INN™ 直觉类脑大模型
一个比 Transformer 更接近生物直觉的类脑架构。三值逻辑、稀疏激活、CPU 即可推理。可解释性内建，不是事后补的。
传统深度学习是一个黑箱：你把数据喂进去，它吐出预测，但你永远不知道为什么。INN 从第一性原理改变了这一点。
INN 采用「结构信息抽取—逻辑组网」机制，融合符号计算与数据驱动的三值逻辑类脑模型。它能像人类一样进行逻辑推理，并解释自己的决策过程。
这不是在 Transformer 上打补丁。这是一个全新的大脑——从神经元到网络结构，从激活函数到推理路径，每一层都为可解释性而设计。
不是更大的
Transformer
INN 是一个全新的大脑架构——从神经元到网络，从激活到推理，每一层都重新设计。
小样本学习
仅需少量数据即可提炼规律，而不是百万级标注。
持续学习
学习新知识而不遗忘已掌握内容，没有灾难性遗忘。
多模态融合
同时处理文本、图像、语音等多种信息，统一表征。
CPU 推理
无需 GPU 集群，在普通 CPU 上即可高效运行。
3 节点 BIE 智算体，CPU 推理，无需 GPU 集群
训练速度
推理速度
单节点 600 线程训练速度达 360,000 tokens/s；整机 3 节点训练速度达 2,160,000 tokens/s。
准确率
不是猜测
公开数据集，可复现的结果。不是实验室精心挑选的测试用例，而是真实的分类任务。
Kaggle 糖尿病
医疗诊断
Kaggle 心脏病
疾病预测
Kaggle MNIST
图像识别
双螺旋
科学分类
六个
核心优势
INN 不只是更快的模型——它在精度、透明度、能耗和通用性上重新定义了基准线。
高精度
在标准测试集上持续超越同类模型，准确率领先，误差极低。
模型透明度
每个推理步骤均可溯源，逻辑链路清晰可见，不再是黑箱。
低能耗
CPU 原生推理，无需 GPU 集群，运行功耗降低数个数量级。
高速
整机推理吞吐达 1260 万 tokens/s，响应延迟低于 100ms。
符号与数值统一计算
符号逻辑与数值计算在同一框架中协同，兼顾精确性与泛化能力。
通用人工智能架构
从 NLP 到图像识别，从分类到多模态，单一架构覆盖多类任务。
不是另一个
GPU 集群
传统大模型方案需要专业机房、GPU 集群、巨额电费和持续的 API 调用开支。INN inside™ 把这一切装进一台小于 1m³ 的设备里。
＜1m³ 计算设备，无需计算卡/GPU 参与，小数据样本训练，6000W 广泛供电，在线学习，百万级 tokens/s 推理吞吐，支持办公环境私有化部署，300-750 万元投入成本。相较传统 GPU 方案（＞1000m³ 专业机房、2-6 亿元计算设备投入、＞3000 万年电费支出），INN inside™ 将大模型算力装进办公室。
Flint
分层架构。
为构建和部署 INN 模型而开发的 AI 开发框架。根据任务生成学习网络，确定网络节点、连接结构以及节点计算模型。
数据存储层
基于底层CPU、GPU、BPU等硬件资源提供直觉神经业务网络数据存储和元数据管理等功能，具体包括业务数据KV存储引擎、元数据字典、神经元节点和网络结构数据存取接口，以及跨进程或多机网络通讯接口。
网络构建层
在任务训练阶段，负责从用例数据中提取组织关系并进行数据标注拟合。该层利用直觉神经网络的感知与认知组件，结合过滤、分类等算子，基于底层的神经元抽象接口，构建出任务所需的多方向、多尺度神经网络图结构。
模型服务层
为直觉神经网络的训练和推理全生命周期提供辅助工具与管控操作接口，便于快速构建各类模型应用。主要包括神经元网络连接结构可视化工具、数据预处理与加载工具，以及训练和推理的命令行接口。
模型应用
直觉神经网络作为一种通用人工智能学习算法，基于此，Flint平台能够支撑多种场景的智能应用开发，例如当前流行的NLP对话系统、传统分类任务（如Kaggle竞赛任务），以及文本与图像结合的多模态应用。
易用性与性能
在易用性和性能之间取得最佳平衡，开发者可以快速上手并高效使用。
高度模块化
每个组件都可以独立替换或扩展，支持灵活的系统架构设计。
快速迭代
支持快速迭代开发，从原型到生产环境无缝过渡。
直观可视化
内置网络结构可视化工具，让复杂的神经网络变得可理解。
INN inside™ Basic
最小的 INN 模型软件版本，可直接从网站下载使用。这是 INN 直觉类脑算法与模型的入门版本，让您能够体验 INN 架构的核心功能。
注意： INN inside™ PRO 和 INN inside™ Ultra 仅随 BIE PRO 和 BIE Ultra 硬件平台提供。
BIE-1
智算体
INN 算法需要一个家。BIE-1 智者一号是专为运行 INN 类脑模型设计的完整计算平台——硬件、存储与运行环境一体化。迷你冰箱大小，无需机房，纯 CPU 推理。
×BIE-1计算 · 存储 · 运行环境
直觉神经网络算法
类脑智能 · 可解释 · CPU 推理
每一个数字，
都有意义
BIE 智算体的每一个参数都经过精心设计——从计算能力到物理尺寸，从噪音水平到能耗指标。
计算核心
1,152 核 CPU，4.8T DDR5 内存通用 X86 架构，无需专用加速卡即可完成高吞吐推理。
存储系统
204T 混合存储支持海量数据本地化处理，减少网络传输延迟。
物理形态
迷你单门冰箱大小可放置于办公桌下、家庭角落，无需专用机房。部署灵活，即插即用。
环境表现
< 45 dB · < 70°C · ~90% 节能运行安静如图书馆，温度控制优秀，能耗仅为传统超算的十分之一。
放在
哪里，
用在哪里
从家庭到企业，从医疗到金融——BIE 智算体的紧凑形态让它可以部署在任何需要智能计算的地方。
家庭健康管家
个性化健康数据分析，基于可解释 AI 提供健康建议，而非黑箱预测。
办公智能助手
文档处理、会议摘要、知识检索——本地运行，数据不出办公室。
医疗诊断辅助
科学分类任务准确率 >89%，推理路径完全可解释，支持医生决策。
电商个性化推荐
本地化用户行为分析，实时推荐引擎，无需将用户数据上传云端。
个人量化交易
市场数据分析与策略回测，类脑算法捕捉非线性模式。
个人智能伙伴
一个理解你、能解释自己判断的 AI 助手，放在你的书桌上。
智者一号
对比世界顶级超算集群
根据公开资料及官方数据计算。对比 M公司 RSC 与 A公司 ND H100 v5 超算集群，目标算力：600B 参数模型。
| 项目 | M公司 RSC | A公司 ND H100 v5 | INN Inside™ + BIE |
|---|---|---|---|
| H100 整机台数 / INN 整机台数 | 24,576 台 | 14,336 台 | 1 台（无 GPU） |
| 机器与网络投资金额 | 10 – 12 亿美元 | 4 – 5 亿美元 | 0.005 亿美元 |
| 基础设施配套投资金额 | 5 – 8 亿美元 | 1 – 2 亿美元 | 0 |
| 每年总能耗 | 45 – 50 GWh | 26 – 30 GWh | 0.05256 GWh |
| 600B 参数单节点训练性能 | 180,000 – 240,000 tokens/s | 105,000 – 140,000 tokens/s | 360,000 tokens/s |
| 600B 参数单节点推理性能 | 3.7 – 4.9M tokens/s | 2.2 – 2.9M tokens/s | 1.35M tokens/s |
数据来源：公开资料及官方数据计算。训练与推理性能对比基于 600B 参数模型等效算力目标。
一台机器，
替代数百台 GPU 服务器
以下对比基于相同算力目标（600b 参数模型）：INN inside BIE-1 与等效 GPU-H100×8 集群的全周期投入。
目标：单节点 360,000 tokens/s · 600b 参数
目标：单节点 1,350,000 tokens/s · 600b 参数
硬件 +
软件，
完整方案。
BIE 产品包含硬件平台和 INN 软件模型。两种配置满足不同规模需求。
BIE Ultra + INN inside™ Ultra
- 1152C / 4.8T DDR5
- 204T Storage
- 3 × 24G Graphics Card
- INN inside™ Ultra
- 迷你单门冰箱大小
- < 45 dB noise
- < 70°C at max load
有疑问？
关于 BIE 智算体的常见问题。如果这里没有你的问题，随时联系我们。
预约
深度对话
INN 类脑节点提供从单节点到集群的多种部署方案。填写表单，我们的技术团队将与您安排深度沟通。
我们需要了解
- 部署场景（实验室 / 数据中心 / 边缘端）
- 节点规模与网络拓扑需求
- 运行负载类型（SNN 训练 / 推理 / 仿真）
- 是否需要 Flint 平台支持