摘要：从千足机器人的自组织编队到工厂中协同作业的人形机器人，集群机器人正从科幻走向现实。但真正的群体智能，并非简单的预设编程，而是会自发涌现。本文试图借由当下集群机器人的三大进化方向，探讨当简单的局部交互规则遇上复杂系统时，群体智能如何在最小化计算负载的情况下，涌现
追问快读：
从千足机器人的自组织编队到工厂中协同作业的人形机器人，集群机器人正从科幻走向现实。但真正的群体智能，并非简单的预设编程，而是会自发涌现。本文试图借由当下集群机器人的三大进化方向，探讨当简单的局部交互规则遇上复杂系统时，群体智能如何在最小化计算负载的情况下，涌现出超越个体能力？
在非洲大草原上，成千上万只角马如潮水般涌动，它们没有指挥官，却能在危险面前瞬间改变方向；在深海中，沙丁鱼群形成巨大的“鱼球”，每一条鱼都遵循着简单的规则——靠近同伴、避开捕食者、保持队形，却创造出令人叹为观止的集体舞蹈。这就是自然界中的 群体智能 （Swarm Intelligence），无数个体通过简单的局部交互，涌现出远超单个个体能力的复杂行为。
人类社会同样展现着群体智能的魅力。从古代的集市贸易到现代的互联网协作，从蚂蚁觅食启发的物流优化到鸟群飞行模式指导的交通管理，我们不断从自然界汲取智慧，将其转化为解决复杂问题的方案。然而，当我们试图让机器也拥有这种群体智能时，挑战却远比想象中复杂。
近年来，随着人工智能和机器人技术的飞速发展，集群机器人逐渐从科幻电影走向现实。我们看到了阅兵场上千架无人机组成的震撼编队，也看到了工厂里协同作业的机器人军团。这些场景让人不禁联想到自然界中的蜂群、蚁群和鸟群，但 它们是否真正具有了生物的群体智能，还是只是简单地复制表面现象？如何才能从根本原理上理解并实现这种神奇的涌现性？
面对这一挑战，学界探索出了多条不同的技术路径，例如让机器人像生物胚胎一样“发育成长”。
让机器人如生物一样发育
在介绍何为群体智能之前，先看看那些不该被视为群体智能。
2012年，哈佛大学推出了一种名为“Kilobot”的千足机器人 [1] 。其中每个机器人都是廉价且能力有限的，使用者可为每个机器人编码位置，使其呈现下面动图展示的画面。▷ 图1. 一个机器人集群自我组织形成“触手”。图中的每一个机器人是直径几厘米的小电路板，安放在三个金属叉上。每个机器人都有一个红外发射器和接收器，使其能够在约 10 厘米的范围内与其他机器人通信。机器人有两个小型振动马达，让它通过在三个腿上弹跳来移动。图源：[1]
这虽然令人耳目一新，但却还算不上是群体智能。因为机器人集群的目标形状是预先定义的，每个机器人不过是按图索骥，到达预设的位置。机器人知道它们当前在哪里以及它们需要去哪里，只需要到哪里就行了。而 自组织的群体智能是在没有预设目标的前提下，通过群体间个体的相互交互，在解决问题，创造知识上呈现出1+1大于2的效果。
谈及群体智能，更为人所熟知的是粒子群算法，例如模仿鸟群、鱼群。不过除此之外，胚胎发育过程中的细胞，同样也可以在没有明确坐标轴的方位的环境中，通过来指引它们接下来去哪里。这一过程被称为 “形态发生” （Morphogenesis），指的是胚胎早期发育中细胞协调运动。而接下来要介绍的，便是模仿形态发生控制的千足机器人集群 [2] 。该控制模式下，不再需要给每个机器人预先设定好位置，而是先模拟两种扩散中的化学物质（激活剂和抑制剂）的相对浓度，每个千足机器人再根据激活剂和抑制剂的浓度，决定自己该怎么运动，最终形成斑点、条纹或螺旋等宏观模式。
具体来看：每个千足机器人会分别计算其位置处化学物质的模拟浓度。然后通过局部消息将浓度值传递给它们的“邻居”，以此模拟化学物质的扩散。通过这些计算和通信，群体模拟了一个互作并扩散的化学物质池（virtual pool of reacting and diffusing chemicals），单个千足机器人可以利用该池做出决策。按照设定，机器人只要位于群体的边缘就会开始移动。因此，它们会沿着边缘移动，直到到达激活剂浓度高的区域。
▷ 图2. 使用形态发生的集群机器人在面对外界冲击时的鲁棒性，即使一个聚簇被去除，剩下的机器人集群重组后，还是能成为一个整体. 图源：[2]
与预先设定好位置的情况（图1）不同，基于形态生成的集群机器人控制，其过程是不精确的，有些千足机器人会偏离群体甚至迷失方向。但这恰恰增加了其生物学上的真实性。 而正如生物发育必须能够承受失败和损伤，使用形态发生控制的集群机器人，即使在受到损害后（包括移除其中一个突起或甚至大块群集），机器人集群仍然能够自组织（图2），而这些自我修复的行为不需要工程师预先编程。这正体现了群体智能的优势，即面对外部冲击时的鲁棒性。
基于物理法则的自组织和集群智能涌现
一些受动物群体启发的控制算法，会要求机器人具备一定的感知和计算能力，而这并不适用于需要在如微/纳米尺度及太空等极端环境中工作的机器人集群。对此，有学者提出通过模仿胚胎细胞的 差异粘附假说 *（differential adhesion hypothesis），以最小化机器人的计算载荷 [3]在细胞混合物中，粘附力较弱的细胞将包围粘附力较强的细胞，这一过程被认为在胚胎成熟到特定阶段的形态变化中发挥作用，也是差异粘附假说对应的生物学基础。
来自中科院的团队使用50个壳中安装有不同强度磁铁的机器人，来模拟不同的粘附水平 [3] 。实验表明，当机器人之间的粘附差异较大时，红色机器人会快速将绿色机器人包裹起来（这一过程被简称为“排序”）；当差异较小时，情况也是如此；然而，当处在弱粘附水平和强粘附水平之间时，排序会变慢。研究人员在细胞培养实验中也发现了类似现象。他们推测“粘附差异”可能受特定基因表达的调控，被用来控制胚胎发育过程中的某些模式的形成。
注意， 这里每个机器人并不像上文描述的机器人那样，具有传感器、电路板，而是纯粹依赖物理过程（磁力）进行的自组织，彼此之间只是受到磁力的影响。
而另一项实验中，研究者则让磁性圆盘漂浮在水中，并施加变化的磁场使其旋转 [4] 。自旋搅动周围水流，水流形成的“推开”效应与磁力的“拉拢”效应相互对抗，最终达到一种动态平衡，从而自发排布出稳定的几何结构。这些圆盘单个来看只是被动的一个个无生命的物质，但却可以在集群状态下，表现得如同有智慧一般进行互动。群集包含了大小不同的圆盘，大小差异影响了圆盘与磁场和流体动力学的相互作用。当磁场以合适的频率变化时，圆盘的集合可以自我组织，较小的圆盘靠近中心，而较大的圆盘在外围旋转。
这说明，复杂的集体行为不一定需要能感知的细胞或能计算的机器人组成。 即使是简单的金属圆盘，只要它们之间以及与环境存在合适的相互作用，也能涌现出看似智能的协同结构。
上述的自组织现象，并非来自研究人员的预先设定，没有地图或最终的模式计划。相反，它完全源于系统中的动态相互作用。这种纯粹基于物理作用的相互影响，使得某些科幻场景变成可能，例如能在血液中游走，利用磁场促使纳米颗粒自组装成微小的形状和结构，靶向并杀死肿瘤细胞的纳米机器人集群，或是用脉冲光照射细胞以控制其行为、加速伤口愈合的机器人集群 [5] 。集群身体，用一群小机器人
组装成身体去探索世界
模仿动物群体，曾经是实现集群机器人控制策略的常见思路 [6] 。例如，对蚂蚁信息素放大、鸟群局部协同、蝙蝠回声定位自适应与萤火虫亮度吸引等行为模式的观察和建模，分别催生了蚁群优化 （ACO） 、粒子群优化 （PSO）、蝙蝠算法和萤火虫算法，这些算法揭示了群体智能中复杂的全局优化与协调，可由简单的局部交互与反馈涌现。▷ 图5. 能够协作的动物集群 及基于自主机器人/无人机的集群 示例，图源：cdn.techscience
基于这一思路构建的集群机器人，能够以群体智能提供的去中心化和自组织性，来处理环境监测、救援搜索、农业和太空探索等任务。 相较效率低下且容易出现单点故障的传统集中控制方法，群体智能利用分布式的协调机制，让其中每个机器人只需依赖本地信息和简单规则，从而提升了集群的稳健性和任务的可扩展性。
▷ 图6. 使用物联网设备和传感器的智能农业监控系统，每个无人机分散协调，各自根据本地信息和简单规则进行作，可有效、快速地覆盖更多区域。来自[6]
除了上述应用，集群机器人还可以组成类人的肢体，即具身集群机器人。这种机器人由多个20-30毫米的微型机器人组成，合体后的具身集群机器人可动态改变其形状、密度以及身体部位与单个机器人之间的对应关系，从而和人类参与者在VR环境中玩锤头剪刀布 [7] 。这样的机器人，就如同科幻电影中描述的，星际飞船的指挥官挥一挥手臂，就能够让另一个星球上一个个小机器人组装出一个类似自己身体的装置去探索异世界一样。▷ 图7. 具身集群机器人允许人类动态塑造和拆卸他们的身体，以便与本地和远程环境进行物理和自适应交互。在右图中，右侧的用户使用具身集群机器人将球推向他人的手。用户可以看到投影在桌子上的集群机器人，并通过连接到桌子上的手部跟踪器以具体方式控制它们。图源：[7]
▷ 图8：用于到达任务的 VR 设置（a）。紫色区域是起始区域，绿色物体是手形到达目标。参与者被指示（b）使用指定的手势到达目标，以及（c）将集群机器人安装在绿色区域。图源：[7]
具身集群机器人可以让操作者像操控自己的双手那样远程控制，进而与环境交互。 机器人集群可以从单个集群分裂为多个集群，每个集群可转化为不同大小和非常规形式的各种身体部位（例如，小手、细长的手指和触手状的肢体），然后合并组成单个集群。这种转换提供了更高的交互自由度，同时还能执行预期功能。具身集群机器人还可通过避开障碍物、调整大小或根据需要改变自身来适应其环境。
另一个更有价值的应用，来自多个机器人之间的协作，即深圳UBTECH（优必选）开发的人形机器人。这些机器人已经在极氪 5G 智能工厂中实现了多个人形机器人的无缝衔接。视频中数十台 Walker S1 人形机器人被部署在复杂的生产区域，包括总装车间、SPS （放电等离子烧结）仪器区、质检区和车辆装配站。这些人形机器人协同工作，顺利完成了分拣、搬运和精密装配三类任务，展示了在真实工业环境中的多机器人无缝协作能力。
视频中的集群智能系统由超级大脑和智能子脑组成 [8] 。超级大脑由推理多模态模型驱动，可实现智能混合决策，并管理复杂的流水线任务。每个机器人的智能子脑基于Deepseek-R1，赋予人形机器人类人类的常识推理能力。这使得每个机器人能够自主分解、调度和协调任务，优化复杂工业工作流程中的多机器人协作。上述多模态推理模型的训练数据。来自多个汽车工厂的实际员工培训。通过整合多模态特征并利用检索增强生成（RAG）技术，模型能够让人形机器人快速适应专业的工作岗位，显著提高决策准确性与跨工种的泛化能力，展现出大规模工业部署的可扩展性。
小结
阅兵中那令人震撼的无人机表演，让人自然想到蜂群算法和群体智能。但从技术实现的角度来看，无人机表演的操纵算法几乎不太可能是上述讨论的集群算法。模仿生物的集群算法，虽然具有群体层面的鲁棒性，但难免可能出错。因此，像无人机表演这样需要精确复现预设图案的任务，不适合使用模仿动物群体的集群算法；但在变化莫测的战场上，集群算法操纵的机器人集群就表现出其威力了。
而本文描述的集群机器人算法，不限于模仿动物群体。从一个方向来看，是基于更加基础的物理规则，从基于胚胎发育，到模拟细胞粘附，直到将所需的计算感知能力降低到最低，单纯依赖物理过程依然可以涌现出类似智能的集体行为。从另一方向，则是用简单的规则去模拟更加复杂的行为，例如多个机器人组成类似人体的具身集群机器人，以及多个人形机器人在多模态推理大模型的驱动下，进行视觉推理最终如一群熟练工人一样完成生产任务。
集群机器人作为一个发展迅速的领域，其进展一方面得益于上述的理论进步，让研究者能够在机器人上部署极少的计算和感知设施，也能实现群体智能。另一方面，则得益于计算设备的进步，低功耗的设备，结合大模型算法的进步，为单个机器人节点赋予了前所未有的处理能力，而神经形态芯片则为实现超低功耗智能开辟了新路径。
来源：博识雅士一点号
