国内深耕全脑精细模型路线的知跃，正在让生物智能真正工作起来。

Google 把 16.6 万个神经元和 1.25 亿个突触带入计算系统后，果蝇连接组开始进入 AI 模型、机器人与游戏原型；知跃押注的是更难的一层：让连接在真实动力学中 " 活起来 "。

如果把一只果蝇的全部神经连接下载下来，它能不能控制一具身体，甚至去玩游戏？

几年前，这个问题还像科幻小说。如今，答案正被一批研究者和开发者写进代码。

2026 年 9 月，Google Research 与 HHMI Janelia 等机构公布成年雄性果蝇完整中枢神经系统连接组：超过 16.6 万个神经元、约 1.25 亿个突触连接，范围从大脑延伸至腹神经索。这是迄今按神经元数量计最大的完整脑图谱之一。

2026 年果蝇全脑连接结构

一张连接图公开后，全网兴奋，大家不仅 " 看见果蝇一颗脑 "，而且频繁让果蝇开始让干活：开发者把果蝇连接组接进游戏控制、机器人和交互演示；研究者则用它搭建整脑计算模型，让视觉、嗅觉输入沿真实突触路径传播。网友戏言，真正的 " 蝇工智能 " 就要起飞了！

知跃的数字果蝇实验给出了一个更直观的切片：模型仅用一条示范轨迹训练，测试时不追加训练，连续进入 18 个随机场景；穿墙、取食任务全部完成，敌人消灭率达到 88.5%。在机器人与无人机任务中，线虫或果蝇全脑精细模型通常只需要十几到二十条真实场景数据完成后训练。知跃的工程师与科学家团队，甚至把全脑连接组直接变成图控制器，接入具有肌肉、关节和空气动力学约束的数字果蝇。模型学会起步、行走、转向和飞行，并在样本效率上优于随机图和普通多层感知机基线。

知跃自研果蝇全脑模型，在复杂任务中完成一条行为数据做训练，上百个场景 zero-shot 泛化

果蝇突然成了 AI 圈最小、也最具体的一颗 " 生物基础模型 "。它把一个问题推到台前：既然自然已经用亿万年进化出一套能感知、决策和行动的网络，人类为什么还要从随机初始化开始，重新搜索智能的结构？

在中国，沿着这条路线持续推进了两年的知跃空间智能，正成为一个特殊样本。它也是目前国内唯一一家把精细化全脑建模作为 Physical AI 基础设施主线的公司。从 302 个神经元的线虫，到十万级神经元的果蝇，再到正在推进的斑马鱼，知跃一直坚定不移做的，不只是把连接组变成一张可计算的图，而是重建一颗真正会随时间变化、会被身体和环境改变的脑。

9 月 20 日，知跃也同步完成新一轮数亿元 Pre-A 轮融资，本轮由美元基金领投、上市公司及大量老股东超额跟投。从今年 2 月开始，这家公司已连续、快速完成了五轮融资。资本所押注的，是一套全新的技术路线，是持续产出 Physical AI 底层能力的模型工厂。

1. 结构是起点，但连接图不会自己 " 思考 "

连接组的价值首先在于，它把 " 网络结构 " 从工程师的设计题，变成了一个可直接读取的自然样本。感觉信息从哪里进入，经过哪些中间神经元，哪些通路彼此竞争，最终如何抵达运动输出，都不再是随机连线。

这是一种由进化预先支付成本的结构先验。主流人工神经网络通常先搭出通用结构，再用海量数据把参数推向可用状态；生物连接组则已经被身体、环境和生存任务反复筛选。它不意味着模型不再需要任务适配，却意味着搜索不必从一张白纸开始。

果蝇全脑约 16 万神经元，其规模约为 0.026B 参数量级。这不是神经元与 AI 参数的一一等价比较，却揭示了一个反差：一只果蝇完成飞行、觅食、避障和求偶，依靠的不是无限扩大的网络，而是结构对信息流的强约束。

但把成绩全部归因于 " 连接 " 仍然过于简单。线路图只回答信号可能从哪里经过，并不回答一条连接此刻有多强、传播有多快，也不回答同一刺激为什么这一次触发转向，下一次却让身体继续向前。

2024 年，Nature 把这个缺口概括成从 connectome 走向 effectome：连接组给出突触路径，但要获得因果模型，还要知道每条路径对下游活动到底产生什么效果。换句话说，连接组更像城市路网；真正决定交通的，是信号灯、车流、速度、拥堵和每一刻的路况。

2. 真正决定大脑如何工作的，是动力学

知跃把生物大脑拆成两个核心对象：连接与动力学。连接决定 " 谁能影响谁 "，动力学决定 " 这种影响在何时、以何种方式发生 "。后者才是它与大量 " 把连接组变成图网络 " 工作的真正分界线。

一个真实神经元不是只有开和关。膜电位正在变化，离子通道有各自的开启概率，钙离子浓度会积累和衰减；输入落在树突的不同位置，经过的距离与局部电学性质也不同。这些状态共同决定一个神经元此刻是否接近阈值、一次输入会被放大还是吞没、上一秒发生的事会在多大程度上留下痕迹。

知跃以 Hodgkin-Huxley 型模型为基础，结合多舱室与电缆建模，描述树突、胞体、轴突中的电信号传播，以及离子通道、突触输入和细胞内部状态的耦合。时间不再只是序列上的位置编码，而是进入了计算本身：膜电位要随时间积分，通道要随时间开合，突触效应要随时间衰减。

这也是为什么，同一份连接图可以产生完全不同的行为。一个神经元刚刚经历过强输入，可能因为适应而暂时沉默；另一组神经元可能因为钙状态和回路反馈被持续维持。线虫全脑成像已经显示，行为既由亚秒级的运动信号驱动，也受到跨越数十秒乃至更长时间的内部状态影响。大脑不是每一帧都从零开始计算，它带着历史进入下一刻。

知跃自研基于精细生物神经网络驱动机械臂运动模型

3. 不是 " 会放电 " 就低功耗，而是只唤醒正确的子环路

类脑计算最常见的误解，是把低功耗简单归因于 spike。仿佛把连续数值换成脉冲，效率就会自动出现。事实恰好相反：动作电位的产生、突触递质释放以及突触后电流都需要能量，每一次无效放电都在消耗预算。

生物大脑真正值得研究的，不只是信号长什么样，更重要的是它如何让绝大多数单元在绝大多数时刻不进入昂贵计算，只让与当前感觉、内部状态和目标有关的一小组神经元形成有效回路。这组临时接管计算的单元可以被理解为 motif、神经元集群或任务相关子环路。它不是固定切下来的一块 " 迷你脑区 "，而是一种由结构和状态共同选择的动态组合。

低功耗不是 spike 的标签效应，而是生物物理约束让正确的 motif 在正确的时间接管计算。

兴奋—抑制平衡（E/I balance）是其中的关键约束。兴奋性输入让候选路径被放大，抑制性输入则压制冗余、限制扩散，避免网络陷入全体沉默或无边界爆发。强而快速的兴奋—抑制相互作用可以减少重复表征和误差，使网络以更少的群体活动完成编码。

更重要的是，E/I balance 并不是一个静态比例。Science Advances 的一项模型研究显示，改变兴奋—抑制平衡会直接改变神经元集群的形成、稳定性与持续时间；而在具有簇状连接的平衡网络中，刺激可以把系统推向不同的短暂稳定状态，让不同集群轮流主导计算。

这些工作主要直观的解释了知跃为什么坚持把离子通道、突触类型、时间常数和 E/I 关系一并放进模型。只有把动力学保留下来，研究者才有可能看到：当一颗全脑真正执行任务时，究竟是哪一个更小的 motif 被激活，哪些连接虽然存在却没有参与，哪些抑制回路在为计算划定边界。

因此，低算力、低功耗和低延时不是 " 全脑模型 " 的天然赠品，也不是 spike 的标签效应。它们来自更具体的机制：局部回路按需招募，状态在神经元内部连续保留，感觉与动作就地闭环，大量无关单元不被反复唤醒。精细模型的意义，正是先找出这套机制，再把有效部分提炼、压缩并部署。

基于线虫 302 神经元完成机械臂控制，但在真实任务中，只有少量神经元被激活形成放点，这才是大脑本质的稀疏和低功耗。

4. 把一颗脑放回身体和环境

精细建模的难点并不止于 " 算得出来 "。一颗脱离身体和环境的脑，很难产生可验证的智能。知跃因此搭建了三层体系：DeepSoma 负责精细神经元、全脑仿真与机制实验；4D-CogVerse 提供带有几何、材料、摩擦和任务规则的世界；Omni-Brain 把被验证的机制转成机器人的感知、决策与控制能力。

这条路径的核心不是把十万级精细模型原封不动塞进每一台机器人，而是先在全脑模型里找到有效 motif，再将其压缩成面向任务的可部署模块。研究端保留足够多的生物物理细节，用来解释机制；部署端只保留真正影响行为的计算，换取端侧效率。

在真实项目中，这种方法已经从实验指标进入工程约束。知跃在部分机器人任务中，没有使用任何数据预训练的前提下（也没有接入任何已使用海量数据完成预训练的基础模型），仅使用约 10 至 20 条真机轨迹即可完成训练收敛，推理和训练全部都在边缘侧即可搞定，感知—决策—执行闭环约 30 毫秒；在超强扰动的复杂水下场景中，模型面对低能见度、通信受限和水流扰动；在 SMT 精密制造中，则需要处理微小目标、在线纠偏与频繁换型。这里没有 " 数据中心等模型想完 " 的余地，任何机制都必须在身体上兑现的真实应用案例，已完成落地应用。

这也让知跃的商业逻辑变得清晰：以 Omni-Brain 进入真实设备和行业任务，以 DeepSoma 持续生产、验证新的生物智能机制，再把可复用能力沉淀为模型、SDK 和 API。

基于 DeepSoma 构建真实果蝇全脑动力学仿真与神经元活动求解（无 AI 生成效果）

5. 从 " 画出一颗脑 "，到 " 看懂一颗脑如何工作 "

果蝇全脑连接组之所以引发热潮，是因为它第一次让足够复杂、又足够可计算的真实大脑结构成为公共基础设施。连接图可以迅速被接入 AI 模型、数字身体和交互系统，也让更多人直观看到：自然结构本身就是一种强大的先验。

但热潮之后，更难的问题刚刚开始。连接不等于功能，spike 不等于效率，全脑规模也不等于全脑同时工作。真正的智能发生在时间里：由膜电位、离子通道、兴奋与抑制共同约束，由一个个被任务短暂唤醒的 motif 完成。

知跃已经在这个赛道上深耕多年，过去两年，这家中国公司一直坚守在一个极非共识的赛道上艰难成长。而当全网都在通过果蝇做各种演示应用时，知跃已在无人机、无人艇、机器人上开始做应用落地。正是从结构到动力学、从动力学到机制、再从机制到机器的这一段极具交叉学术背景的壁垒，拉开了对大脑建模及产业化的巨大鸿沟。生物大脑里那些微小、局部、动态的计算可以被找到、被复现、被部署，下一代 Physical AI 的底座，未必来自更大的参数表，也可能来自一颗真正被重新理解的生物大脑。

屏幕上，线虫正在移动。全脑星云随之明灭，真实连接在活动之间浮现。重要的不是所有神经元都亮了，而是只有正确的那一小部分，在正确的时间亮起。