神经自动化：面向具身智能的控制系统范式重构

摘　要　工业自动化正面临从确定性执行向自主适应的深层转型。本文提出了“神经自动化”这一概念，用以刻画一种以脉冲神经网络为计算基元、以神经形态硬件为执行载体、通过端到端学习贯通感知与控制的控制系统新范式。此范式的核心主张在于，当神经网络足以同时承担环境建模、策略生成与实时控制时，它便不应再被视为控制回路中的辅助模块，而应当成为控制系统本身的本体结构。文章通过回溯控制论传统、分析传统PID与PLC体系的内在边界、梳理软硬件双重基础设施的爆发趋势，论证了神经自动化何以成为自动化与计算机科学及具身智能深度融合的必然产物。进一步地，本文从具身认知的角度阐释了这一范式在视觉语言动作模型和神经形态芯片上的最新突破，并讨论了其对于“控制系统由被设计转向自生长”这一根本性转变的推动。最后，围绕可解释性、实时确定性、闭环学习效率与生态系统等关键挑战，给出了未来研究进路的展望，勾勒出通用自动化的可能图景。

关键词　神经自动化；具身智能；神经形态计算；脉冲神经网络；工业智能体；自主化

一　引言

2025年前后，中国工业自动化市场在经历调整周期后重归增长轨道，市场规模回升至约3000亿元的量级，同比增幅约12%。然而，比总量回暖更值得关注的是行业内部正在发生的结构性位移。中国工程院院士于海斌明确指出，自动化技术已进入与人工智能深度融合的历史性节点，“自主智能自动化”将成为未来工厂的核心形态。面对这一判断，一个根本性的追问浮现出来，自动化系统中的“智能”究竟应当来自何处？

传统自动化建立在一种隐含假设之上：系统的智能由人类设计者通过先验知识注入，控制器则是这一知识的忠实执行者。该方法论在过去半个世纪里支撑了现代工业的大规模发展，但在面对高度非线性、强不确定性以及多任务频繁切换的复杂场景时，其能力边界已清晰可见。当传统控制手段需要大量人工调参与人力维护，而系统的任务环境却日趋动态和开放，原有的“设计即智能”路径便难以继续提供有效的增量。

本文的立论基础可以追溯到控制论创始人诺伯特·维纳1948年给出的经典界说——控制论是“关于动物和机器中控制与通信的科学”。这一界说从一开始就将生物神经系统与机器控制系统置于同一数学框架之中，暗示了两者在反馈与自适应方面的深层同构。本文正是在这一意义上提出“神经自动化”的概念，并将其定义为一种以脉冲神经网络和深度神经网络为计算核心，以神经形态芯片为物理基座，在感知、认知、决策与执行四层闭环中实现端到端学习的新型控制系统范式。面对当前自动化与计算机科学、具身智能加速融合的趋势，本文的核心判断是，自动化技术的未来不在于追求更高精度的预设控制，而在于让控制系统从被编程的静态逻辑，走向在与物理世界持续交互中自组织、自生长的神经架构，进而实现真正意义上的自主智能。

二　传统自动化范式的内在局限与超越路径

2.1　PID控制与PLC体系的成就与边界

传统自动化体系的工程支柱可以归纳为两个部分：PID控制作为算法核心，PLC与DCS系统作为工程载体。PID控制因其结构简洁、无需对象精确模型且参数物理意义明确，在大量线性或准线性工业过程中保持着不可替代的地位。在温度控制、速度调节和液位稳定等场景中，PID至今仍是工程师最常选择的工具。

然而，PID的有效性依赖于一个隐含前提——被控对象的动态特性基本上是线性的、可微的且时不变。一旦系统呈现高度非线性，例如软体机器人的多自由度形变控制、强放热反应的温度场管理；或者系统各变量之间存在强耦合且工况大幅迁移，例如飞行器的全包线控制，传统的单回路PID整定就会迅速丧失结构上的适应力。

即使采用增益调度或多回路解耦，设计者仍需为有限的工况设计大量局部控制器，而不同控制器之间的平滑切换本身又会引入新的稳定性风险。

PLC及相关体系同样面临结构性挑战。PLC的设计初衷是解决工业环境中的高可靠性逻辑顺序执行问题，其扫描周期机制、梯形图编程范式以及硬件冗余架构，使得它在离散制造、逻辑联锁和安全停车等领域成绩斐然。但也正因其架构以确定性的时序逻辑为核心，导致系统在对不确定性进行灵活响应时，天然缺乏了对模糊性和上下文依赖的复杂理解能力。学界和业界近年来尝试将深度学习、模糊逻辑等人工智能模块接入PLC环境，但这些改进大多都停留在将AI作为“协处理器”的层面，并未从根本上改变以条件判断和状态跳转为主的控制骨架。换言之，现有的智能拓展并未触及控制架构底层的范式性问题。

2.2　从自动化到自主化的认识论转换

自动化与自主化之间的分界线是控制系统在设计哲学上的一次认识论转型。西门子与至顶科技联合发布的《2025工业智能体调研报告》将“从自动化到自主化”列为工业智能体的首要趋势，并指出，未来的系统不仅需要忠实地执行命令，更需要在动态变化的工业环境中主动寻找性能最优解。

这一转换意味着“人类穷举所有可能场景、通过控制代码预先处置”的符号推理路径开始变成“系统通过神经网络在交互中直接学习从感知到动作的映射”的端到端表征学习路径。在符号推理路径下，控制器的“智能”始终是设计者外赋的，其更新周期与成本以人力为瓶颈。而在端到端学习路径下，智能的一部分权重由系统通过数据与环境交互来生成，大幅提高了对新任务、新环境的适应速度。

这种从外赋到内生的转变恰恰是神经自动化立论的根本支点。

三　神经自动化的概念界定与架构设计

3.1　控制论与神经网络的理论同源性

维纳的控制论将反馈定义为智能行为的基本机制，并企图在工程系统与生物有机体之间建立统一的描述语言。今天，以反向传播算法进行训练的深度神经网络，其参数更新的核心过程，本质上就是一种高维空间中的反馈控制：网络将输出误差沿层级逆向传播，用以调整权重，使损失函数逐步收敛。与此同时，控制理论中的李雅普诺夫稳定性判据已经被引入神经网络控制器的安全性分析，成为形式化验证神经网络控制系统的一种重要工具。这些交叉研究表明，“神经自动化”一词反应的是控制论传统在深度学习时代的延续与再造。

3.2　四层架构的构成

在融合当前前沿的基础上，本文将神经自动化的系统结构概括为四个相互贯通的层级。

感知层承担多模态环境信息的提取。与传统工业传感器按固定频率采样不同，基于脉冲神经网络的神经形态传感器以事件驱动的方式工作，只在物理量发生显著变化的瞬间发出脉冲信号，天然具备了滤除冗余、压缩带宽和降低功耗的优势。英特尔的Loihi 2芯片已在视觉引导的物体识别与动态追踪等感知任务中得到验证，在毫瓦级功耗下实现了实时信息处理。

认知层负责构建和维护关于环境与自身状态的内在模型。这一层级的关键在于，机器人不再依赖人类工程师手工测量的运动学与动力学参数，而通过视觉观察自身运动，自发学习身体如何响应控制指令。麻省理工学院计算机科学与人工智能实验室提出的Neural Jacobian Fields方法即为此类能力的一个代表作，它赋予机器人一种“身体自我意识”，使得模型认知可以内建于神经网络，而无须显式编程。

决策层是神经自动化的核心，主张用经过学习或在线自适应训练的神经网络直接构成控制器本体。相关研究已在Loihi 2芯片上实现了神经形态模型预测控制，成功应用于四足机器人ANYmal的运动控制；此外，学者们还构造了由integrate-and-fire神经元组成的脉冲神经网络控制器，用于线性时不变系统的镇定控制。这些工作都能表明，用神经网络取代经典PID或模型预测控制器，将会成为一个工程部署的加速问题而非可行性的问题。

执行层则将上述神经控制策略部署于低功耗神经形态边缘芯片，以事件驱动的前向推理实现物理量的实时输出。已有试验将训练好的脉冲神经网络部署到Loihi芯片并与KUKA机械臂对接，完成了工业级力扭矩反馈控制任务，在延迟和能耗两项指标上显示出显著优势。上述四层结构的共同特征是，整个垂直栈中不存在硬编码的控制逻辑，每一条信息通路中的参数都是可学习、可适应、可进化的神经网络权重。

3.3　软硬件双引擎的协同爆发

神经自动化的可行性和紧迫性，很大程度上源自软件引擎与硬件引擎在同一历史窗口的同步演进。

在软件维度，基于IEC 61499标准的开放自动化架构实现了厂商无关、事件驱动的分布式控制，西门子等企业已将工业人工智能代理整合进其工业辅助系统生态，这些代理从被动辅助角色发展至能主动执行整条工艺流程的智能体。磅旗科技提出了“数字白领与数字蓝领”的工业智能体方案，尝试以AI管理实操、以人类聚焦关键决策，从而在制造模式上实现深度重构。同时，针对可编程逻辑控制器的虚拟化与面向控制代码生成的AI代理工具也在兴起，贝克霍夫的TwinCAT CoAgent for Operations已将自然语言指令实时转化为可执行的控制流程。这些进展指向同一个方向，即控制器不再仅仅是被编写的对象，而将逐步成为被学习和被训练的对象。

在硬件维度，神经形态芯片正在跨越从实验室原型到规模量产的临界点。全球神经形态计算市场在2026年已增长至22.3亿美元，年增长率达23.3%。BrainChip计划于2026年第三季度量产约七万枚AKD1500芯片，目标领域涵盖工业传感、机器人和嵌入式物联网；Innatera在2026年国际消费电子展和Embedded World展会上展示了Pulsar神经形态微控制器；英特尔的Loihi 2已向约250家研究机构开放，并在无人机控制、机械臂操作等任务中验证了强化学习控制器的极低延迟和能耗特征。欧洲PREVAIL项目则致力于构建面向先进神经形态芯片设计、制造和测试的中试平台。

当软件侧的工业智能体和视觉语言动作模型与硬件侧的神经形态芯片在同一个控制闭环中相遇，神经自动化便从概念草图转化为一条有清晰技术基座支撑的发展路径。

四　具身智能作为神经自动化的终极形态

4.1　物理交互中生长的智能

2025年，“具身智能”与“智能机器人”首次被写入中国政府工作报告，标志着这一方向的战略意义已获得高度确认。具身智能的本质特征在于，智能体的能力是在与物理世界的连续交互中生长出来的，而不仅仅是从离线数据集中被训练出来的。这要求控制系统具备在不确定环境中在线调整内部模型、即时生成安全动作的能力，而这恰恰是神经自动化所承诺的核心能力。

当机器人的控制策略不再完全依靠人类预先建模和编程，而是通过与环境的反复碰撞、利用自身神经网络的在线更新逐步形成，智能将从一种设计完成的成品进化为一个持续演化的过程。腾讯首席科学家张正友指出，具身智能通过类人的感知方式获取知识，牵涉机械工程自动化、系统控制优化和认知科学的多学科融合。学术界也日益形成共识，即未来的AI研究不可脱离硬件空谈算法，必须将深度学习模型嵌入机器人芯片，让机器人在物理世界中“长”出智能。

4.2　神经形态视觉语言动作模型的突破

视觉语言动作大模型是具身智能的关键使能技术，它融合视觉、语言和动作三种模态，令机器人得以理解环境、接受自然语言指令并执行物理操作。北京人形机器人创新中心发布的Pelican-VL 1.0在多个具身智能基准上表现优异，Galaxia GroceryVLA等模型已能理解模糊购物指令并自主规划路径执行。但此类大模型的主要瓶颈在于，它们往往运行在高功耗的云端或本地高性能计算单元上，在实时控制层延迟和能耗方面存在较大压力。

2026年初，一个国际联合团队提出了NeuroVLA框架，这是首个部署于物理机器人上的神经形态视觉语言动作系统。它参照大脑皮层、小脑和脊髓之间的生物神经组织结构，将感知、规划与运动控制的完整链条映射到脉冲神经网络上，在保持与主流VLA方法性能相当甚至更优的前提下，实现了数量级的能效提升。这一突破表明，“数字大脑”与“神经躯体”之间的鸿沟并不存在不可逾越的物理限制，二者可以在统一的神经架构中获得有机整合，从而为神经自动化在具身智能领域的落地提供了关键技术证据。

4.3　具身认知的理论呼应

神经自动化的逻辑还与当前认知科学中的具身心智与预测加工理论形成深层呼应。预测加工框架认为，大脑的本质功能是持续生成对下一刻感知输入的预测，并利用预测误差不断更新内部生成模型。将这一逻辑映射到神经自动化的控制闭环中，意味着机器人并不是在“感知到障碍物后运用预设逻辑进行避障”，而是“持续预测下一秒将感知到的状态，当预测与实际不符时调整自身的世界模型和运动策略”。控制行为由此不再仅仅是对环境扰动的被动补偿，而成为智能体认知活动的一个构成环节。这种思想意味着，真正的自主智能只有在物理化身与环境反复“碰撞—学习—再预测”的循环中才能涌现，它为神经自动化从工程设计哲学上升为一种世界观提供了认知科学层面的学理支撑。

五　神经自动化范式的学术价值与变革意义

5.1　综合框架的学理贡献

从表面上看，上文所述的前沿进展分属于脉冲神经网络控制、神经形态芯片、软件定义自动化、具身智能模型等不同领域，各自沿着独立的学术叙事向前推进。然而，一旦将这些线索并置在同一张图上，一个高度一致的态势便会显现出来——从云端预训练大模型到边缘神经形态设备，从开放控制架构到物理机器人的交互学习，多个层面的发展正在共同编织同一个网络。神经自动化这一概念的首要价值，便在于提供一个统一的学术框架来整合这些原本分散的技术线索，揭示它们之间的互补关系和协同效应，从而将分散的实践上升为一种系统性的研究纲领。

5.2　控制系统从被设计到自生长的范式转移

神经自动化所蕴含的最具挑战性的判断，在于它暗示了对“控制”基本理解方式的一次深层重塑。在经典自动化中，控制工程师的角色带有浓厚的数理建模色彩：建立被控对象的数学模型，设计控制器结构，整定参数，最终通过大量测试进行验证。而在神经自动化的框架下，工程师的角色将逐步向“培育者”迁移，其核心任务转向设计用于学习和演化的计算环境，构建恰当的奖励函数或损失景观，并持续监控和干预模型行为。

这一转变具有深层的范式性意义，而非渐进式的工程改良。于海斌院士提出的“意图驱动”方向，恰恰体现了这一演进——未来的自动化系统将不再直接接受具体的控制指令，而是理解人类意图并自主完成任务的分解、规划与执行。它同时意味着，自动化与计算机科学之间的传统学科边界将出现深刻的消融。当控制器本身就是一个运行在神经形态芯片上的深度学习模型，当视觉语言动作大模型可以直接驱动机器人执行物理任务，当人工智能代理能够替代工程师编写和调试控制代码时，“自动化”与“计算机科学”之间的壁垒便只剩下历史惯性，而不具有认识论上的必然性。因此，伴随神经自动化范式而来的，不仅是技术路线的更新，更是人才培养体系、课程结构和科研组织方式的系统性重构需求。

六　技术挑战与未来研究进路

6.1　可解释性与形式化安全保障

神经网络控制器的黑箱特性，在生命攸关的安全关键系统中仍然构成难以回避的障碍。当前学术界的应对路径之一，是借助李雅普诺夫稳定性理论为神经网络控制器构建形式化安全证明，例如通过屏障函数或可达集分析，证明在给定区域内系统的轨线不会进入危险区域。然而，从理论成果到能够被工业标准化组织采信的安全认证框架之间，仍有相当长的距离，需要新的验证工具链和风险评估标准的共同推进。

6.2　工业级实时性与确定性保障

传统PLC的扫描周期具备严格的毫秒级确定性，而神经网络推理时间可能因模型结构和输入而出现波动。神经自动化要在工业环境中获得信任，就必须在不同工况下提供可承诺的时延上界。部分研究正在着手探索在神经形态芯片上结合时间触发机制，利用脉冲的时序编码特性来保证推理过程的截止时间确定性，这将是未来几年的一个关键工程方向。

6.3　闭环学习的样本效率与仿真迁移

在物理世界中通过试错学习成本高昂，单次机器人碰撞即可能带来巨大的经济和安全损失。基于数字孪生的仿真迁移学习被视为缓解这一问题的核心手段，但仿真与真实物理之间的差异仍然严重影响迁移后策略的性能。如何在仿真环境中注入合理的不确定性，并通过域随机化、元学习等技术弥合仿真到现实的鸿沟，是神经自动化走向实际部署之前必须跨越的一道工程技术门槛。

6.4　工具链生态与学科壁垒

当前神经形态芯片的软件开发环境与控制工程领域的主流工具生态之间几乎互不兼容。一个控制工程师若想尝试用脉冲神经网络替代PID回路，需要同时掌握神经形态编程框架、深度学习训练流程以及嵌入式部署知识，技术栈跨度极大。推动神经自动化的发展，亟须构建跨领域的集成开发工具，将神经网络的训练、轻量化、部署和实时监控等环节纳入工业自动化工程师所熟悉的工具链之中。与此同时，控制科学与计算机科学的学科壁垒也需在课程体系层面被有意识地弥合，这对未来的人才储备同样构成基础性挑战。

七　结语　迈向通用自动化的前景

传统自动化在本质上是一种专用系统——每一条产线、每一个机器人单元都需要投入大量工程资源来独立设计控制逻辑。这种专用性在很大程度上构成了自动化系统高成本和高门槛的结构性根源。神经自动化的终极愿景是推动自动控制领域走向一种“通用自动化”的新阶段：一个预训练好的神经控制器大模型，能够在面对陌生物理系统时，通过少量在线交互数据快速完成领域适配，就像今天的大语言模型通过少样本提示适应不同任务一样。已有研究在神经符号迁移控制、具身多模态大模型的零样本泛化以及跨形态机器人神经形态控制通用性等方面，为这一设想提供了初步但方向明确的实证支撑。一旦通用自动化的雏形得以确立，整个离散制造与过程工业的经济模型和组织方式都将面临深刻改写。

当控制论的精神火种与深度学习、神经形态计算和具身智能的烈风相互交汇，自动化技术的下一次范式重构已在实验室的示波器屏幕上，在工厂车间的边缘节点中，在神经形态晶圆的纳米级电路里悄然铺展。本文将这场正在到来的重构称为“神经自动化”，并期待它成为自动化与计算机科学深度“联姻”后所诞生的最具想象力的后代。

参考文献

[1] Neuromorphic robust framework for integrated estimation and control in dynamical systems using spiking neural networks. Scientific Reports, 2025.

[2] Model Predictive Control on the Neural Manifold. Proceedings of Machine Learning Research, 2025.

[3] Stochastic Neural Simulation Relations for Control Transfer. Conference on Neuro-symbolic Systems, 2025.

[4] Certified Neural Network Control Architectures. MDPI, 2025.

[5] Emulation-based Neuromorphic Control for the Stabilization of LTI Systems. arXiv, 2025.

[6] From Vision to Decision: Neuromorphic Control for Autonomous Navigation and Tracking. arXiv, 2026.

[7] NeuroVLA: A Brain-inspired Embodied Intelligence for Fluid and Fast Reflexive Robotics Control. arXiv, 2026.

[8] 于海斌. 自动化与人工智能如何深度融合？院士解码转型路径. 科技日报, 2025.

[9] 西门子与至顶科技. 2025工业智能体调研报告. 2025.

[10] 磅旗科技全球首发工业AI智能体. 中国工控网, 2025.

[11] Global Agentic Automation Market Report. Wedbush, 2026.

[12] 2025-2026中国智能制造十大热点. e-works, 2026.

[13] BrainChip advances neuromorphic edge AI roadmap. TipRanks, 2026.

[14] Innatera Debuts Real-World Neuromorphic Edge AI at CES 2026. 2025.

[15] Intel Loihi 2 Neuromorphic Hardware for Autonomous RL Robot Control. 2025.

[16] From Cybernetics To Machine Learning. Quantum Zeitgeist, 2025.

[17] 具身智能与预测加工的理论融合. 2025.

[18] 《瞭望》. 何时摆脱遥控器——具身智能前沿. 2025.

[19] AutoCore Launches AutoMinds™. 2026.

[20] ASRock Industrial Launches AiUAC. 2025.