从数据智能到生物智能：一场人机协同的智能变革

从数据智能到生物智能：一场人机协同的智能变革图2

生物智能正在从“读懂生命”

走向“与生命融合”。

从数据智能到生物智能：一场人机协同的智能变革图4

人类对“智能”的探索，正在跨越传统学科的边界。尤其在计算科学与生命科学之间，原本相对独立的研究路径，正走向更深层次的交汇。

这一趋势，在诺贝尔奖所表彰的科学突破中可见一斑。2024年，诺贝尔物理学奖聚焦人工神经网络与机器学习，化学奖表彰计算蛋白质设计与结构预测；2026年，生理学或医学奖则将目光投向光遗传学——这项技术让科学家能够通过光，精准调控特定神经元的活动。

这些看似不同的突破，呈现出两条相互促进的研究脉络：一方面，AI从生命系统中汲取灵感，又反过来成为探索生命机制的重要工具；另一方面，神经科学的进展，也在不断加深人类对智能生物学基础的理解。

沿着这条双向演进的路径，一个尚处早期的前沿交叉方向正浮出水面——生物智能。

其兴起的背后，还有AI自身发展的现实需求。近年来，以大模型为代表的AI迅猛发展，但高质量数据获取难度上升、计算能耗剧增等问题日益突出；具身智能虽然推动AI从数字空间走向物理世界，但在复杂多变的真实场景中，其自主学习、持续适应与灵活决策能力仍有进步空间。相比之下，生命系统在能效、学习与环境适应方面展现出的能力，为探索新的智能范式提供了重要启发。

随着类脑计算借鉴神经机制，脑机接口建立起人机通道，具身智能让机器走向物理空间。沿着这些方向，生物智能将如何与数据智能、物理智能协同，支撑更高层次的智能？

技术转向：AI为什么

开始向生物系统寻找答案？

当下AI的热度，早已不限于科技圈。大模型能力持续跃迁，机器人加速走出实验室，资本也在不断抬高对下一代智能技术的预期。

热潮之下，AI能力的扩张正沿着一条更深层的路径展开：从数据智能到物理智能，再到生物智能。

通俗地说，数据智能让AI“读懂数据”，以大模型为代表，从海量信息中学习规律、生成内容；物理智能让AI“走进现实”，以具身智能为重要载体，通过传感器和实体设备感知环境、采取行动；生物智能则让AI“向生命学习”，尝试借鉴大脑等生物系统的运行机制，寻找更低能耗、更高效率的计算与交互方式。

资本市场为这条演进路径提供了现实注脚。目前，OpenAI正在寻求最新一轮融资，融资前估值定在1.25万亿美元；今年10月，具身智能企业Figure与英伟达正在洽谈追加约10亿美元投资。

生物智能领域，早期资本已经开始落子。专注于将实验室培养的人脑细胞与计算机芯片结合的澳大利亚公司Cortical Labs于2023年获得维港投资领投的1000万美元融资；聚焦应用型生物计算的美国公司The Biological Computing Co.（TBC）在2026年完成2500万美元种子轮融资；发力生物数字孪生方向的美国公司Bios Life于2026年完成2500万美元种子轮融资，其利用基因组、临床等数据构建持续更新的患者数字孪生，用于癌症筛查与监测。

这些融资反映出不同的产业阶段。大模型进入重资本、规模化投入期，具身智能开始为量产与场景交付筹资；生物智能仍处于技术曲线早段、行业格局尚未形成，资金更多流向技术验证和工程化。

不过，相关细分赛道的市场增长潜力已经开始显现。全球市场研究与咨询公司The Business Research Company在2026年报告中预计，全球人工智能神经形态计算市场规模将从2025年的20.4亿美元增长至2030年的92.8亿美元，五年间扩大约4.5倍。

而神经形态计算仅仅只是生物智能众多技术方向之一。从生物数字孪生、类脑芯片、脑机接口到活体细胞计算、器官芯片、生物智能体，生物智能正在探索不同的产业化路径，其潜在应用也从低功耗智能终端延伸至疾病研究、药物开发及新型人机交互等领域。

一句话总结便是：生物智能在当前仍是蓝海市场，但具备高增长弹性。活体计算、类脑芯片和脑机接口一旦跨过产品验证关口，生物智能便有望从早期探索进入产业加速期，并在部分细分场景形成差异化突破和阶段性发展潜力，与数据智能、具身智能两个赛道并行演进、互补融合。

市场空间之外，传统计算路径的能耗约束，是生物智能受到关注的另一重原因。

“为什么说单纯由数据驱动的智能不具备长期的可持续性？我们可以算一笔全人类的能源账。”南京大学前沿科学学院院长、生物智能研究院院长缪峰教授告诉36氪，“当前AI训练与推理的计算量正在呈指数级暴增，若将全球花在数据搬运上的能耗累加，甚至要抵得上好几个三峡大坝的发电量。而未来，未来大模型的算力需求会以几个数量级的幅度跃升。”

反观人类可获取的能源总量，即便包括风电、光伏与核电，全球能源供给仍高度依赖化石能源，整体维持缓慢的线性增长。

能耗困境又根植于冯·诺依曼架构的“存算分离”：存储器与处理器之间频繁数据搬运，产生巨大的能耗与延时。

相比之下，人脑不需要将真实世界编码为“0”和“1”，历经了数百万年演化，人脑仅凭极低功耗便展现出卓越高效的感知、处理、学习与推理能力。

其实，生物智能相关研究由来已久，早期更多从DNA、细胞和行为学等层面理解人或动物智能的产生机制。中国科学院院士、南京大学常务副校长郑海荣结合长期研究与实践，对这一概念作出新的阐释，将人机融合纳入生物智能的研究范畴。他将生物智能视为超级智能的核心支柱，并提出“脑际通讯”等原创构想。

如果用一条更易理解的路径来描述，生物智能正在从“读懂生命”走向“与生命融合”：先研究大脑与生命体如何产生认知，再借鉴神经机制研发类脑计算、类脑视觉等新技术，继而通过脑机接口等手段干预神经系统疾病，最终探索人脑、数字孪生脑与云端大模型的深度协同。

“今天我们打开手机跟DeepSeek等大模型聊天，本质上虽然也有人脑思考与机器知识的结合，但通过打字或语音的交互效率其实非常低。”缪峰教授做了一个形象的类比。

他提到，大语言模型与人类大脑各有擅长，如果未来基于更高效的脑机接口界面、类脑智能技术乃至个体的“数字孪生脑”，实现人脑、孪生脑与云端大模型之间的高效直连与深度协同，让“人在环路中（Human-in-the-loop）”充分参与，就能形成“1+1>2”的人机融合智能。

可见，生物智能虽仍处于技术曲线的早段，但需求、技术与资本三条曲线已经开始交汇。

它如何与大模型、具身智能协同融合，仍需产品和市场验证。但资本提前卡位的，正是这种从边缘探索走向主流智能架构的可能性。

行业实践：生物智能走向产业，

还要跨过哪些关口？

需要明确的是，蓝海并不意味着技术会自然长成产业。

生物智能尚需跨过三道关口：学科交叉形成合力、实验室原型走向稳定产品、真实场景需求对接。

首先要破解的，是学科交叉容易停留在“物理拼接”，难以形成持续攻关合力的问题。

以南京大学为例，该校在生物智能上的布局已达十余年之久。六年前，团队在国际上先一步突破类视网膜视觉传感器与类脑视觉架构；2021年成立类脑智能科技研究中心。

近年来，南京大学进一步加强相关前沿领域的系统性布局。2026年，在郑海荣院士的统筹推动下，南京大学生物智能研究院正式成立。在这一脉络中，类脑智能是生物智能的重要组成部分，可视为其一个子集，前期的类脑研究为生物智能研究院打下了基础。

生物智能横跨物理、信息、生物、医工等领域，真正形成科研合力，既需要科学家突破既有学科边界，也需要高校在学科规划、人才引育和科研平台建设等方面提供支持。

在这一过程中，郑海荣院士所倡导的强化原始创新、鼓励前沿探索、促进学科交叉融合等理念，汇聚了跨学科的创新力量，有效推进了科研发展。

具体到研究院的组织架构，其采用交叉研究设计，依托新工科“由理转工、落实在工”的思路，让不同学科围绕共同的技术目标协作，推动生物智能研究从单点技术突破走向多学科协同攻关。

南京大学生物智能研究院聚焦四大研究方向：

1. 生物智能基础与大模型：解析生命智能的跨尺度机制，构建可解释、可预测、可干预的生命模型；

2. 生物启发的感知与计算：发展仿生感知、感算一体器件与神经形态计算；

3. 生物计算与类器官智能：探索类器官活体计算及湿件—硬件协同；

4. 生物智能体与具身系统：构建“感知—决策—行动”闭环，推进生物智能—硅基智能融合。

四条主线沿着“基础机制—关键技术—系统集成”逐层推进，构成从科学发现到智能实体的研究链条。

这些研究主线已经催生出具体成果。团队已将包含约10万个神经元连接的果蝇大脑全连接模型应用于无人机系统，在无需传统海量数据训练的情况下，于实验室实现逃避危险和避障功能。未来，有望催生帮助瘫痪患者行走的智能外骨骼“机甲”，也有望像《阿凡达》一样让人类用意念跨空间精准操控实体。

第二道难关是工程化：论文中的性能优势，必须变成可制造、可复用、可进入真实系统的产品。

“光语芯”是团队试图跨过这道关口的样本。要理解它的价值，需要先理解传统机器视觉与人类视觉的差异。

“比如我要判断你手里的手机是什么品牌，如果采用传统计算机视觉处理手段，它需要先把整个画面的所有像素100%数字化并全部建模成像，包括冗余的背景信息，然后再经过极其耗能的数据搬运和后端计算去比对特征，大量带宽和算力都浪费在处理无用的冗余信息上。”缪峰教授举例道。

人眼则依靠视网膜“双极细胞”预先处理视觉信号，大脑皮层通过注意力机制调动“黄斑区”聚焦核心特征，以极低消耗完成快速识别。这促使研究者打破传统“先成像、后处理”的路径，让感存算在前端深度结合。

十余年前，缪峰教授团队便开启了面向生物智能的跨界探索。两个月前，“光语芯1.0”成果发表于传感领域国际顶级期刊《Nature Sensors》，电子学领域国际顶级期刊《Nature Electronics》也发表专文推介。成果亮相后，产业界与资本界陆续与团队接洽。

即将发布的“光语芯2.0”，更是进一步转向面向工程化的架构创新。芯片在传感器端直接实现“光信号输入、词元（Token）输出”，让光学信号无需冗杂转换即可直接接入大语言模型。目前，该芯片已跑通工程化路线，正面向小微特机器人、商业航天等场景开展适配与产业孵化。缪峰教授希望，光语芯未来能够成为大语言模型感知物理世界的入口。

跨过工程化关口之后，第三道难题便是如何让人才与产业协同，让技术持续涌现并对齐真实需求。

对此，研究院采取“以未来产业需求倒推”的思路，新设“生物智能科学与技术”交叉学科方向并启动全球招聘，汇聚顶尖带头人与工程技术人才。

在产业协同上，南京大学此前已与中电海康集团签署全面战略合作协议，推动企业场景理解与生态能力前置嵌入科研。企业提出问题、工程团队参与验证、科研人员继续攻关，交叉研究由此获得更清晰的产业坐标。

从学科组织到工程验证，再到人才与企业协同，研究院要搭建的是一套持续产出技术、持续校准方向的机制。这也为下一阶段的产业转化定好了起点。

产业成形：

如何把前沿科研转化为未来产业？

当生物智能从技术命题变为产业命题，竞争也从论文和原型延伸到资本、平台与场景。

从全球范围看，美、欧、中的产业组织方式各有侧重。美国强调科研与资本接力，欧洲重视跨国协同与公共科研基础设施，中国则推动科研、政策、资本与区域场景联动。

先看美国。该国国立卫生研究院“脑计划”2025财年预算为3.21亿美元，持续支持脑图谱、神经技术工具与跨学科研究；企业端则借助风险投资，把活体神经元计算等前沿方向推向产品验证。它擅长用科研供给打开可能性，再由资本筛选商业化路线，但前沿成果仍需穿越工程化与规模化的筛选。

再看欧洲。欧盟“人脑计划”十年间形成EBRAINS研究基础设施；2024年，欧盟委员会又提供3800万欧元支持EBRAINS 2.0发展至2026年。该项目连接16国59家合作机构，沉淀脑数据、脑图谱、模拟工具与神经形态计算平台。共享底座既降低重复研究成本，也将数据互操作、伦理和治理纳入产业演进。

最后看中国。目前我国正在把科研攻关、产业政策、资本投入与区域场景放进同一张蓝图里。

2025年，工业和信息化部等七部门发文，指出：“实现生物智能与机器智能的协同交互，是生命科学和信息科学融合发展的前沿技术。”

该文件同时部署关键技术、产品和标准体系，提出建设产业集聚区、提升中试能力，并推动国家制造业转型升级基金、国家中小企业发展基金等加大投入，使政策目标与工程平台、产业基金、应用场景形成更紧密的组合。

三种路径比较之下，中国的差异化优势，在于依托完整制造业体系和丰富应用场景，把高校源头创新与地方产业组织迅速连接起来。

而这种优势能否兑现，取决于协同是否真正发生。南京大学与玄武区共建生物智能研究院，正是这一路径在南京的具体试验。

据了解，玄武区党代会提出的五年目标中，建设“全方位的智能先行区”被摆到了第一条。此前，玄武区已汇聚全省约三分之一的备案大模型，并布局了数据交易所与具身智能产业。

因此，依托本地生物医药、跨境贸易及绿色低碳等应用场景，玄武正加速向生物智能跃升，为新技术落地提供了理想的“首发试验场”。

在校地协作中，双方强调高校前沿探索的自主性、科研团队成果转化的积极性与校地合作的协同性。

对于这种跨主体协同，郑海荣院士主张推动医疗、科研、产业、资本、人才等创新要素深度融合，破解前沿技术从实验室走向产业过程中资源分散、成果转化不畅等难题。

这一理念也为理解南京大学生物智能研究院的校地合作模式提供了一个视角：高校完成源头创新，园区提供空间、政策与落地场景，再引入熟悉医疗器械工程转化与市场需求的专业平台，让技术创新与产业需求形成更紧密的衔接。

在该协作体系中，由工信部批复建设的国家高性能医疗器械创新中心（以下简称“国创中心”）作为医疗器械领域唯一的国家级创新中心参与共建。自此，研究院、徐庄高新区与国创中心，分别承担技术策源、成果承载与产业落地支撑。

技术策源端，南京大学生物智能研究院聚焦前沿科学，推进从0到1的原创突破。

成果承载端，玄武区徐庄高新区计划在江苏国际数据港提供产业空间，并配套专项政策与上下游应用场景。

产业落地支撑端，国创中心依托国家级平台输出全链条产业服务、导入产业生态资源，覆盖检验检测、注册申报、临床验证到投资孵化等环节。

资本与孵化机制也被前置到成果转化的起点。研究院同步推进生物智能产业基金、创新工坊（南脑智能孵化器）与生物智能科技创新联盟建设，引入技术经理人和专业工程团队，并联动龙头企业、创新公司与投资机构共建智库和路线图，帮助科研人才跨越从论文到产品的鸿沟。

这套转化机制也即将在2026国际生物智能创新大会上集中落地：研究院、生物智能产业基金、创新工坊三大实体同台揭牌，“光语芯2.0”和器官芯片两大项目发布，产业、科研与资本在同一平台实现对接。

协同机制之外，缪峰教授还指出，许多前沿生物智能技术经原理验证，虽已展现出明确的优势，但要走向大规模商业化，仍须跨过面向真实产业需求的 “场景验证” 关口。

这一关口无法由单一主体完成突破：科研人员擅长攻关却未必熟悉市场，企业拥有场景却难担长期前沿研发风险，投资机构则需判断技术曲线与商业周期是否匹配。政产学研医资协同，旨在产业未成形前搭建全链条孵化体系。

“通过持续的研发投入与‘沿途下蛋’式的阶段性成果转化，我们有望在3到5年内推动生物智能产业迎来重要爆发。”缪峰表示。

要实现上述目标，研究院计划围绕四大研究方向推进工程化与场景验证，孵化相关企业并吸引上下游企业集聚，同时以南京为基地，联动全国及全球的龙头企业、初创企业和产业资本，探索科技创新与产业创新深度融合的路径。

从机制认知、技术攻关到产业协同，生物智能的演进逻辑已经清晰：以生物机制拓展AI边界，以工程化和场景验证推动技术落地，再以协同机制承接成果转化。

这条从数字空间、物理世界走向生命系统的路线，也因此有了更具体的产业坐标。

从数据智能到生物智能：一场人机协同的智能变革图12

从数据智能到生物智能：一场人机协同的智能变革图14

从数据智能到生物智能：一场人机协同的智能变革图15