Smart Cellular Bricks：面向物理世界的集体智能（阅读时间约11分钟）

# Sakana AI 来源：https://sakana.ai/smart-cellular-bricks/ ## 智能细胞砖块：迈向物理世界的集体智能 (https://sakana.ai/smart-cellular-bricks/) 2026年7月13日*由数百个物理3D细胞砖块组成的集合——简单的模块化硬件单元，运行相同的局部神经细胞自动机，没有任何全局知识，却能协作推断出它们的整体形状类别。* *(*日本語は英文の後に) (https://sakana.ai/smart-cellular-bricks/#Japanese)* 在Sakana AI，我们研究中的一个反复出现的主题是集体智能：观察到复杂、稳健的行为可以从许多遵循局部规则的简单部分中涌现，无需中央控制器，就像在群体、组织或大脑中那样。迄今为止，我们已在模拟系统中探索了这一想法，例如让多个前沿模型协同推理并相互借鉴彼此的尝试 (https://sakana.ai/ab-mcts/)，协调它们使多个模型作为一个整体行动 (https://sakana.ai/fugu/)，或者让具有部分、重叠视图的智能体沿着共享边界进行协商 (https://pub.sakana.ai/sheaf-admm/)，以收敛到全局一致的解决方案。 今天，我们很高兴地分享，一篇将这一研究方向扩展到物理硬件的论文已被*《自然·通讯》*接收发表。该系统由一组简单的立方体砖块组成，每个砖块运行相同的微小神经网络，并且仅与物理连接的砖块通信。没有砖块被告知其位置或所属的形状，然而通过这些纯粹的局部交换，集体收敛到正确的全局形状，并能定位模块缺失或损坏的位置。 对我们来说，这是将集体智能研究从软件领域带入物理世界的第一步。我们想知道，当通信存在噪声且模块发生故障时，相同的去中心化原理是否仍然成立。结果证明，它们在很大程度上成立。数百个砖块可以对一系列3D形状进行分类，仍能识别训练中未见过的变体形状，并且即使有一部分模块静默失效，也能继续正确收敛。利用相同的框架，集体还可以标记结构损伤，并引导逐步恢复。 这项工作是由**哥本哈根IT大学**、**Sakana AI**和**Autodesk**的研究人员合作完成的。 在*《自然·通讯》*中阅读完整论文：https://www.doi.org/10.1038/s41467-026-75166-7 在GitHub上探索代码：https://github.com/rmorenoga/cube3D ## 引言 许多生物系统表现出非凡的能力来确定自身的解剖结构。通过局部通信和自组织，细胞群可以评估它们是否已经正确形成了目标形状（例如器官），并能在损伤后主动重塑身体部位。蝾螈可以再生受损的尾巴，并将其转变为功能性腿；而像水螅和涡虫这样的简单生物，无论失去哪一部分，都能完全恢复其形态。这种对一般解剖特征进行分类的能力（而非匹配固定目标形状）使得个体间的变异性成为可能，同时增强了过程的稳健性。一个器官的整体功能和设计可能在整个物种中是一致的，即便其具体形状、大小或尺度在个体之间有所不同。 由许多物理分布的模块组成的人工系统，能够自主推断其结构类别而无需集中控制，这将朝着更适应、更智能的人工集体迈出重要一步。这样的系统可以在智能材料和可重构机器人领域实现强大的应用，在这些领域中，全局知识必须从局部感知和通信中涌现。受生物集体智能的可扩展性和韧性的启发，我们引入了一个完全去中心化的系统，其中数百个物理实现的“细胞”砖块共同分类其全局形状并检测局部损伤，没有中央控制器，也没有任何模块知道自己的位置。 *用于形状分类的神经细胞自动机。(A) 一个细胞砖块模块。(B) 砖块组装成四种不同形状。(C) 每个细胞从连接邻居和自身隐藏通道获取局部信息；信息在局部聚合，使物体能通过多次迭代识别其特定形状。(D) 局部更新规则通过神经细胞自动机（一个深度神经网络）进行编码。* 我们开发的集体智能算法建立在可微分的神经细胞自动机 (NCA) (https://distill.pub/2020/growing-ca/) 和自分类集体系统 (https://distill.pub/2020/selforg/mnist/) 框架之上，并扩展到在3D中运行且在物理模块化硬件上实现。NCA 通过自主学习这些规则，泛化了传统的细胞自动机（其中局部更新规则通常是手工设计的）。与使用离散细胞状态的传统CA不同，NCA 使用连续值的细胞状态，从而实现端到端的可微性以及与梯度下降的兼容性。在高层次上，我们系统中的每个细胞的任务是仅通过与局部邻居的通信以及自身的记忆状态，来确定它属于哪种形状类型。更新规则由一个基于3D卷积层构建的深度神经网络参数化，其输出被添加到每个细胞的状态中。在这里，集体被要求区分类似于飞机、椅子、汽车、桌子、房子、吉他和船的物体，并通过基于梯度的优化使用交叉熵损失来训练预测类别标签。 我们的系统不是匹配单一的预定义配置，而是泛化整个形状类别，例如不同的飞机或不同的桌子。这种从精确自我识别到高层次形状分类的转变，实现了更大的灵活性和对变化的容忍度。该系统还可以检测由缺失或故障模块引起的结构不一致，仅使用局部交互，无需任何驱动或集中传感。 ## 结果 每个细胞砖块是一个小型印刷电路板立方体，六个面都有电气连接器、一个微控制器、一个用于显示当前类别猜测的LED，以及为自身供电的电子元件。砖块可以堆叠成任意物体，并通过自定义数字串行协议进行纯局部通信，迭代直到集体收敛到单个形状标签。 我们用超过500个砖块在模拟中和近200个物理砖块进行了大规模实验。在模拟中，该方法达到了98.97%的准确率。将模拟训练的NCA直接转移到硬件上，我们构建了四种不同的形状，范围从26个砖块（吉他）到197个（圆桌）；砖块对飞机、吉他、船和桌子达成了正确共识，所有四种形状的成功率均为100%。在硬件中，集体在不到60个更新周期内收敛，大约需要三分钟的实际时间。 ## 对故障细胞和形状变化的鲁棒性 生物系统对损伤、噪声和故障组件具有显著的鲁棒性，这得益于其局部分布式的决策机制。为了测试我们的系统是否继承了这一特性，我们在硬件中禁用了部分砖块，阻止它们发送或接收消息，并测量了对识别的影响。大多数形状在5%的故障率下仍保持高准确率，一些形状（如飞机和船）即使在15%的故障率下也仅轻微退化。例外的是具有狭窄结构瓶颈的形状：在吉他中，琴颈上的单个故障可能会切断物体的两半，破坏分类过程。 *对于在硬件中组装的吉他和飞机，我们禁用了特定的细胞（标记为红色）来测试鲁棒性。通过设计，飞机的鲁棒性远高于吉他，后者在琴颈上的单个故障可能破坏分类过程。* 该系统还泛化到训练期间未见过的具体示例之外。我们设计了已知类别内具有新颖变体的测试形状：一个桌子被修改为有五个随机缩短的腿，一艘船的中央桥梁偏移中心，以及飞机和桌子的缩小版本。修改后的五腿桌子仍被正确分类为桌子，偏移的船桥也未影响识别，这表明NCA捕捉了抽象的结构特征，而非过拟合特定实例。然而，它并非万无一失：缩小的桌子被误分类为椅子，很可能是因为减少的模块数量压缩了网络依赖的结构线索。 ## 涌现的通信策略 我们还观察了集体实际如何解决任务。受形态发生素（在发育组织中形成梯度并为细胞提供位置信息的可扩散分子）的启发，我们检查了NCA隐藏通道的激活模式。在过程早期，系统经常建立左右和径向模式，类似于胚胎的发育轴。 *隐藏通道学习到类似形态发生素的激活模式，例如左右梯度和径向梯度，从而实现了去中心化的形状识别和分化。* 这也解释了集体如何区分桌子和椅子。椅子中的许多细胞最初被分类为平面，就像桌子一样。但与桌子不同的是，会建立一个前后模式（类似于生物的头尾轴），随着时间的推移，这个信号从靠背向外传播，引导细胞达成共识，认为它们构成了一把椅子。两者的默认解读都是“桌子”，而源自靠背的类似形态发生素的信号逐渐诱导出一致的重新分类。 ## 损伤检测与修复 一个令人兴奋的扩展是让每个细胞不仅能识别其所属的更大形状，还能检测其相邻细胞是否受损。为了实现这一点，细胞被联合训练用于形状分类和局部损伤检测，预测无损伤或六个空间方向之一的损伤。训练使用了具有球形和立方体病变的合成损伤形状。尽管增加了任务，系统仍保持了98.9%的形状分类准确率，同时以平均94.8%的准确率检测损伤。 我们能否利用这一点来从损伤中恢复，而不仅仅是预测损伤？像涡虫和蝾螈这样的生物有机体通过分布式的、去中心化的感知和再生循环来再生复杂的身体部位，没有中央控制器。模仿这一点，我们从一个小细胞簇开始，反复在现有细胞指示的方向添加新细胞，直到未检测到更多损伤。从未在仅从少数细胞开始的情况下进行训练，该模型以高准确率恢复了几乎所有物体类别的形状。具有较大隐藏状态的模型表现明显更好，可能是因为它们可以在生长过程中携带更多信息。 *从一个小的种子簇开始，细胞反复在其邻居指示的方向添加新模块，逐个恢复椅子、桌子和飞机，直到未检测到进一步损伤。* ## 模拟扩展到更大和更复杂的形态 硬件实验自然受到可用机器人砖块数量和物理部署实际约束的限制。因此，我们在模拟中评估了扩展行为，该方法在硬件演示之外的形态上已经表现良好，从15x15x15扩展到32x32x32和64x64x64网格。此外，更高分辨率的实验涉及比硬件中使用的几何形状丰富得多的几何形状，包括具有空心、内部空腔和超过18,000个立方体的组装体。这些实验揭示了令人鼓舞的扩展行为：随着空间分辨率和结构复杂性的增加，保持高性能需要更大的模型容量，但这种关系是可预测且有利的。 *物体的再生（网格高达643）：一条鱼、Sakana AI标志和一个心形。细胞局部预测缺失邻居的方向（颜色），并通过这些预测的共识进行再生。* ## 结论 这些实验表明，经过学习的、完全去中心化的控制使大量简单、相同的模块能够连贯地理解其全局形状并精确定位结构故障，仅使用短距离通信和板载计算。在包含近200个砖块的硬件试验中，集体在不到60个更新周期内收敛到正确类别，大约三分钟的实际时间，而完全相同的基础设施和相同的每立方体代码可扩展到定位缺失模块甚至引导其再生。据我们所知，这是首次在物理上实现大规模、受生物启发的三维自我识别，也是朝着模块化、自重构系统这一长期目标迈出的具体一步。 对于我们Sakana AI来说，这也是一个更广泛方向的第一步：将我们在软件中研究的集体智能原则，让其在物理世界中以去中心化和稳健的方式涌现。 ## 展望未来 我们对这一方向的前景感到兴奋。在未来，我们设想智能材料能让结构自行感知和报告损伤，从而实现更安全、更有韧性的建筑，或者类似乐高的系统能够识别自身配置并实时适应。要实现这一目标，需要通过驱动（例如磁性对接的毫尺度块）进行主动自我修复，同时需要小型化电子元件和精密的连接器以实现更致密、更有机的几何形状，以及闭环生长，使砖块能够从共享池中自主招募其他砖块。 更广泛地说，将分布式智能嵌入到建筑模块本身指向了具有鲁棒性、适应性和再生能力的环境，模糊了建筑与计算之间的界限。我们还可以想象许多其他方向，从更致密的细胞集体到移动式、可重构的物理系统。 要了解更多信息，请阅读*《自然·通讯》*中的完整论文 (https://www.doi.org/10.1038/s41467-026-75166-7) 并探索GitHub上的代码 (https://github.com/rmorenoga/cube3D)。 我们正在寻找愿意与Sakana AI一起塑造AI未来的人才。请访问我们的职业页面 (https://sakana.ai/careers/) 了解更多信息。 --- Japanese ## 集合知を物理世界へ:自らの形状を認識し修復する「Smart Cellular Bricks」 *Read in English (https://sakana.ai/smart-cellular-bricks/)* *局所的なニューラル・セルラー・オートマトンを動かすだけの単純なモジュール型ハードウェアである何百個もの3次元のブロックが、協調して全体の形状を推論する。* Sakana AIでは、一貫して「集合知(collective intelligence)」を主な研究テーマとしてきました。生物の群れや生体組織、あるいは脳のように、中央の制御装置なしに局所的なルールに従う多数の単純な要素から、複雑かつ高度な振る舞いがどのようにして生まれるのか。これまでSakana AIでは、集合知の発想を主にAIシステムに適用し、複数のフロンティアモデルに協力して推論させる木探索アルゴリズム (https://sakana.ai/ab-mcts/)、単一のインターフェースで複数のモデルを束ねるオーケストレーターモデル (https://sakana.ai/fugu/)、部分的で重なり合う視野を持つエージェント同士が境界を通じてすり合わせ全体として整合した解に収束させる手法 (https://pub.sakana.ai/sheaf-admm/)などを開発してきました。 今回のNature Communications 誌に掲載された「Smart Cellular Bricks」は、集合知の原理を物理的なハードウェアへと発展させた研究です。「Smart Cellular Bricks」は単純な立方体状のブリックの集合であり、各ブリックは同一の小さなニューラルネットワークを動かし、物理的に接続された隣のブリックとだけ通信します。それぞれのブリックは自分の位置や全体の形状については知らされていないにもかかわらず、集団として正しい形状を認識し、さらにモジュールの損傷箇所の特定も可能になります。 私たちにとってこれは、集合知の研究をソフトウェアの外、すなわち物理的な世界へと踏み出す最初の一歩です。通信にノイズが乗り、モジュールが故障することもある環境で、同じ分散的な原理が通用するのかを確かめる試みでもあります。何百個ものブリックがさまざまな3D形状を分類し、学習時には見たことのないバリエーションの形状も認識し、一部のモジュールが動作を止めても正しく収束し続けることを示しました。同じ枠組みを使えば、集団は構造的な損傷を検知し、段階的