近日，中国科学院自动化研究所李国齐研究员与徐波研究员团队联合攻关，成功发布全球首款大规模类脑脉冲大模型 ——SpikingBrain 1.0。该成果在长文本处理领域实现关键突破，处理 400 万 token 超长文本时，速度较当前主流 Transformer 模型提升 100 余倍，且训练数据需求量仅为传统模型的 2%，为人工智能高效化发展提供全新技术路径。

当前，以 GPT 系列为代表的主流大语言模型普遍基于 Transformer 架构。该架构依托自注意力机制实现复杂语义理解，但存在计算复杂度高的固有短板 —— 随着文本长度增加，其计算量呈平方级增长，导致在长篇小说分析、法律文书处理等长文本应用场景中，面临耗时久、能耗高的难题，极大限制了人工智能技术在相关领域的深度应用。

为破解这一行业痛点，研究团队以自然界高效智能系统 —— 人脑为研究蓝本。人脑由千亿级神经元构成，整体功耗却仅约 20 瓦，其高效的信息处理模式为模型研发提供重要启发。团队创新性提出 “基于内生复杂性” 的研发理念，核心在于通过优化模型内部单元结构与运行机制，提升智能处理效率，降低资源消耗。

SpikingBrain 模型通过创新架构设计模拟人脑神经元工作原理，目前已推出 SpikingBrain-7B（70 亿参数）与 SpikingBrain-76B（760 亿参数）两个版本，核心技术突破体现在三方面：

其一，摒弃传统 Transformer 架构的二次方复杂度自注意力机制，创新采用 “混合线性注意力架构”，将计算复杂度降至线性水平（O (n)），大幅提升长文本处理效率；

其二，引入 “自适应阈值脉冲神经元” 设计，神经元激活状态由接收信号强度动态决定，通过阈值自适应调整确保神经元始终处于高效能运行状态，其事件驱动机制使计算稀疏度达到 69.15%，显著降低能耗；

其三，研发高效模型转换技术，支持将现有 Transformer 模型直接转化为 SpikingBrain 架构，有效降低模型训练与应用成本。