無人機方陣 vs. 飛鳥群，群體智能是什么？

追問快讀：

從千足機器人的自組織編隊到工廠中協同作業的人形機器人，集群機器人正從科幻走向現實。但真正的群體智能，并非簡單的預設編程，而是會自發涌現。本文試圖借由當下集群機器人的三大進化方向，探討當簡單的局部交互規則遇上復雜系統時，群體智能如何在最小化計算負載的情況下，涌現出超越個體能力？

在非洲大草原上，成千上萬只角馬如潮水般涌動，它們沒有指揮官，卻能在危險面前瞬間改變方向；在深海中，沙丁魚群形成巨大的“魚球”，每一條魚都遵循著簡單的規則——靠近同伴、避開捕食者、保持隊形，卻創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），無數個體通過簡單的局部交互，涌現出遠超單個個體能力的復雜行為。

人類社會同樣展現著群體智能的魅力。從古代的集市貿易到現代的互聯網協作，從螞蟻覓食啟發的物流優化到鳥群飛行模式指導的交通管理，我們不斷從自然界汲取智慧，將其轉化為解決復雜問題的方案。然而，當我們試圖讓機器也擁有這種群體智能時，挑戰卻遠比想象中復雜。

近年來，隨著人工智能和機器人技術的飛速發展，集群機器人逐漸從科幻電影走向現實。我們看到了閱兵場上千架無人機組成的震撼編隊，也看到了工廠里協同作業的機器人軍團。這些場景讓人不禁聯想到自然界中的蜂群、蟻群和鳥群，但它們是否真正具有了生物的群體智能，還是只是簡單地復制表面現象？如何才能從根本原理上理解并實現這種神奇的涌現性？

面對這一挑戰，學界探索出了多條不同的技術路徑，例如讓機器人像生物胚胎一樣“發育成長”。

讓機器人如生物一樣發育

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，哈佛大學推出了一種名為“Kilobot”的千足機器人[1]。其中每個機器人都是廉價且能力有限的，使用者可為每個機器人編碼位置，使其呈現下面動圖展示的畫面。

?圖1. 一個機器人集群自我組織形成“觸手”。圖中的每一個機器人是直徑幾厘米的小電路板，安放在三個金屬叉上。每個機器人都有一個紅外發射器和接收器，使其能夠在約 10 厘米的范圍內與其他機器人通信。機器人有兩個小型振動馬達，讓它通過在三個腿上彈跳來移動。圖源：[1]

這雖然令人耳目一新，但卻還算不上是群體智能。因為機器人集群的目標形狀是預先定義的，每個機器人不過是按圖索驥，到達預設的位置。機器人知道它們當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有預設目標的前提下，通過群體間個體的相互交互，在解決問題，創造知識上呈現出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，例如模仿鳥群、魚群。不過除此之外，胚胎發育過程中的細胞，同樣也可以在沒有明確坐標軸的方位的環境中，通過來指引它們接下來去哪里。這一過程被稱為“形態發生”（Morphogenesis），指的是胚胎早期發育中細胞協調運動。而接下來要介紹的，便是模仿形態發生控制的千足機器人集群[2]。

該控制模式下，不再需要給每個機器人預先設定好位置，而是先模擬兩種擴散中的化學物質（激活劑和抑制劑）的相對濃度，每個千足機器人再根據激活劑和抑制劑的濃度，決定自己該怎么運動，最終形成斑點、條紋或螺旋等宏觀模式。

具體來看：每個千足機器人會分別計算其位置處化學物質的模擬濃度。然后通過局部消息將濃度值傳遞給它們的“鄰居”，以此模擬化學物質的擴散。通過這些計算和通信，群體模擬了一個互作并擴散的化學物質池（virtual pool of reacting and diffusing chemicals），單個千足機器人可以利用該池做出決策。按照設定，機器人只要位于群體的邊緣就會開始移動。因此，它們會沿著邊緣移動，直到到達激活劑濃度高的區域。

?圖2. 使用形態發生的集群機器人在面對外界沖擊時的魯棒性，即使一個聚簇被去除，剩下的機器人集群重組后，還是能成為一個整體. 圖源：[2]

與預先設定好位置的情況（圖1）不同，基于形態生成的集群機器人控制，其過程是不精確的，有些千足機器人會偏離群體甚至迷失方向。但這恰恰增加了其生物學上的真實性。而正如生物發育必須能夠承受失敗和損傷，使用形態發生控制的集群機器人，即使在受到損害后（包括移除其中一個突起或甚至大塊群集），機器人集群仍然能夠自組織（圖2），而這些自我修復的行為不需要工程師預先編程。這正體現了群體智能的優勢，即面對外部沖擊時的魯棒性。

基于物理法則的自組織和集群智能涌現

一些受動物群體啟發的控制算法，會要求機器人具備一定的感知和計算能力，而這并不適用于需要在如微/納米尺度及太空等極端環境中工作的機器人集群。對此，有學者提出通過模仿胚胎細胞的差異粘附假說*（differential adhesion hypothesis），以最小化機器人的計算載荷[3]。

在細胞混合物中，粘附力較弱的細胞將包圍粘附力較強的細胞，這一過程被認為在胚胎成熟到特定階段的形態變化中發揮作用，也是差異粘附假說對應的生物學基礎。

? 模仿胚胎細胞差異粘附的磁鐵機器人. 圖源：[3]

來自中科院的團隊使用50個殼中安裝有不同強度磁鐵的機器人，來模擬不同的粘附水平[3]。實驗表明，當機器人之間的粘附差異較大時，紅色機器人會快速將綠色機器人包裹起來（這一過程被簡稱為“排序”）；當差異較小時，情況也是如此；然而，當處在弱粘附水平和強粘附水平之間時，排序會變慢。

研究人員在細胞培養實驗中也發現了類似現象。他們推測“粘附差異”可能受特定基因表達的調控，被用來控制胚胎發育過程中的某些模式的形成。

注意，這里每個機器人并不像上文描述的機器人那樣，具有傳感器、電路板，而是純粹依賴物理過程（磁力）進行的自組織，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中不斷旋轉. 圖源：[4]

而另一項實驗中，研究者則讓磁性圓盤漂浮在水中，并施加變化的磁場使其旋轉[4]。自旋攪動周圍水流，水流形成的“推開”效應與磁力的“拉攏”效應相互對抗，最終達到一種動態平衡，從而自發排布出穩定的幾何結構。

這些圓盤單個來看只是被動的一個個無生命的物質，但卻可以在集群狀態下，表現得如同有智慧一般進行互動。群集包含了大小不同的圓盤，大小差異影響了圓盤與磁場和流體動力學的相互作用。當磁場以合適的頻率變化時，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。

這說明，復雜的集體行為不一定需要能感知的細胞或能計算的機器人組成。即使是簡單的金屬圓盤，只要它們之間以及與環境存在合適的相互作用，也能涌現出看似智能的協同結構。

上述的自組織現象，并非來自研究人員的預先設定，沒有地圖或最終的模式計劃。相反，它完全源于系統中的動態相互作用。這種純粹基于物理作用的相互影響，使得某些科幻場景變成可能，例如能在血液中游走，利用磁場促使納米顆粒自組裝成微小的形狀和結構，靶向并殺死腫瘤細胞的納米機器人集群，或是用脈沖光照射細胞以控制其行為、加速傷口愈合的機器人集群[5]。

集群身體，用一群小機器人

組裝成身體去探索世界

模仿動物群體，曾經是實現集群機器人控制策略的常見思路[6]。例如，對螞蟻信息素放大、鳥群局部協同、蝙蝠回聲定位自適應與螢火蟲亮度吸引等行為模式的觀察和建模，分別催生了蟻群優化 （ACO） 、粒子群優化 （PSO）、蝙蝠算法和螢火蟲算法，這些算法揭示了群體智能中復雜的全局優化與協調，可由簡單的局部交互與反饋涌現。

?圖5. 能夠協作的動物集群及基于自主機器人/無人機的集群示例，圖源：cdn.techscience

基于這一思路構建的集群機器人，能夠以群體智能提供的去中心化和自組織性，來處理環境監測、救援搜索、農業和太空探索等任務。相較效率低下且容易出現單點故障的傳統集中控制方法，群體智能利用分布式的協調機制，讓其中每個機器人只需依賴本地信息和簡單規則，從而提升了集群的穩健性和任務的可擴展性。

?圖6. 使用物聯網設備和傳感器的智能農業監控系統，每個無人機分散協調，各自根據本地信息和簡單規則進行作，可有效、快速地覆蓋更多區域。來自[6]

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

?圖7. 具身集群機器人允許人類動態塑造和拆卸他們的身體，以便與本地和遠程環境進行物理和自適應交互。在右圖中，右側的用戶使用具身集群機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器人，并通過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：用于到達任務的 VR 設置（a）。紫色區域是起始區域，綠色物體是手形到達目標。參與者被指示（b）使用指定的手勢到達目標，以及（c）將集群機器人安裝在綠色區域。圖源：[7]

具身集群機器人可以讓操作者像操控自己的雙手那樣遠程控制，進而與環境交互。機器人集群可以從單個集群分裂為多個集群，每個集群可轉化為不同大小和非常規形式的各種身體部位（例如，小手、細長的手指和觸手狀的肢體），然后合并組成單個集群。這種轉換提供了更高的交互自由度，同時還能執行預期功能。具身集群機器人還可通過避開障礙物、調整大小或根據需要改變自身來適應其環境。

?圖9. 5G智能工廠中Walker S1人形機器人. 圖源：UBTECH

另一個更有價值的應用，來自多個機器人之間的協作，即深圳UBTECH（優必選）開發的人形機器人。這些機器人已經在極氪 5G 智能工廠中實現了多個人形機器人的無縫銜接。視頻中數十臺 Walker S1 人形機器人被部署在復雜的生產區域，包括總裝車間、SPS （放電等離子燒結）儀器區、質檢區和車輛裝配站。這些人形機器人協同工作，順利完成了分揀、搬運和精密裝配三類任務，展示了在真實工業環境中的多機器人無縫協作能力。

視頻中的集群智能系統由超級大腦和智能子腦組成[8]。超級大腦由推理多模態模型驅動，可實現智能混合決策，并管理復雜的流水線任務。每個機器人的智能子腦基于Deepseek-R1，賦予人形機器人類人類的常識推理能力。這使得每個機器人能夠自主分解、調度和協調任務，優化復雜工業工作流程中的多機器人協作。

上述多模態推理模型的訓練數據。來自多個汽車工廠的實際員工培訓。通過整合多模態特征并利用檢索增強生成（RAG）技術，模型能夠讓人形機器人快速適應專業的工作崗位，顯著提高決策準確性與跨工種的泛化能力，展現出大規模工業部署的可擴展性。

小結

閱兵中那令人震撼的無人機表演，讓人自然想到蜂群算法和群體智能。但從技術實現的角度來看，無人機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。因此，像無人機表演這樣需要精確復現預設圖案的任務，不適合使用模仿動物群體的集群算法；但在變化莫測的戰場上，集群算法操縱的機器人集群就表現出其威力了。

而本文描述的集群機器人算法，不限于模仿動物群體。從一個方向來看，是基于更加基礎的物理規則，從基于胚胎發育，到模擬細胞粘附，直到將所需的計算感知能力降低到最低，單純依賴物理過程依然可以涌現出類似智能的集體行為。從另一方向，則是用簡單的規則去模擬更加復雜的行為，例如多個機器人組成類似人體的具身集群機器人，以及多個人形機器人在多模態推理大模型的驅動下，進行視覺推理最終如一群熟練工人一樣完成生產任務。

集群機器人作為一個發展迅速的領域，其進展一方面得益于上述的理論進步，讓研究者能夠在機器人上部署極少的計算和感知設施，也能實現群體智能。另一方面，則得益于計算設備的進步，低功耗的設備，結合大模型算法的進步，為單個機器人節點賦予了前所未有的處理能力，而神經形態芯片則為實現超低功耗智能開辟了新路徑。

[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

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。歡迎評論區留言，或后臺留言“社群”即可加入社群與我們互動。您也可以在后臺提問，我們將基于追問知識庫為你做出智能回復哦~

關于天橋腦科學研究院

天橋腦科學研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創建的世界最大私人腦科學研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

Chen Institute與華山醫院、上海市精神衛生中心設立了應用神經技術前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工天橋神經科學研究院。

Chen Institute建成了支持腦科學和人工智能領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、等。