【大公报讯】记者刘凝哲北京报道：日前，中国科学院自动化研究所李国齐、徐波团队与国产GPU（图形处理器）企业合作，成功研发出类脑脉冲大模型“瞬悉1.0”（SpikingBrain-1.0）。该模型基于“内生复杂性”理论构建，在国产GPU沐曦MetaX平台上完成全流程训练与推理，显著提升了大模型高效处理极长文本或数据序列的效率和速度。

　　当前，DeepSeek、ChatGPT等主流大模型均采用Transformer架构，而“瞬悉1.0”则借鉴大脑神经元内部工作机制，清晰地展示了一条不断提升模型复杂度和性能的新型可行路径。李国齐研究员表示，主流模型的功耗是固定的，不管是否需要大量的计算都在持续耗能。此外，它们几乎把所有对话历史“原封不动”地记下来，这会在处理很长的对话时变得越来越慢。

　　“‘瞬悉1.0’基于一种新的类脑原理，可以把对话历史进行压缩和提炼，就像是人类记忆一样，不需要每次都翻遍全部历史，在超长对话场景下依然保持很快的响应速度。”李国齐说，“瞬悉1.0”采用脉冲驱动机制，只有在需要的时候才会触发计算，所以能耗会根据实际情况动态变化，而不是一直保持在高水平。这需要专门的硬件支持，但带来的好处是能效比大幅提升。“在同样的超长对话中，‘瞬悉1.0’能够更快响应、更流畅交互，同时在移动端或低功耗设备上更节能。”

　　值得一提的是，“瞬悉1.0”在多个核心性能上实现突破。第一，极低数据量上的高效训练，以约为主流大模型2%的预训练数据量实现与众多开源Transformer模型在多任务语言理解，中文多任务语言理解，常识推理能力任务上相媲美的性能。第二，推理效率的数量级提升：推理阶段结合脉冲神经元事件驱动特性，在超长序列处理能力上展现出数量级的效率和速度提升。

　　此外，“瞬悉1.0”完成国产自主可控类脑大模型生态的构建。“瞬悉”适配了面向国产GPU集群的高效训练和推理框架、Triton算子库、模型并行策略以及集群通信原语，表明了构建国产自主可控的新型非Transformer大模型架构生态的可行性，并为低功耗的类脑大模型运行提供有力支撑。