问题—— 当前智能产业发展迅速，但主流的“高参数规模+高算力投入”路线也暴露出结构性矛盾：一方面，模型能力提升高度依赖海量数据和算力，能耗、成本和训练周期不断上升；另一方面，系统语义理解、常识推断、长期记忆和自我反思诸上仍有明显短板，常出现“会答题但不懂意图”“能复述却难迁移”的情况。业内普遍关注，如何可控的能耗与成本范围内，让系统从“模式拟合”走向“可持续学习”，正在成为下一阶段的竞争焦点。 原因—— 受访业内人士认为，背后主要有两上原因：其一计算架构层面，现有体系仍受冯·诺依曼结构影响，存储与计算分离使数据搬运成为性能与能耗瓶颈，形成“存储墙”。模型规模越大，访存开销占比越高，端侧和低功耗场景更难落地。其二在认知机制层面，当前系统更擅长依赖外部监督或海量语料进行统计学习，但对“经验积累—记忆重组—规律提炼”这类更接近生物学习的过程覆盖不足，难以形成稳定的自我更新闭环。 影响—— 这些矛盾不仅影响技术路线选择，也在产业生态上带来连锁反应：云端训练与推理成本抬高研发门槛，资源深入向头部集中；端侧受功耗、体积与实时性限制，智能能力难以覆盖更多设备与场景。更关键的是，如果缺少可解释、可迭代的学习框架，系统的可控性、可靠性与安全边界建设将更困难，不利于长期发展。 对策—— ，上述初创团队提出“傻蛋-妙思”认知架构，尝试以“从零积累”的学习范式和“软硬一体”的工程路径寻找新解法。团队介绍，其思路是将认知系统拆分为输入、记忆、推理、输出与“内循环”等模块，其中“内循环”用于在非交互阶段进行反思与重组，强化长期记忆管理与规律抽取，从而提升自主学习与持续进化能力。 在硬件路径上，团队提出“三维光存储计算一体化芯片”概念，计划以光作为信息媒介、以相变材料等作为存储载体，通过三束激光在立体空间实现多维读写与计算耦合，目标是缓解“存储墙”约束，提高存储密度并降低功耗。团队同时提出面向云端与端侧的一致性架构设想：云端侧重通用知识与复杂推理，端侧侧重近场环境理解与快速响应，二者在同一认知框架下协同更新，以提升部署灵活性与应用适配性。 围绕上述路线，团队发布人才招募计划，重点面向三类岗位：其一为光芯片方向研发人员，聚焦相变材料、三维激光读写与光电集成等关键技术，推进存算一体芯片工程化；其二为认知建模与学习机制研究人员，围绕记忆分层、内循环机制与自主学习策略，构建可复现的模型框架；其三为系统架构与工程负责人，统筹软硬协同与云边端联动，推进原型验证与规模化部署。团队表示，将以原创研究与工程落地为导向，强调跨学科协作与长期投入。 前景—— 业内观察认为，下一代智能系统的竞争将从单一模型能力比拼，逐步转向“机制创新+算力效率+软硬协同”的综合较量。一上，存算一体、光电融合、三维集成等方向有望能效与带宽瓶颈上带来突破，但材料体系、制造工艺、可靠性与量产一致性仍需长期验证。另一上，强调记忆管理、自我反思与持续学习的认知架构探索，若能形成可解释、可验证的工程体系，将有助于提升系统可控性与泛化能力，并为端侧智能、机器人与复杂决策等应用提供新的支撑。
智能不只是堆叠算法和算力，更在于系统能否持续积累经验、反思并完成自我更新。“傻蛋-妙思”认知架构与三维光存算芯片的探索，表明了跨学科融合带来的新思路，也为通用智能的路径提供了另一种可能。未来，只有在效率、可控性与可持续学习机制上同步推进，智能技术才能走得更稳、更远。