来越懂特定车主的专属助手。
数据实证
在项目实测中，即使在未预设的复杂声学场景下，启用在线学习后，系统识别精度的环境适应性损耗被控制在5%以内，展现了极强的鲁棒性。
战略展望：赋能“泛在终端”，共筑“全场景智能”
SNN在车载环境的成功验证，不仅展示了智能座舱的进化潜力，更可被视为通往万物智联的关键钥匙。思必驰在该项目中验证的低功耗计算与环境自适应能力，正在打破端侧智能的算力与能效瓶颈，将“自进化”体验推广至更广泛的泛在终端，构建全场景智能生态：
智慧办公
助力AI办公本与会议吸顶麦实现全天候超长续航与本地化隐私计算，让会议记录与辅助决策更加安全、高效。
智能家居
让家电设备摆脱云端束缚，通过在线学习主动适应家庭成员的指令习惯，打造越用越贴心的专属管家。
具身智能
为人形机器人与轮式机器人构建高能效“感知中枢”，使其在复杂噪音环境下依然具备极致的离线听觉感知与即时响应能力。
顺利通过国家重大项目中期验收，标志着思必驰类脑智能技术已完成从概念到原型的关键跨越。下一步，我们将聚焦SNN模型的深度优化与迭代，加速推进其在新一代类脑芯片上的工程化适配，并重点面向具身智能等复杂场景开展应用验证。
