在传统计算架构（冯 · 诺依曼架构）下，计算与存储彼此分离，形成了一道令人头疼的“存储墙”。这道墙让具身智能机器人在面对复杂、杂乱、充满不确定性的现实场景时常常“反应不过来”，难以实现真正的自适应智能决策。
具身智能的核心在于智能体通过物理实体与复杂环境进行闭环交互，这要求计算架构具备极高的实时性、能效比与环境自适应能力。针对这一难题，山东大学孟佳琳教授团队等在 SmartBot 期刊上发表了题为“Brain-Inspired Neuromorphic Device for Artificial Intelligent Robots Applications”的综述文章。该综述文章系统分析了用于神经形态器件的材料体系，评估了存储特性与突触可塑性等关键指标，并深入探讨了基于这些器件的软件与硬件实现方案，重点关注其在具身智能机器人领域的最新应用成果。
人工智能的飞速发展为先进机器人注入了新动力，使其应用场景不断拓展。然而，传统的冯 · 诺依曼架构在处理复杂环境感知与自主决策时效率偏低，根源就在于“存储墙”问题。受生物脑启发的神经形态电子器件，模仿了神经系统的工作方式，天然具备低功耗、并行计算、自适应学习和事件驱动处理等优势。通过模拟神经元与突触的行为，神经形态计算有望推动新一代智能机器人从“静态计算”迈向“事件驱动的动态计算”。
展望具身智能的未来：
1. 具身感知与交互的深度集成：一个重要的研究方向是开发具备多模态可塑性的神经形态材料。这种材料能让具身机器人像生物体一样，根据声、光、电、机械、化学等多类感知信息灵活调整响应方式，从而在动态环境中完成更自然、更具自适应性的人机交互。
2. 闭环人工神经系统的构建：未来研究将致力于打通机器人从感知、决策到控制的闭环通路，构建完整的人工神经系统。通过将感知与计算进一步融合在器件层面，不仅能解决传统架构在重量与能效上的限制，还将为微型具身智能机器人平台实现实时避障、精准导航及自主学习提供全新的整体解决方案。
3. 软件与硬件的协同演进：面对具身智能对高计算密度与低延迟的极致要求，未来的核心挑战在于解决大规模集成中的漏电流问题；并通过软硬件协同设计，将器件的物理非理想性转化为计算优势，从而实现具备鲁棒性的高级具身认知功能。
