最近，你应该经常能刷到一只在各种场景“打黑工”的赛博果蝇。
短短数日，这只赛博果蝇成了全网开发者的整活对象，玩《超级马里奥》、解魔方、开车……整活的视频层出不穷，几乎把各类场景玩了个遍。甚至还有开发者给了它100美元，依靠多巴胺奖惩机制让这只赛博果蝇“炒币”。
全网整活的源头，是谷歌等机构于9月初开源的成年雄性果蝇全脑连接组MaleCNS，包括16.6万个神经元、1.25亿个突触连接，完整覆盖中央脑、视觉叶与腹神经索。这是目前人类规模最大，也是完整性最高的生物全脑连接图谱。
物理学家费曼曾说过一句话，“我不能创造的，就是我不理解的”，从这只果蝇开始，普通人也能成为“造物主”了。虽然这些基于果蝇全脑进行的AI任务、机器人控制、游戏交互的“整活”，大多只是表层应用，但除了在传播和娱乐层面的意义，也让行业开始从真实的生物神经结构角度出发，重新思考一个最根本的问题：智能到底是怎么来的？
不过，MaleCNS只是雄性果蝇的静态突触级神经线路解剖蓝图，不包含神经元放电过程、信号传导等动态运行机制。换句话说，MaleCNS是简化后的果蝇全脑模型，离真实活体生物大脑还差得远。
在这方面，国内一家专注精细化全脑建模的Physical AI基础设施公司已经走在了前头，知跃空间智能在该方向已经持续投入2年，也是目前国内唯一深耕这条技术路线的企业。
此前我曾与知跃创始人、CEO钱琳瑞博士有过一次深度交谈，详细聊了类脑智能的前世今生，精细化全脑连接组建模的技术门槛，知跃为什么坚持走这条难而正确的路线，以及早期的技术落地场景。
如今仅过去2个多月，我了解到，知跃已完成新一轮数亿元Pre-A轮融资，这轮为美元基金、上市公司和众多老股东超额认购，一年时间完成了7轮融资。
从天使轮跨入Pre-A 轮，融资轮次的递进，对应着产品与商业化的双重突破。今年8月的WRC上，知跃发布了面向脑科学和类脑智能研究的全脑仿真基础平台DeepSoma；商业化层面，也从技术验证加速走向真实场景的交付。
智能的本质
Soma是个古希腊语，意思是“身体”，在神经科学里指神经元的胞体。往小了说，智能是一个神经元、一棵树突、一个大脑；往大了说，智能是一副身体、一个生命。也就是说，我们有了身体才能有智能，才能感知这个世界。
这也是为什么全世界的类脑智能研究者，都围绕着果蝇这么一个小小的身体折腾。果蝇大脑虽小，但它拥有十几万个神经元，1亿多个突触，有嗅觉、视觉、飞行等能力，还能实现求偶、导航甚至基于经验的学习能力。
一句话，麻雀虽小，五脏俱全。
但无论是谷歌的MaleCNS，还是今年3月份Eon Systems发布的“数字果蝇”，都只是在大脑结构的层面，实现了对果蝇全脑的复刻，没有从根本上还原神经元内部到底是怎么工作的。而这恰恰是知跃一开始就选择的底层技术路线。
知跃的技术逻辑核心非常清晰，大脑之所以产生智能，来源于两个最核心的维度，“连接”和“神经动力学”。
“连接”的含义是，“大脑中的神经元形成了怎样的连接拓扑结构”，相当于智能的“骨架”。
神经动力学是“单神经元内部物理化学状态（膜电位、离子通道、钙浓度等）随时间连续演化的规律，以及多个神经元互相连接，突触输入耦合，形成群体状态随时间演化的规律”。这句话有点绕，你可以理解为神经元内部到底是怎么工作的，相当于智能的“血液”。
骨架和血液相结合，才是能运行、能演化、能产生智能和行为的完整大脑。
为什么要模拟全脑的连接结构？因为这套连接结构，是生物亿万年进化打磨出来的最优解，这和当下主流AI靠海量数据预训练在本质上是不同的，比如果蝇、线虫、斑马鱼的神经环路，天生就适配感知、避障、运动、生存的需求，这套结构本身就是先验的智能。
这套经过数亿年优化才形成的智能“骨架”，带来的效率优势是碾压级的。比如MaleCNS复刻了16.6万神经元的果蝇全脑，换算成参数量仅大约0.026B，不光远低于动辄千亿、万亿参数的大模型，也远低于几十、数百亿规模的物理AI模型。
因此在真实场景里，用这样的原生结构模型驱动机器人、无人机，不用大规模数据集预训练，只需要十几条真实数据微调就能落地。而如果用具身智能中主流的VLA加世界模型的训练方式，需要的数据量达到几十万小时起步，并且效果还不一定好。
这就是知跃所说的“本能即模型”，我们现在物理AI或具身智能需要的很多能力，其实本质就是大脑这一套连接结构自带的先天能力。
但结构只是基础。真正让大脑“活”起来的，是神经动力学。
早期AI为了工程落地，把神经元高度简化成了“要么放电、要么静默”的0-1开关节点，只看最终结果，丢掉了中间完整的生物计算过程。这条路好走是好走，但也天然带上了数据依赖、算力消耗高的局限。
知跃选了更难的那条路，还原神经元真实的物理化学过程，回到脉冲产生的根源膜电位连续累积、离子通道动态调控等完整过程。通过数学建模和求解方法的突破，解决了困扰行业数十年的难题，让精细的生物神经元模型变得可训练、可优化、可工程化落地。
最终的效果也很直接，和靠堆参数、堆数据的传统模型比，这套结构+动力学的生物模型，能用少得多的数据、低得多的功耗，实现对复杂真实环境的快速适配，从而带来低算力、低功耗、高泛化、低延时、快速响应等应用层优势。
类脑智能的底层工具
在此前与钱琳瑞的交谈中，她提到知跃最终想要提供的，是世界模拟器、精细神经元建模框架、开发者工具和生物通用智能模型能力。就像ImageNet、PyTorch、Transformer和CUDA曾经支撑起上一代AI生态，生物通用智能也需要自己的模型、工具链、仿真环境和开发者社区。
基于这套对智能本质的认知和底层技术积累，知跃推出了DeepSoma，一套面向脑科学与类脑智能研究的全脑仿真基础平台。
前面提到Soma这个词，在微观上智能源于神经元、突触的动态；宏观上，智能依托身体、扎根于与世界的交互。“Deep”则代表着向智能最本质路径的探索，也代表知跃开放的态度，把工具交给更多研究者，一起往类脑智能的深处走。
DeepSoma的核心逻辑是构建一个基于类脑智能的“感知、行动”循环，知跃认为，下一代的智能将从“环境-大脑-智能体”的相互交互中逐步形成。
AI过去活在数字世界里，数据是文本、图片、视频。但进入Physical AI时代，智能体要和真实物理世界交互，数据就必须同时包含空间、时间、语义和物理属性，而且是实时变化的，智能体动一下，世界就变一下，新的状态又成为新的输入。
DeepSoma的第一层，就是构建可计算的4D真实世界。从多模态输入出发，实时重建环境的几何、语义信息，进一步估算材质、摩擦、动力学与不确定性。这样得到的“世界”不只是看起来像现实，而是带着可参与计算的物理属性，形成和真实世界一致的闭环数据集。
第二层是全脑结构+神经动力学的完整落地。从单神经元的生物物理建模起步，树突、胞体、膜电位、离子通道全部转化为计算模型，再沿连接组拼成完整的神经回路和全脑网络。自研求解器在统一时间轴上推进所有状态，让膜电位变化、突触电流都变成可观测、可记录、可比较的量。
它的意义，是让智能模型从“数据驱动”迈向“结构与动力学驱动”。不是用数据拟合出智能，而是复刻生物大脑的结构和运行机制，自然涌现出智能。
最后通过统一的Agent接口，同一套脑模型可以映射到数字生物、机器人、无人机、特种设备等不同载体上。最终形成上述的完整Loop：环境输入大脑，大脑驱动智能体，智能体改变环境，新的环境再反馈回大脑。
这和行业常见的“单一场景+单一躯体”Demo完全不同。DeepSoma要做的不是某一只数字果蝇，而是一套通用的基础设施，就像当年PyTorch之于深度学习，开发者不用从零搭所有底层工具，就能基于这套平台做自己的场景和应用。
下一代智能
对知跃来说，DeepSoma不是实验室里的概念玩具，是要落地到真实世界的应用场景里。
相较于远期的生态布局，知跃当下的商业化节奏务实、清晰，走的是“场景验证能力沉淀、生态开放”的渐进路径。第一步先锚定高壁垒真实场景验证模型与平台能力。
这类工业场景普遍具备环境复杂、数据稀缺、算力受限、部署成本高、可靠性要求强的共同特征，恰恰是具身智能、物理AI的落地盲区。国内完整的工业体系、丰富的场景需求，也为知跃的技术提供了天然的验证场。
面向机器人与各类智能载体的落地需求，知跃还推出了Omni-Brain大小脑智能系统，作为全链路开发底座，覆盖数据采集、处理、模型训练、部署到真机测试的完整流程，支撑复杂任务执行与真实场景落地。
目前，知跃主要与垂直行业机器人本体公司联合交付，在真实作业场景中打磨模型稳定性、泛化能力和适配性。此前，知跃已经在多个高壁垒场景完成POC验证。
而基于刚推出的DeepSoma，知跃可将单点场景能力反向沉淀为平台通用能力。真实作业环境提供多元场景数据，仿真系统提供低成本试错空间，模型框架提供标准化训练能力，机器人本体提供真实执行反馈。
随着落地场景数量增加，平台持续沉淀可复用的神经结构、仿真工具、训练方法和任务适配方案，逐步从“单点项目交付”转向“平台能力输出”。之所以在天使5+加轮后，不到3个月就完成Pre-A轮融资，意味着投资机构认可知跃在商业化路径的第二次跨越，也意味着资本市场对AI新技术路径的再一次定价。
未来知跃还将搭建更多开发者与产业生态体系。在精细神经元建模框架、世界模拟器、类脑模型能力成熟后，逐步对外开放工具能力，服务机器人公司、脑科学团队、生命科学机构和各类行业开发者。
生态伙伴无需从零吃透复杂的计算神经科学底层细节，即可直接调用仿真环境、模型能力和训练工具，快速落地自身应用，降低全脑建模技术的使用门槛。
回头看这波赛博果蝇的全网整活热潮，最大的价值是让吃瓜群众们，再一次直观感受到生物大脑数字化的可能性。果蝇16.6万个神经元只是起点，未来人类还将攻克斑马鱼、小鼠乃至人类的大脑。但探究智能涌现的本质，还是要深入到神经元之间线路中的每一个计算单元。通过对生物大脑全脑结构+动力学的底层建模，知跃尝试构建真正可运行可演化的生物大脑模型。这也是知跃认为当前类脑智能需要进一步深入突破的方向。