AI 蓝鲸汇 · 现场手记2026.06.30
当智能进入身体 · 我们到底该 Scale 什么？
从脑机接口到具身智能，张展把问题从连接故事拉回能力闭环：信号、数据、结构，如何在物理世界里变成稳定能力。
脑机接口真正难的，是信号如何变成稳定、可复用、可泛化的能力。
脑机接口具身智能
脑机接口最容易被讲成一个入口故事。
接上大脑，控制机器，重建感知，甚至让人和 AI 融合。
但在 6 月 30 日 AI 蓝鲸汇「脑机新革命：下一个万亿赛道」现场，知跃空间智能科技有限公司 COO 张展把问题往下压了一层。以下是对张展现场分享内容的整理。
AI 蓝鲸汇 由多名资深 AI 从业者与投资人共同创建，以“小规模、高规格、深度交流”为核心，长期邀请一线 AI 从业者、技术专家、创业者与投资人，围绕真实产业议题展开坦诚对话，致力于发现与培育优质 AI 项目，帮助更多青年创业者在 AI 浪潮中找到真正可落地的方向。
⬆️关注 AI 蓝鲸汇
脑机接口真正难的，不只是采到信号，而是这些信号如何变成稳定、可复用、可泛化的能力。
这也是他分享里最核心的判断。
当 AI 从屏幕走向身体，从语言走向动作，从虚拟世界进入真实物理环境，过去大模型里那套「更多数据、更大参数、更多算力」的直觉，未必还能直接成立。
张展不是在否定大模型。
他真正追问的是：
当智能进入身体，我们到底该 Scale 什么？
01
脑机接口不是通道数竞赛
脑机接口的讨论，很容易被几个指标带走：
多少通道？侵入还是非侵入？能不能控制机械臂？能不能恢复语言？
这些当然重要。但张展更关心的是另一件事：
信号采上来之后，怎么变成可用能力？
比如语言方向的脑机接口，后面可以借助今天成熟的 AI 语言系统。底层神经信号即便不够完美，也还有 Transformer 这类模型做纠错、补全和映射。
但运动控制不一样。
它不是一句话通不通顺的问题，而是一个动作稳不稳定、连续不连续、能不能重复、换一个人还行不行的问题。
张展提到，可穿戴肌电一类方案在实际使用中会遇到明显的个体差异。换一个人，信号分布可能就变了；换一个场景，模型也可能要重新适配。
这意味着，脑机接口如果要从 Demo 走向产品，不能只讲采到了多少信号。
更关键的是：
-
这些信号如何被解码？
-
如何被组织成动作？
-
如何适配不同人的差异？
-
如何在真实环境里稳定工作？
通道数解决的是“有没有信号”，产品要回答的是“这个信号能不能用”。
02
身体的数据，还没有像文本那样被定义清楚
为什么脑机接口的问题，会自然延伸到具身智能？
因为二者面对的是同一个世界：身体和物理环境。
过去几年，大模型的故事相对顺畅。文本、代码、网页、论文、对话，质量有高低，但数据形态是清楚的。你可以讨论 token 数、语料质量、参数规模，也可以相对直接地判断训练是否有效。
但到了具身智能，问题变得没那么清楚。
张展在现场追问的一个问题是：
具身智能的数据种类是什么？什么叫高质量数据，什么叫低质量数据？
今天行业里有第一人称视频、遥操作数据、动物数据、仿真数据、传感器数据，也有人用示教、合成环境、模拟器去补数据。
但这些数据到底对应什么能力？采样频率应该是多少？硬件标准是什么？哪些数据真的能让系统理解物理世界，而不是只学会一个漂亮的 Demo？
目前并没有统一答案。
语言模型处理的是符号世界。具身系统面对的是物理世界。后者不是「看见」之后「回答」，而是要感知、决策、控制、反馈，并且在真实时间里和环境互相作用。
所以张展真正指出的问题不是 Scaling Law 失效了。
而是：
在身体和物理世界里，我们还没搞清楚到底该 Scale 什么。
03
从线虫开始，不是为了讲仿生故事
张展分享里最有辨识度的部分，是他们正在做的线虫神经系统模拟。
线虫只有 302 个神经元。
和人脑相比，它小得几乎不像一个智能系统。但也正因为足够小，它的神经连接、离子通道和行为模式，才有可能被更细致地建模。
这里要说清楚：
线虫不是答案，而是一个验证起点。
张展并不是说线虫模型马上能替代现有具身模型，也不是说把线虫神经系统搬到机器人上，就能解决机器人智能。
他的意思更接近于：如果我们连一个足够简单的生物神经系统，都无法解释它如何产生动作、如何形成回路、如何在环境里完成任务，那么直接讨论更复杂的大脑、身体和通用智能，可能太跳了。
这条路径和主流 AI 很不一样。
主流路径更像是：先训练一个足够大的模型，再从模型里找能力、找专家、找可压缩结构。
张展的路径更像是反过来：
先定义一个足够清楚的场景，再找到一个足够小、但结构合适的神经系统，看看它能不能在这个场景里完成任务。
重点不是把故事讲大，而是把问题压小：
在一个明确任务里，小结构能不能跑出有效能力？能不能用更少数据，得到更稳定的动作？
04
类脑智能不是复古，而是在补一个被省略的问题
今天很多人谈类脑，容易把它讲成浪漫化的仿生叙事。
好像只要「更像大脑」，就天然更高级。
张展讲的不是这个。
他提到，早期人工神经网络为了让问题可计算，对生物神经网络做了高度抽象：神经元被抽象成一个点，复杂的树突、离子通道、放电模式、局部计算，都被压缩掉了。
这条抽象路线成就了今天的深度学习。
但当智能要进入物理世界，过去被简化掉的那些东西，会不会重新变得重要？
比如，传感器如何只采集与任务相关的变化？信号能不能用 spike 的形式传递？神经模型如何连接到肌肉、本体和运动输出？
这些问题看起来细，但它们决定了一个系统能不能从感知走到控制。
脑机接口、具身智能、类脑计算，表面上是三条技术线。但在张展的分享里，它们汇到了同一个问题：
智能不是单独长在模型里，它也长在身体、环境、反馈和任务约束里。
05
不要只问方向热不热，要问闭环在哪里
张展这场分享最值得被记住的，不是某个单点结论。
而是他把脑机接口从一个连接故事，重新拉回到一个能力问题：
信号如何变成动作？数据如何变成能力？结构如何在环境里产生智能？
当大多数人还在问「能不能把大模型装进机器人」时，他实际上在问另一个问题：
如果一个更小的生物神经结构，在一个明确场景里就能完成任务，我们为什么一定要从大模型开始？
这不是否定大模型，也不是否定 Scaling。
更准确地说，这是在提醒我们：当 AI 从语言世界进入身体世界，原来的技术直觉必须重新校准。
对 AI 创业者来说，这个判断很现实：
不要只问一个方向是不是热。
要问它的数据在哪里，场景在哪里，闭环在哪里，以及它能不能从一次 Demo，走到真实世界里的稳定能力。
关于 AI 蓝鲸汇
由多名资深的 AI 从业者和投资人一同创建，致力于发掘与培育优质 AI 项目，助力优秀青年投身 AI 创业。我们以小规模、高规格、深度交流为核心，长期邀请一线 AI 从业者、技术专家与创业者，围绕真实议题展开坦诚对话，共同提升 Al 认知与实践视野。同时，AI 蓝鲸汇 通过免费 Token、算力支持、投融资对接等资源，为青年创业者搭建成长通道，让真正有潜力的 AI 人才脱颖而出。