创造具有类脑能力的机器一直是AI研究的长远愿景。面向该愿景，实验室在类脑智能算法方面开展的研究包括类脑在线学习算法、具身智能算法。
1. 类脑在线学习算法
大脑具有非凡的在线学习能力，在边缘设备上实现这种类脑在线学习能力具有广阔的应用前景。随着神经形态硬件（类脑芯片）的发展，在边缘设备上实现片上在线学习以适应设备漂移、环境变化、用户定制等应用场景，具有重要的应用价值，其核心依赖于高效在线学习算法，能够在片上计算资源受限条件下实现在线实时参数更新。传统深度神经网络使用的反向传播BP算法计算复杂度高，难以胜任片上在线学习。针对该问题，研究低计算复杂度、低存储开销的在线学习算法，主要包括 (1)仿生局部学习算法：模拟生物神经网络局部可塑性机理，研究高效的支持并行计算的低复杂度局部学习算法。(2)大模型前馈学习算法：研究基于前馈计算的大模型微调学习算法，大幅降低所需存储开销以适用于资源受限端侧。
2. 具身智能
具身智能是实现通用机器人智能的重要路径，其核心目标是使智能体能够在真实环境中通过感知、交互和行动完成复杂任务。面向通用机器人的发展需求，围绕具身智能学习算法开展研究，重点包括视觉-语言-动作模型（VLA）、世界模型以及强化学习算法等方向。具体而言，研究面向复杂环境和多任务场景的强泛化有监督学习算法、强化学习算法，使机器人能够从大规模多模态数据中学习视觉理解、语言指令解析和动作生成能力；研究基于世界模型的环境建模与预测方法，使智能体能够形成对外部环境动态的内部表征，并支持任务规划与决策。