追問(wèn)快讀：

從千足機(jī)器人的自組織編隊(duì)到工廠中協(xié)同作業(yè)的人形機(jī)器人，集群機(jī)器人正從科幻走向現(xiàn)實(shí)。但真正的群體智能，并非簡(jiǎn)單的預(yù)設(shè)編程，而是會(huì)自發(fā)涌現(xiàn)。本文試圖借由當(dāng)下集群機(jī)器人的三大進(jìn)化方向，探討當(dāng)簡(jiǎn)單的局部交互規(guī)則遇上復(fù)雜系統(tǒng)時(shí)，群體智能如何在最小化計(jì)算負(fù)載的情況下，涌現(xiàn)出超越個(gè)體能力？

在非洲大草原上，成千上萬(wàn)只角馬如潮水般涌動(dòng)，它們沒(méi)有指揮官，卻能在危險(xiǎn)面前瞬間改變方向；在深海中，沙丁魚(yú)群形成巨大的“魚(yú)球”，每一條魚(yú)都遵循著簡(jiǎn)單的規(guī)則——靠近同伴、避開(kāi)捕食者、保持隊(duì)形，卻創(chuàng)造出令人嘆為觀止的集體舞蹈。這就是自然界中的群體智能（Swarm Intelligence），無(wú)數(shù)個(gè)體通過(guò)簡(jiǎn)單的局部交互，涌現(xiàn)出遠(yuǎn)超單個(gè)個(gè)體能力的復(fù)雜行為。

人類社會(huì)同樣展現(xiàn)著群體智能的魅力。從古代的集市貿(mào)易到現(xiàn)代的互聯(lián)網(wǎng)協(xié)作，從螞蟻覓食啟發(fā)的物流優(yōu)化到鳥(niǎo)群飛行模式指導(dǎo)的交通管理，我們不斷從自然界汲取智慧，將其轉(zhuǎn)化為解決復(fù)雜問(wèn)題的方案。然而，當(dāng)我們?cè)噲D讓機(jī)器也擁有這種群體智能時(shí)，挑戰(zhàn)卻遠(yuǎn)比想象中復(fù)雜。

近年來(lái)，隨著人工智能和機(jī)器人技術(shù)的飛速發(fā)展，集群機(jī)器人逐漸從科幻電影走向現(xiàn)實(shí)。我們看到了閱兵場(chǎng)上千架無(wú)人機(jī)組成的震撼編隊(duì)，也看到了工廠里協(xié)同作業(yè)的機(jī)器人軍團(tuán)。這些場(chǎng)景讓人不禁聯(lián)想到自然界中的蜂群、蟻群和鳥(niǎo)群，但它們是否真正具有了生物的群體智能，還是只是簡(jiǎn)單地復(fù)制表面現(xiàn)象？如何才能從根本原理上理解并實(shí)現(xiàn)這種神奇的涌現(xiàn)性？

面對(duì)這一挑戰(zhàn)，學(xué)界探索出了多條不同的技術(shù)路徑，例如讓機(jī)器人像生物胚胎一樣“發(fā)育成長(zhǎng)”。

讓機(jī)器人如生物一樣發(fā)育

在介紹何為群體智能之前，先看看那些不該被視為群體智能。

2012年，哈佛大學(xué)推出了一種名為“Kilobot”的千足機(jī)器人[1]。其中每個(gè)機(jī)器人都是廉價(jià)且能力有限的，使用者可為每個(gè)機(jī)器人編碼位置，使其呈現(xiàn)下面動(dòng)圖展示的畫(huà)面。

?圖1. 一個(gè)機(jī)器人集群自我組織形成“觸手”。圖中的每一個(gè)機(jī)器人是直徑幾厘米的小電路板，安放在三個(gè)金屬叉上。每個(gè)機(jī)器人都有一個(gè)紅外發(fā)射器和接收器，使其能夠在約 10 厘米的范圍內(nèi)與其他機(jī)器人通信。機(jī)器人有兩個(gè)小型振動(dòng)馬達(dá)，讓它通過(guò)在三個(gè)腿上彈跳來(lái)移動(dòng)。圖源：[1]

這雖然令人耳目一新，但卻還算不上是群體智能。因?yàn)闄C(jī)器人集群的目標(biāo)形狀是預(yù)先定義的，每個(gè)機(jī)器人不過(guò)是按圖索驥，到達(dá)預(yù)設(shè)的位置。機(jī)器人知道它們當(dāng)前在哪里以及它們需要去哪里，只需要到哪里就行了。而自組織的群體智能是在沒(méi)有預(yù)設(shè)目標(biāo)的前提下，通過(guò)群體間個(gè)體的相互交互，在解決問(wèn)題，創(chuàng)造知識(shí)上呈現(xiàn)出1+1大于2的效果。

談及群體智能，更為人所熟知的是粒子群算法，例如模仿鳥(niǎo)群、魚(yú)群。不過(guò)除此之外，胚胎發(fā)育過(guò)程中的細(xì)胞，同樣也可以在沒(méi)有明確坐標(biāo)軸的方位的環(huán)境中，通過(guò)來(lái)指引它們接下來(lái)去哪里。這一過(guò)程被稱為“形態(tài)發(fā)生”（Morphogenesis），指的是胚胎早期發(fā)育中細(xì)胞協(xié)調(diào)運(yùn)動(dòng)。而接下來(lái)要介紹的，便是模仿形態(tài)發(fā)生控制的千足機(jī)器人集群[2]。

該控制模式下，不再需要給每個(gè)機(jī)器人預(yù)先設(shè)定好位置，而是先模擬兩種擴(kuò)散中的化學(xué)物質(zhì)（激活劑和抑制劑）的相對(duì)濃度，每個(gè)千足機(jī)器人再根據(jù)激活劑和抑制劑的濃度，決定自己該怎么運(yùn)動(dòng)，最終形成斑點(diǎn)、條紋或螺旋等宏觀模式。

具體來(lái)看：每個(gè)千足機(jī)器人會(huì)分別計(jì)算其位置處化學(xué)物質(zhì)的模擬濃度。然后通過(guò)局部消息將濃度值傳遞給它們的“鄰居”，以此模擬化學(xué)物質(zhì)的擴(kuò)散。通過(guò)這些計(jì)算和通信，群體模擬了一個(gè)互作并擴(kuò)散的化學(xué)物質(zhì)池（virtual pool of reacting and diffusing chemicals），單個(gè)千足機(jī)器人可以利用該池做出決策。按照設(shè)定，機(jī)器人只要位于群體的邊緣就會(huì)開(kāi)始移動(dòng)。因此，它們會(huì)沿著邊緣移動(dòng)，直到到達(dá)激活劑濃度高的區(qū)域。

?圖2. 使用形態(tài)發(fā)生的集群機(jī)器人在面對(duì)外界沖擊時(shí)的魯棒性，即使一個(gè)聚簇被去除，剩下的機(jī)器人集群重組后，還是能成為一個(gè)整體. 圖源：[2]

與預(yù)先設(shè)定好位置的情況（圖1）不同，基于形態(tài)生成的集群機(jī)器人控制，其過(guò)程是不精確的，有些千足機(jī)器人會(huì)偏離群體甚至迷失方向。但這恰恰增加了其生物學(xué)上的真實(shí)性。而正如生物發(fā)育必須能夠承受失敗和損傷，使用形態(tài)發(fā)生控制的集群機(jī)器人，即使在受到損害后（包括移除其中一個(gè)突起或甚至大塊群集），機(jī)器人集群仍然能夠自組織（圖2），而這些自我修復(fù)的行為不需要工程師預(yù)先編程。這正體現(xiàn)了群體智能的優(yōu)勢(shì)，即面對(duì)外部沖擊時(shí)的魯棒性。

基于物理法則的自組織和集群智能涌現(xiàn)

一些受動(dòng)物群體啟發(fā)的控制算法，會(huì)要求機(jī)器人具備一定的感知和計(jì)算能力，而這并不適用于需要在如微/納米尺度及太空等極端環(huán)境中工作的機(jī)器人集群。對(duì)此，有學(xué)者提出通過(guò)模仿胚胎細(xì)胞的差異粘附假說(shuō)*（differential adhesion hypothesis），以最小化機(jī)器人的計(jì)算載荷[3]。

在細(xì)胞混合物中，粘附力較弱的細(xì)胞將包圍粘附力較強(qiáng)的細(xì)胞，這一過(guò)程被認(rèn)為在胚胎成熟到特定階段的形態(tài)變化中發(fā)揮作用，也是差異粘附假說(shuō)對(duì)應(yīng)的生物學(xué)基礎(chǔ)。

? 模仿胚胎細(xì)胞差異粘附的磁鐵機(jī)器人. 圖源：[3]

來(lái)自中科院的團(tuán)隊(duì)使用50個(gè)殼中安裝有不同強(qiáng)度磁鐵的機(jī)器人，來(lái)模擬不同的粘附水平[3]。實(shí)驗(yàn)表明，當(dāng)機(jī)器人之間的粘附差異較大時(shí)，紅色機(jī)器人會(huì)快速將綠色機(jī)器人包裹起來(lái)（這一過(guò)程被簡(jiǎn)稱為“排序”）；當(dāng)差異較小時(shí)，情況也是如此；然而，當(dāng)處在弱粘附水平和強(qiáng)粘附水平之間時(shí)，排序會(huì)變慢。

研究人員在細(xì)胞培養(yǎng)實(shí)驗(yàn)中也發(fā)現(xiàn)了類似現(xiàn)象。他們推測(cè)“粘附差異”可能受特定基因表達(dá)的調(diào)控，被用來(lái)控制胚胎發(fā)育過(guò)程中的某些模式的形成。

注意，這里每個(gè)機(jī)器人并不像上文描述的機(jī)器人那樣，具有傳感器、電路板，而是純粹依賴物理過(guò)程（磁力）進(jìn)行的自組織，彼此之間只是受到磁力的影響。

? 大小不同的磁性圓盤在變化的磁場(chǎng)中不斷旋轉(zhuǎn). 圖源：[4]

而另一項(xiàng)實(shí)驗(yàn)中，研究者則讓磁性圓盤漂浮在水中，并施加變化的磁場(chǎng)使其旋轉(zhuǎn)[4]。自旋攪動(dòng)周圍水流，水流形成的“推開(kāi)”效應(yīng)與磁力的“拉攏”效應(yīng)相互對(duì)抗，最終達(dá)到一種動(dòng)態(tài)平衡，從而自發(fā)排布出穩(wěn)定的幾何結(jié)構(gòu)。

這些圓盤單個(gè)來(lái)看只是被動(dòng)的一個(gè)個(gè)無(wú)生命的物質(zhì)，但卻可以在集群狀態(tài)下，表現(xiàn)得如同有智慧一般進(jìn)行互動(dòng)。群集包含了大小不同的圓盤，大小差異影響了圓盤與磁場(chǎng)和流體動(dòng)力學(xué)的相互作用。當(dāng)磁場(chǎng)以合適的頻率變化時(shí)，圓盤的集合可以自我組織，較小的圓盤靠近中心，而較大的圓盤在外圍旋轉(zhuǎn)。

這說(shuō)明，復(fù)雜的集體行為不一定需要能感知的細(xì)胞或能計(jì)算的機(jī)器人組成。即使是簡(jiǎn)單的金屬圓盤，只要它們之間以及與環(huán)境存在合適的相互作用，也能涌現(xiàn)出看似智能的協(xié)同結(jié)構(gòu)。

上述的自組織現(xiàn)象，并非來(lái)自研究人員的預(yù)先設(shè)定，沒(méi)有地圖或最終的模式計(jì)劃。相反，它完全源于系統(tǒng)中的動(dòng)態(tài)相互作用。這種純粹基于物理作用的相互影響，使得某些科幻場(chǎng)景變成可能，例如能在血液中游走，利用磁場(chǎng)促使納米顆粒自組裝成微小的形狀和結(jié)構(gòu)，靶向并殺死腫瘤細(xì)胞的納米機(jī)器人集群，或是用脈沖光照射細(xì)胞以控制其行為、加速傷口愈合的機(jī)器人集群[5]。

集群身體，用一群小機(jī)器人

組裝成身體去探索世界

模仿動(dòng)物群體，曾經(jīng)是實(shí)現(xiàn)集群機(jī)器人控制策略的常見(jiàn)思路[6]。例如，對(duì)螞蟻信息素放大、鳥(niǎo)群局部協(xié)同、蝙蝠回聲定位自適應(yīng)與螢火蟲(chóng)亮度吸引等行為模式的觀察和建模，分別催生了蟻群優(yōu)化 （ACO） 、粒子群優(yōu)化 （PSO）、蝙蝠算法和螢火蟲(chóng)算法，這些算法揭示了群體智能中復(fù)雜的全局優(yōu)化與協(xié)調(diào)，可由簡(jiǎn)單的局部交互與反饋涌現(xiàn)。

?圖5. 能夠協(xié)作的動(dòng)物集群及基于自主機(jī)器人/無(wú)人機(jī)的集群示例，圖源：cdn.techscience

基于這一思路構(gòu)建的集群機(jī)器人，能夠以群體智能提供的去中心化和自組織性，來(lái)處理環(huán)境監(jiān)測(cè)、救援搜索、農(nóng)業(yè)和太空探索等任務(wù)。相較效率低下且容易出現(xiàn)單點(diǎn)故障的傳統(tǒng)集中控制方法，群體智能利用分布式的協(xié)調(diào)機(jī)制，讓其中每個(gè)機(jī)器人只需依賴本地信息和簡(jiǎn)單規(guī)則，從而提升了集群的穩(wěn)健性和任務(wù)的可擴(kuò)展性。

?圖6. 使用物聯(lián)網(wǎng)設(shè)備和傳感器的智能農(nóng)業(yè)監(jiān)控系統(tǒng)，每個(gè)無(wú)人機(jī)分散協(xié)調(diào)，各自根據(jù)本地信息和簡(jiǎn)單規(guī)則進(jìn)行作，可有效、快速地覆蓋更多區(qū)域。來(lái)自[6]

除了上述應(yīng)用，集群機(jī)器人還可以組成類人的肢體，即具身集群機(jī)器人。這種機(jī)器人由多個(gè)20-30毫米的微型機(jī)器人組成，合體后的具身集群機(jī)器人可動(dòng)態(tài)改變其形狀、密度以及身體部位與單個(gè)機(jī)器人之間的對(duì)應(yīng)關(guān)系，從而和人類參與者在VR環(huán)境中玩錘頭剪刀布[7]。這樣的機(jī)器人，就如同科幻電影中描述的，星際飛船的指揮官揮一揮手臂，就能夠讓另一個(gè)星球上一個(gè)個(gè)小機(jī)器人組裝出一個(gè)類似自己身體的裝置去探索異世界一樣。

?圖7. 具身集群機(jī)器人允許人類動(dòng)態(tài)塑造和拆卸他們的身體，以便與本地和遠(yuǎn)程環(huán)境進(jìn)行物理和自適應(yīng)交互。在右圖中，右側(cè)的用戶使用具身集群機(jī)器人將球推向他人的手。用戶可以看到投影在桌子上的集群機(jī)器人，并通過(guò)連接到桌子上的手部跟蹤器以具體方式控制它們。圖源：[7]

?圖8：用于到達(dá)任務(wù)的 VR 設(shè)置（a）。紫色區(qū)域是起始區(qū)域，綠色物體是手形到達(dá)目標(biāo)。參與者被指示（b）使用指定的手勢(shì)到達(dá)目標(biāo)，以及（c）將集群機(jī)器人安裝在綠色區(qū)域。圖源：[7]

具身集群機(jī)器人可以讓操作者像操控自己的雙手那樣遠(yuǎn)程控制，進(jìn)而與環(huán)境交互。機(jī)器人集群可以從單個(gè)集群分裂為多個(gè)集群，每個(gè)集群可轉(zhuǎn)化為不同大小和非常規(guī)形式的各種身體部位（例如，小手、細(xì)長(zhǎng)的手指和觸手狀的肢體），然后合并組成單個(gè)集群。這種轉(zhuǎn)換提供了更高的交互自由度，同時(shí)還能執(zhí)行預(yù)期功能。具身集群機(jī)器人還可通過(guò)避開(kāi)障礙物、調(diào)整大小或根據(jù)需要改變自身來(lái)適應(yīng)其環(huán)境。

?圖9. 5G智能工廠中Walker S1人形機(jī)器人. 圖源：UBTECH

另一個(gè)更有價(jià)值的應(yīng)用，來(lái)自多個(gè)機(jī)器人之間的協(xié)作，即深圳UBTECH（優(yōu)必選）開(kāi)發(fā)的人形機(jī)器人。這些機(jī)器人已經(jīng)在極氪 5G 智能工廠中實(shí)現(xiàn)了多個(gè)人形機(jī)器人的無(wú)縫銜接。視頻中數(shù)十臺(tái) Walker S1 人形機(jī)器人被部署在復(fù)雜的生產(chǎn)區(qū)域，包括總裝車間、SPS （放電等離子燒結(jié)）儀器區(qū)、質(zhì)檢區(qū)和車輛裝配站。這些人形機(jī)器人協(xié)同工作，順利完成了分揀、搬運(yùn)和精密裝配三類任務(wù)，展示了在真實(shí)工業(yè)環(huán)境中的多機(jī)器人無(wú)縫協(xié)作能力。

視頻中的集群智能系統(tǒng)由超級(jí)大腦和智能子腦組成[8]。超級(jí)大腦由推理多模態(tài)模型驅(qū)動(dòng)，可實(shí)現(xiàn)智能混合決策，并管理復(fù)雜的流水線任務(wù)。每個(gè)機(jī)器人的智能子腦基于Deepseek-R1，賦予人形機(jī)器人類人類的常識(shí)推理能力。這使得每個(gè)機(jī)器人能夠自主分解、調(diào)度和協(xié)調(diào)任務(wù)，優(yōu)化復(fù)雜工業(yè)工作流程中的多機(jī)器人協(xié)作。

上述多模態(tài)推理模型的訓(xùn)練數(shù)據(jù)。來(lái)自多個(gè)汽車工廠的實(shí)際員工培訓(xùn)。通過(guò)整合多模態(tài)特征并利用檢索增強(qiáng)生成（RAG）技術(shù)，模型能夠讓人形機(jī)器人快速適應(yīng)專業(yè)的工作崗位，顯著提高決策準(zhǔn)確性與跨工種的泛化能力，展現(xiàn)出大規(guī)模工業(yè)部署的可擴(kuò)展性。

小結(jié)

閱兵中那令人震撼的無(wú)人機(jī)表演，讓人自然想到蜂群算法和群體智能。但從技術(shù)實(shí)現(xiàn)的角度來(lái)看，無(wú)人機(jī)表演的操縱算法幾乎不太可能是上述討論的集群算法。模仿生物的集群算法，雖然具有群體層面的魯棒性，但難免可能出錯(cuò)。因此，像無(wú)人機(jī)表演這樣需要精確復(fù)現(xiàn)預(yù)設(shè)圖案的任務(wù)，不適合使用模仿動(dòng)物群體的集群算法；但在變化莫測(cè)的戰(zhàn)場(chǎng)上，集群算法操縱的機(jī)器人集群就表現(xiàn)出其威力了。

而本文描述的集群機(jī)器人算法，不限于模仿動(dòng)物群體。從一個(gè)方向來(lái)看，是基于更加基礎(chǔ)的物理規(guī)則，從基于胚胎發(fā)育，到模擬細(xì)胞粘附，直到將所需的計(jì)算感知能力降低到最低，單純依賴物理過(guò)程依然可以涌現(xiàn)出類似智能的集體行為。從另一方向，則是用簡(jiǎn)單的規(guī)則去模擬更加復(fù)雜的行為，例如多個(gè)機(jī)器人組成類似人體的具身集群機(jī)器人，以及多個(gè)人形機(jī)器人在多模態(tài)推理大模型的驅(qū)動(dòng)下，進(jìn)行視覺(jué)推理最終如一群熟練工人一樣完成生產(chǎn)任務(wù)。

集群機(jī)器人作為一個(gè)發(fā)展迅速的領(lǐng)域，其進(jìn)展一方面得益于上述的理論進(jìn)步，讓研究者能夠在機(jī)器人上部署極少的計(jì)算和感知設(shè)施，也能實(shí)現(xiàn)群體智能。另一方面，則得益于計(jì)算設(shè)備的進(jìn)步，低功耗的設(shè)備，結(jié)合大模型算法的進(jìn)步，為單個(gè)機(jī)器人節(jié)點(diǎn)賦予了前所未有的處理能力，而神經(jīng)形態(tài)芯片則為實(shí)現(xiàn)超低功耗智能開(kāi)辟了新路徑。

[1] Rubenstein, M., Ahler, C., Hoff, N., Cabrera, A., & Nagpal, R. (2014). Kilobot: A low cost robot with scalable operations designed for collective behaviors. Robotics and Autonomous Systems, 62(7), 966–975. https://doi.org/10.1016/j.robot.2013.08.006

[2] Carrillo Zapata, D., Sharpe, J., Winfield, A. F. T., Giuggioli, L., & Hauert, S. (2019). Toward Controllable Morphogenesis in Large Robot Swarms. IEEE Robotics and Automation Letters, 4(4), 3386-3393. Article 8755393. https://doi.org/10.1109/LRA.2019.2926961

[3] Pan, M., Yang, Y., Qin, X., Li, G., Xi, N., Long, M., Jiang, L., Zhao, T., & Liu, L. (2024). Applying the intrinsic principle of cell collectives to program robot swarms. Cell Reports Physical Science, 5(8), 102122–102122. https://doi.org/10.1016/j.xcrp.2024.102122

[4] Ceron, S., Gardi, G., Petersen, K., & Metin Sitti. (2023). Programmable self-organization of heterogeneous microrobot collectives. Proceedings of the National Academy of Sciences of the United States of America, 120(24). https://doi.org/10.1073/pnas.2221913120

[5] Sedeer el-Showk. (2025). Robots demonstrate principles of collective intelligence. Nature. https://doi.org/10.1038/d41586-025-02269-4

[6] Nguyen, L. V. (2024). SwarmIntelligence-Based Multi-Robotics: A Comprehensive Review. AppliedMath, 4(4), 1192–1210. https://doi.org/10.3390/appliedmath4040064

[7] Ichihashi, S., Kuroki, S., Nishimura, M., Kasaura, K., Hiraki, T., Tanaka, K., & Yoshida, S. (2024). Swarm Body: Embodied Swarm Robots. ArXiv (Cornell University). https://doi.org/10.1145/3613904.3642870

[8] CORP, R. (2025, March 3). Unleashing Swarm Intelligence: UBTECH Pioneers the World’s First Multi-Humanoid Robot Collaborative Training in Multi-Task, Multi-Scenario Settings at ZEEKR. Prnewswire.com; Cision PR Newswire. https://www.prnewswire.com/news-releases/unleashing-swarm-intelligence-ubtech-pioneers-the-worlds-first-multi-humanoid-robot-collaborative-training-in-multi-task-multi-scenario-settings-at-zeekr-302389793.html

關(guān)于追問(wèn)nextquestion

天橋腦科學(xué)研究院旗下科學(xué)媒體，旨在以科學(xué)追問(wèn)為紐帶，深入探究人工智能與人類智能相互融合與促進(jìn)，不斷探索科學(xué)的邊界。歡迎評(píng)論區(qū)留言，或后臺(tái)留言“社群”即可加入社群與我們互動(dòng)。您也可以在后臺(tái)提問(wèn)，我們將基于追問(wèn)知識(shí)庫(kù)為你做出智能回復(fù)哦~

關(guān)于天橋腦科學(xué)研究院

天橋腦科學(xué)研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元?jiǎng)?chuàng)建的世界最大私人腦科學(xué)研究機(jī)構(gòu)之一，圍繞全球化、跨學(xué)科和青年科學(xué)家三大重點(diǎn)，支持腦科學(xué)研究，造福人類。

Chen Institute與華山醫(yī)院、上海市精神衛(wèi)生中心設(shè)立了應(yīng)用神經(jīng)技術(shù)前沿實(shí)驗(yàn)室、人工智能與精神健康前沿實(shí)驗(yàn)室；與加州理工學(xué)院合作成立了加州理工天橋神經(jīng)科學(xué)研究院。

Chen Institute建成了支持腦科學(xué)和人工智能領(lǐng)域研究的生態(tài)系統(tǒng)，項(xiàng)目遍布?xì)W美、亞洲和大洋洲，包括、、、科研型臨床醫(yī)生獎(jiǎng)勵(lì)計(jì)劃、、等。