邁向物理世界的集體智能：sakana ai帶來像生命一樣成長的智能蜂窩模塊

編輯丨&

生命何以形成復雜的形態？

人體中的每一個細胞，都只知道自己身邊發生了什么。然而，正是這些不斷進行局部交流的細胞，最終共同構建出了心臟、四肢、大腦等復雜結構；即使組織受損，它們也能重新協調彼此，逐步恢復原本的形態。

幾十年來，這種現象始終吸引著機器人和人工智能研究者。

受此啟發，Sakana AI 與研究團隊提出了一種全新的模塊化機器人框架——Smart Cellular Bricks。研究人員利用三維神經細胞自動機（3D Neural Cellular Automata，3D NCA），讓每一個完全相同的智能立方體都運行相同的規則，僅通過與六個相鄰模塊交換少量信息，便能夠逐漸形成對整體結構的共同認知。

相關研究以「Smart cellular bricks for decentralized shape classification and damage recovery」為題，于 2026 年 7 月 13 日發布在《Nature Communications》。

論文鏈接：https://www.nature.com/articles/s41467-026-75166-7

模塊化的自動機

過去二十多年，模塊化機器人一直有一個共同目標：把大量相同的小模塊組合成一個能夠不斷變化形態的大機器人。

理論上，只要模塊足夠多，它們便能夠像樂高積木一樣，根據任務自由重組，今天組成橋梁，明天組成機械臂，后天又變成移動平臺。這種能力對于災害救援、太空建造甚至未來智能材料都極具吸引力。但這樣就會有一個問題：模塊并不知道自己屬于哪里，隨著規模的擴大，系統壓力會急劇增加。

自然界卻采用了完全不同的思路。

無論是胚胎發育還是組織再生，細胞都不會獲得整個身體的全局信息。它們只感知周圍幾個鄰居釋放出的化學信號，根據這些局部信息不斷調整自身狀態。最終，整體形態卻能夠自發地「長出來」。

這就是 Smart Cellular Bricks 最核心的創新。每一個立方體內部都運行同一套 3D 神經細胞自動機網絡。它擁有少量內部隱藏狀態（Hidden Channels），能夠記錄自己的局部記憶，同時每一步只與六個相鄰方向上的模塊交換信息。整個過程中，沒有任何模塊能夠直接看到整體結構，也不存在負責協調全局的中央節點。

圖 1：用于形狀分類的神經細胞自動機。

在模擬中，該方法的準確率可達 98.97%。團隊將模擬訓練的 NCA 直接轉移到硬件上，構建了四種不同的形狀，從 26 塊（吉他）到 197 塊（圓桌）不等；Bricks 在飛機、吉他、船和桌子上達成了正確的共識，四者成功率均達成 100%。在硬件領域，集體在不到 60 個更新周期內匯聚，約為三分鐘的實時時間。

圖 2：形狀分類在仿真與硬件中的結果。

大多數形狀在 5% 的失效率下都能保持高精度，有些如飛機和船只即使在 15% 時也僅有輕微劣化。例外的是結構瓶頸狹窄的形狀：在吉他中，琴頸上的一次失誤可能切斷物體的兩半，從而破壞分類。

圖 3：模擬的穩健性。

損傷與擴展

在自然界中，生物最大的優勢之一并不是永遠不會受傷，而是在受到損傷后仍然能夠恢復。

為了測試智能模塊的恢復能力，研究團隊進一步設計了損傷檢測和恢復實驗。

當部分模塊被移除或者失效后，系統首先利用局部通信判斷異常位置，并將損傷信息整合到整個網絡中。由于每個模塊都持續維護自身隱藏狀態，剩余模塊能夠重新評估當前結構，并根據已有信息調整恢復策略。

這種分布式系統能夠實現非常準確的損傷定位。在模擬實驗中，系統對受損區域的檢測準確率達到94.8%，并且能夠根據當前剩余結構判斷需要恢復的目標形態。對于訓練過程中沒有見過的新損傷模式，系統依然表現出了較強適應能力。

圖 4：模擬損傷檢測與再生。

此外，模型規模還可從 15x15x15 擴展到到 32x32x32 和 64x64x64 網格，高分辨率實驗涉及的幾何形狀遠比硬件中豐富的，包括中空形狀、內部空腔以及超過 18,000 個立方體的組件。

如生命般生長的機器人

一個細胞并不聰明，一個神經元也無法理解整個大腦。然而，當數量足夠多的簡單單元通過合適規則連接起來，系統便能夠產生遠超單個單元能力的行為。

當然，目前的 Smart Cellular Bricks 距離真正擁有生命般的自主成長能力仍有很大距離。它們依然需要訓練過程，需要特定的硬件設計，也只能處理有限范圍內的形態任務。

從技術角度來看，這種方法為未來模塊化機器人提供了一種新的擴展路徑。并且，這種理念或許能應用于更多領域。

相關鏈接：https://sakana.ai/smart-cellular-bricks/