传统 AI进行1小时训练的能耗，可支撑人脑运转6年。沈健教授以大语言模型高能耗的痛点切入，指出现有AI体系与人脑在能效上的核心差距，尤其是人脑无需外部计算机干预的自主学习能力。科研团队据此提出核心思路：寻找与人脑契合的物理体系，依托其天然的非线性、记忆性与可塑性，实现 “无外部干预的自主学习”，同时借助纳秒级物理过程提升计算速度、降低能耗。
随后，沈健教授介绍了以物理体系构建AI的技术突破，包括基于 “人工自旋冰” 的储备池计算，训练量较传统循环神经网络大大减少，能够成功完成预测太阳黑子爆发规律等任务；利用“磁场驱动的磁畴结构”，通过自主学习过程，实现联想记忆功能；利用锰氧化物构建概率比特和概率计算机，高效解决大数分解等优化问题。仅数年时间，基于物理体系的AI 已从概念走向技术验证。沈健教授还分享了团队“超快图像处理物理架构”等项目成果，展示了物理体系AI充满潜力的发展前途。