视觉-语言-动作（VLA）模型在机器人操作中表现出色，但其对密集、连续数值计算的依赖导致在能量受限的设备上难以部署。受生物神经元稀疏、事件驱动的信号传递和时间积分机制启发，研究者尝试将脉冲计算引入 VLA 模型，却面临不改动预训练策略或破坏闭环控制的难题。为此，本文提出 Power-of-Two Leaky Integrate-and-Fire（PoT-LIF） 神经元，它通过幅度为二的幂的有符号脉冲来编码信息。PoT-LIF 将幅度编码的脉冲事件与保留残差的膜电位动态相结合，使连续信息能够逐步转化为离散脉冲。
Heartbeat 公式进一步将该过程局部化到加权投影内部，实现了生物启发的脉冲计算与现有预训练 VLA 架构的无缝对接，无需修改外部推理接口。我们在 (\pi{0.5}) 的视觉投影、视觉-语言投影和动作投影中嵌入 PoT-LIF，并在每种配置下对 2,000 条闭环 LIBERO 任务进行评估。标准模式下，PoT-LIF VLA 在 (T=1) 与 (T=2) 时的成功率分别为 96.90% 和 96.35%；Heartbeat 模式在 (T=2) 与 (T=4) 时分别达到 97.25% 和 96.90%，均略高于原始连续激活 (\pi{0.5}) 的 96.70%。在 (T=1) 且发放率为 60.01% 时，PoT-LIF 的算力能耗约为密集基准的 1/7.67，等效降低 86.95%。
点评：PoT-LIF 通过二进制幅度脉冲实现了高效的离散信息传递，在保持原有 VLA 性能的同时显著降低能耗，为能量受限的机器人系统提供了可行的脉冲计算路径。