运用脉冲神经网络（SNN, spiking neural network）算法的类脑计算范式，以鱼的虚拟形态呈现了相邻鱼儿协同互动而涌现集体移动的行为。该系统运用了自研脉冲神经网络（SNN）架构的网络结构搜索（NAS, network architecture search），实现了复杂自适应理论（CAS, complex adaptive systems）。其优势是相较于传统神经网络的自适应系统更具扩展性、适应性以及容错性。另外，该系统在下一阶段将融入共生系统（symbiotic system）的概念。

在大海中有约七成的鱼类会群居并涌现出多种形态的群体运动，这些看似有趣的集体行为恰恰体现出了集群智能的特性。相较于群体运动的复杂性，每条鱼的体型、智商和能力都有限，它只关心周边邻居的情况，并不知道远处鱼的情况。鱼群协同的行为并没有统一的领导者或固定的角色分工，而是自发的在每条鱼和邻居的互动中形成了带有功能性的鱼群。它们依托这样的集体运动来达到集体狩猎、集体迁徙和提高生存率等目的。

新氦研发团队基于以上背景创造了一个虚拟海洋世界，每一条小鱼都是一个独立体，它只关注距自己最近的几条鱼，能自行思考和判断接下来要游去哪里，但却能涌现出复杂的集体运动模式。这种移动模式一般都是基于专家设计的仿生规则来实现的，对于强化学习或深度学习方法来说都仍是困难的任务。而新氦利用的脉冲神经网络和自组织集群协同系统来实现这一场景可以看到鱼群涌现出来的协同运动具有极高的复杂性与流畅性。

 在虚拟海洋世界中，新氦将人类引进场景称之为混生交互系统，即人类、人工智能和生物在同一环境中进行交流和互动行为的系统。鱼群依然自由游走，遵循自己的仿生生物规则，而人类的出现会直接影响鱼群的运动，能够实现鱼群主动跟随、感知人体运动等能力，这正体现了三元群智的概念。

脉冲神经网络与类脑计算范式在近几年陆续被学术及商业视为下一代AI的风口之一，目前对于脉冲神经网路（SNN）的理解和应用主要面向有监督分类、无监督聚类等经典深度学习问题，比较少的展现类脑计算的更多的潜力。相比于通常的做法，新氦使用脉冲神经网络赋予智能体感知局部环境的能力，实现集群协同的任务并涌现鱼群运动模式，实现一个复杂自适应系统。新氦脉冲神经网络（SNN）架构是利用自动网络搜索技术，不需要人为提前搭建，因此在面对局部且复杂的外界环境时系统具有高扩展性(具体含义为有较高的“可插拔”性质，也就是对环境中加入或减少智能体的数量依旧可以涌现出解决问题的办法)、强适应性(具体含义为若换一个新环境，群体之间仍可以进行协同任务)、高容错性(具体含义为对于群体中“损坏”或“性能较差”个体，并不会对整个群体运动或生存模式产生过多的影响)，相较于传统神经网络皆达到顶尖水平。