一支青年團隊的“非主流”探索丨加強基礎研究

▲李國齊（右一）課題組合影。自動化所供圖

在中國科學院自動化研究所（以下簡稱自動化所），有這樣一群平均年齡僅24歲的年輕人：當外界的大模型競賽不斷沖擊更大規模參數、更多算力的極限時，他們卻獨辟蹊徑，要做一個“非主流”的智能模型。

這條路源于對大腦工作方式的深度模仿。他們打造的類腦脈沖大模型“瞬悉1.0”和“瞬悉2.0”不必遵循大模型賴以為生的“規模法則”，卻能在超長序列推理上實現數量級的效率躍升。換言之，他們要模仿人腦開發智能模型。

這群年輕人身后，是一個讓他們敢于“不走尋常路”的支撐體系——中國科學院與財政部聯合啟動的“穩定支持基礎研究領域青年團隊計劃”（以下簡稱“青年團隊計劃”）。

有別于需要頻繁競爭、快速產出的常規項目，“青年團隊計劃”從頂層設計上瞄準了那些最具挑戰性、需要長期深耕的基礎研究方向，給予青年科學家足夠的周期、耐心和空間。團隊帶頭人、自動化所研究員李國齊坦言：“它帶來的不僅是經費，更是安心。”

一個好想法與實現它的漫長征途

故事的起點要回溯到2023年的夏秋之交。彼時，一個大膽的想法在李國齊腦袋里“萌芽”。

他當時注意到一個很有意思的現象：大模型在訓練時依賴大規模并行計算，但在推理時卻是循環式、一步一步“蹦”出詞來。他聯想到，人腦處理信息也不是全盤死記，而是不斷動態更新、自然遺忘。

“我們能不能把人腦這種更高效、更動態的機制，真正融入大模型設計里？”

想法一拋出，很快引起了團隊成員們的共鳴。據團隊成員、自動化所博士生潘昱锜回憶，當時大家“都很興奮”。

“大模型的基礎計算單元很簡單，你可以把它理解為將復雜的生物神經元抽象為一個點，即點神經元，然后通過‘規模法則’基于深度學習架構擴展到一個非常大的規模。”李國齊對《中國科學報》解釋說，這種路線通過堆疊海量神經元和參數，學習海量數據，確實獲得了很強的能力，但也帶來了高算力消耗、高能耗、高時延問題，以及在記憶、推理和持續學習、通用性等方面的瓶頸。

不過，他們提出的是一種更接近大腦工作方式的實現路徑。

李國齊說，人腦中的神經元本身就擁有極其豐富的動力學特性。于是他們想，如果能把這種內生復雜性引入大模型的最底層，讓每個計算單元從“點”變成一團能夠自主呈現復雜動態的“小宇宙”，就有機會用更接近大腦工作方式的機理，構建新一代通用智能模型。

“行不行得通，得試一試！”憑借在類腦計算和神經動力學方向上的積累，他們很快找到了一個關鍵且可操作的切入點——從神經元模型本身入手，探索把更復雜的神經動力學引入大模型的基礎計算單元。通過持續討論和不斷試錯，團隊逐漸證明了這條看似“非主流”的路線有可能為通用智能大模型提供新的技術路徑。

然而，初步的探索只是讓他們看到了希望，這距離實現他們那個“天才想法”還非常遙遠。

要不要繼續做下去？不去嘗試，所有人都覺得惋惜，甚至后悔；繼續往前走，擺在他們面前的漫漫征途會燃盡他們的青春，到頭來可能一無所獲。

潘昱锜對《中國科學報》說，當時有同學擔心這個方向太難，短期做不出來可能會耽誤出成果，甚至影響畢業。

這種擔心很真實：科研里很多真正有價值的問題，剛開始看起來都不那么“穩妥”。

讓年輕人有底氣啃“硬骨頭”

如果說科學直覺是火種，那么“青年團隊計劃”提供的就是讓火種不滅且越燒越旺的爐膛。

在嘗到了“可行”的甜頭后，團隊成員對實現類腦大模型有了更多渴望。但李國齊心里清楚，要深入做下去，不能光靠“望梅止渴”，必須得“拉點經費”。

照理說，人工智能領域的前沿探索不難拿到資助。但李國齊知道，他們想法的實現存在不確定性，一般性的課題或經費支持恐怕并不匹配。經過一番了解后，他將目光投向既能給予穩定支持又鼓勵大膽試錯的“青年團隊計劃”上。

2024年，李國齊帶領團隊以“基于內生復雜性的類腦通用智能大模型”為題，申請并成功入選“青年團隊計劃”。這一計劃的背后是中國科學院在深化科技體制改革中著力推動的一項頂層設計——通過長期穩定的經費機制，把青年科學家從頻繁“寫本子”、找項目的焦慮中解放出來，讓他們敢于向真正具有顛覆性潛力的方向發起沖鋒。

李國齊對此感受至深：“以前我需要到處找項目、湊經費、維持團隊運轉，沒法把全部精力花在研究科學問題上。穩定支持青年團隊這筆錢最實在的好處，就是讓我們能靜下心來，把主要時間和精力投入到對技術路線的探索中，探索那些更有挑戰性、更可能產生突破的方向。”

這種前所未有的安心，激發了團隊里年輕人的驚人潛力。

當時擺在大家面前的，是一個幾乎不可能完成的任務。一群幾乎沒有7B（Billion，10億）以上大模型開發經驗的學生，要在512張國產加速卡組成的集群上，完成7B乃至76B類腦大模型的穩定高效訓練。

“瞬悉1.0”研發中最關鍵的一躍，就是將模型適配到國產算力平臺，完成大規模訓練。

“國產平臺跟英偉達生態差異很大，沒有成熟經驗可以借鑒，從底層的Triton算子到大規模訓練框架，幾乎全部要從‘零’開始摸索。”李國齊說，那是整個項目的關鍵節點，也是他們遇到的最大“攔路虎”。

那段時間，團隊幾乎“連軸轉”。所有人自發白天扎在機房調試參數、排查漏洞，晚上自動聚在會議室里一起復盤，說得最多的話就是“再試一次”“還有沒有別的方法”。有一次，為了破解一個通信延遲難題，幾個年輕人和工程師一連數周逐行死“磕”代碼。哪怕中間遭遇多次失敗，大家也只是短暫喘口氣，便開始下一輪嘗試，沒有一個人提出過放棄。

靠著一股韌勁，團隊把一個個看似無法解決的問題逐個擊破，最終使類腦大模型在國產集群上跑通了全流程，并達到了預期的訓練效率。

“當訓練成功的那一刻，大家都松了口氣，覺得所有的堅持都值得。”李國齊說，正是這群年輕人的“硬磕”和堅守，為“瞬悉1.0”的順利落地打下了堅實的基礎。

成果來得實實在在。他們打造的“瞬悉1.0”成為我國首個在國產GPU集群上跑通的類腦脈沖大模型。處理超長文本時，它的響應速度比主流模型快幾十倍——400萬詞元長度下，首個詞生成提速超過100倍；在手機上運行，解碼速度提升了4到15倍。

半年后的“續作”——“瞬悉2.0”則更進一步：訓練開銷壓縮至1/10，性能卻不輸業界強基線模型。它還在400萬長度下實現了10倍以上的首詞加速，精度損失不到0.7%。從語言到多模態，兩個版本均已開源。

用李國齊的話說，“這支年輕的團隊，驗證了朝著那個‘非主流’方向走下去是值得的”。

在不確定性中堅持往前走

在“青年團隊計劃”的支持下，團隊更添了一股潛心基礎研究的“定力”和“活力”。

潘昱锜告訴《中國科學報》，在他們課題組，導師李國齊從不設置激進的關鍵績效指標（KPI），甚至鼓勵大家“否定老師的觀點”，也鼓勵互相尋找研究中的缺陷。在定期召開的組會上，大家都是暢所欲言，圍繞實際工作進展中出現的一些問題展開討論。

“我們聊得最多的是，人腦是經過幾億年的進化形成的、具備精細結構和功能的通用智能體，這對于我們研究下一代人工智能基礎模型和架構到底能起到什么樣的借鑒作用？”潘昱锜表示，他們做科研雖然有著宏大的目標，但并不被其牽著鼻子走，大家更像是憑興趣“日拱一卒”。

“我們認為，科研的樂趣在于追求真理的過程中閃現的思想靈光。”在課題組，李國齊對學生最大的要求就是“學會如何提出好的問題”。這個問題需要有足夠的意義，既和現有的技術路線有足夠的區分度，又具備實現的可能性。

“如果這條路徹底走通，對我們普通人到底意味著什么？”對于這個問題，李國齊的描繪很具體：未來的智能助手不必再臃腫地棲身于大型服務器，它可以輕快、低耗地部署到手機、機器人、智能汽車甚至可穿戴設備上，變得更人性化、更聰明，也更無處不在。更進一步，類腦大模型還能反哺人類，“更好地理解人類自己，診療神經系統疾病，讓人更健康、長壽”。

李國齊透露，團隊盯上的下一個“硬骨頭”是多層級記憶機制如何在大模型中復現，以及大腦那精妙絕倫的結構究竟能為下一代人工智能描繪怎樣的藍圖。目前，他們正同步構建超大規模精細神經元網絡的“神經孿生”開源平臺，并朝著更高能效的類腦專用芯片進發。

作為“少數派”，李國齊坦陳“有必須承受的煎熬”。他常對學生們說，你努力了不一定能成功；但如果你不努力，一定不會成功。

“最大的煎熬不是‘不被理解’，而是你很清楚這個方向有價值，又必須承認它離真正跑通還很遠。”李國齊說，在探索過程中肯定有外界質疑，也會有階段性的自我懷疑——投入了那么多，最后是不是可能走不通？

但李國齊隨即給出了團隊堅持下來的理由：問題本身足夠重要，團隊成員也一直在互相支撐。“這個過程中最重要的是在不確定性里繼續往前走。而正是這種不確定性，讓每一個小的突破都變得極其珍貴。回頭看，我們確實是一步一步把這條路走得愈發清晰。”

來源：《中國科學報》 (2026-07-01 第1版 要聞)

責任編輯：梁春雨