在佐治亚理工学院的一个实验室里，物理学家们用一些看起来像是从廉价商店买来的机器人做实验。这些机器人无法在空间中移动。它们无法交流。它们大部分时间都在拍打着小胳膊，就像甲虫四脚朝天被困住一样。
但是，把很多这样的物体放在一起，你就能从无到有地得到一些东西：它们互相碰撞、互相推挤、互相缠绕。最终，它们开始作为一个单元运作。
支持科学新闻报道
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道： 订阅。通过购买订阅，您将帮助确保未来能够继续刊登关于塑造我们当今世界的发现和想法的具有影响力的报道。
研究人员正在学习如何控制这些系统，使其以类似于蜂群或蚁群的方式运作：每个个体都根据同一套基本指令做出反应。但是，当群体聚集在一起时，其成员无需任何中心化指挥即可执行复杂的行为。
佐治亚理工学院的计算机科学家，同时也是该项目的主要研究人员之一 达纳·兰德尔 (Dana Randall) 说：“我们的整体视角是：实现这些复杂任务的最简单的计算模型是什么？我们追求的是优雅和简洁。”
作为一名计算机科学家，兰德尔从算法的角度思考这个问题：一个群体中的个体元素可以运行的最基本的指令集是什么？基于它们可以收集到的少量数据，这些指令集将不可避免地导致研究人员想要的复杂集体行为？去年 11 月，兰德尔和同事们发表了一种算法，该算法确保理想化的粒子群将以协调一致的方式移动。
对这些被称为“智能粒子 (smarticles)” 的机器人的研究，是人们对自组织机器人的可行性和应用更广泛兴趣的一部分。其他例子包括科罗拉多大学正在开发的“液滴”大小的机器人，哈佛大学的 “千机器人 (Kilobot)” 群，以及来自比利时一家先驱实验室的群体机器人 (swarmanoids)。在许多这些案例中，其想法是模仿自然界中发现的涌现现象，例如分散的军蚁群体的有规律运动，或 DNA 分子的无意识、自编程组装。
哈佛大学从事群体机器人研究的研究员 梅尔文·高奇 (Melvin Gauci) 说：“我们知道我们希望群体做什么，但为了对其进行编程，我们需要知道每个个体在个体层面上必须做什么。在这两个层面之间转换是非常具有挑战性的。”
谨防领导者
丹尼尔·戈德曼 (Daniel Goldman) 是佐治亚理工学院的一位物理学家，他正在领导智能粒子 (smarticles) 的实验（“智能活性粒子 (smart active particles)” 的混成词）。他最基本的科学兴趣在于活性颗粒材料的物理学，这些材料具有改变自身形状的能力。在他带到会议上的幻灯片中，他包含了一个来自《蜘蛛侠 3》的片段，该片段展示了 超级反派沙人的诞生：松散的沙粒在沙漠中飞散，然后凝结成人的形状。智能粒子 (smarticles) 是戈德曼在实验室中测试活性颗粒材料的方式。
戈德曼说：“它们为我们提供了一种利用几何形状来控制材料特性的方法。如果你眯起眼睛，你可以将这些智能粒子 (smarticles) 的集合视为一种真实的材料。”
智能粒子 (smarticles) 有短臂，就像订书钉的叉脚，它们可以来回摆动。它们对不同频率的光和声音做出反应。它们还可以被编程为根据它们在附近遇到的其他智能粒子 (smarticles) 来调整手臂摆动的速率。
你可能希望智能粒子 (smarticles) 群执行一些基本操作：压缩（聚集在一起）、扩张（扩散开来）和运动。这些操作可以作为更复杂壮举的构建模块，但即使是最基本的功能，如压缩，在没有任何智能粒子 (smarticles) 知道它们相对于整个群体的位置的情况下，也很难实现工程化。
为了理解从简单部件工程化复杂行为的机会和挑战，值得记住一个单独的智能粒子 (smarticle) 知道什么。答案是：不多。它看不到东西，它的记忆力有限，而且它唯一知道的关于它应该与之协调的其他智能粒子 (smarticles) 的信息，就是它可以从碰撞到其直接邻居那里学到的东西。
亚利桑那州立大学计算机科学专业的研究生，智能粒子 (smarticles) 项目的研究人员约书亚·戴穆德 (Joshua Daymude) 说：“想象一下，一个人在摇滚音乐会上闭着眼睛。”
一种策略是指定一个领导者来协调群体，但这种方法很容易受到破坏——如果领导者倒下，整个群体就会倒下。另一种方法是给群体中的每个机器人分配一项独特的工作来执行，但这在大规模实施中是不切实际的。“单独编程 1000 个机器人基本上是不可能的任务，”奥林工程学院的研究员，哈佛大学自组织系统研究小组的前成员 杰夫·杜塞克 (Jeff Dusek) 说。他曾在该研究小组研究水下机器人群。但是，“如果每个智能体都遵循相同的规则集，那么无论你有 10 个、1000 个还是 10000 个智能体，你的代码都是完全相同的。”
用于编程一个群体的算法具有两个属性。首先，它是分布式的，这意味着它在系统中的每个单独粒子上单独运行（就像每只军蚁根据它对其局部环境的感知执行相同的简单指令集一样）。其次，它包含随机性。这意味着，例如，如果一只军蚁感知到它周围有五只其他军蚁，那么它可能有 20% 的几率向左移动，80% 的几率向右移动。随机算法与确定性算法形成对比，在确定性算法中，每个步骤都完全由之前的步骤决定。
随机性在算法中可能看起来不受欢迎——毕竟，当你实现一个过程时，你通常希望对结果有一定的把握。但随机性也传达了一些令人惊讶的性能优势，除其他外，这些优势使随机算法非常适合应用于智能粒子 (smarticle) 群。
随机保证
2015 年，戈德曼和兰德尔正在讨论寻找规则的可能性，这些规则将引导戈德曼的智能粒子 (smarticles) 作为一个群体协调一致地行动。兰德尔意识到，戈德曼追求的群体行为类似于计算机科学中研究的理想化粒子系统的行为。
兰德尔说：“我就像，‘我完全知道发生了什么。’”
对于兰德尔来说，智能粒子 (smarticles) 的行为类似于计算机科学家在许多其他背景下建模的涌现现象。最著名的例子之一是隔离社区是如何形成的。在 20 世纪 60 年代后期，经济学家托马斯·谢林 (Thomas Schelling) 想要了解在没有任何中心化权力将人们按肤色分类到社区的情况下，住房隔离是如何形成的。他想象一个人看着他的邻居，并根据他们中有多少人看起来像他来决定搬到别处。当这个人搬走后，谢林将他转移到住房网格中的一个随机位置，在那里他重复观察邻居并决定是否留下来的算法过程。谢林发现，根据他的规则，即使个人更喜欢住在多元化的社区，住宅隔离也几乎肯定会发生。
兰德尔意识到，群体中的智能粒子 (smarticles) 类似于谢林模型中的人。在这两种情况下，个体都必须在不知道其全局位置的情况下做出决定（他们只知道他们周围能看到什么）。在谢林的模型中，决策可以带有一些随机性——如果你的邻居看起来与你不同，那么你很可能搬走，但也有一小部分概率你选择留在原地。
2016 年，兰德尔和她的合作者发表了一篇论文，该论文设想理想化的粒子生活在一个网格上，并根据它们观察到周围有多少其他粒子来决定是否移动或留在原地。决策是概率性的——粒子基本上会在每次做出选择时“掷”一个加权骰子。兰德尔和她的合著者证明，如果他们正确地加权骰子，他们就能保证最终得到一个压缩的群体（就像谢林可以证明，如果他将个人对多样性的容忍度设定在正确的水平，隔离是不可避免的一样）。通过调整算法中的参数，他们还可以保证粒子群会移动到扩张状态。
算法中的随机性有助于群体中的粒子避免陷入局部压缩状态，在局部压缩状态下，许多孤立的子群聚集在一起，但整个群体并没有被压缩。随机性确保了如果智能粒子 (smarticles) 最终进入小的压缩组，个体仍然有机会决定移动到新的位置，从而保持过程的活力，直到达到整体压缩状态。（只需要一点随机性就可以将粒子从局部压缩状态中推出来——需要更多的随机性才能将它们从全局压缩状态中推出来。）
走向世界
证明理论世界中的粒子可以运行一个简单的算法并实现特定的群体行为是一回事。真正在廉价、有缺陷的、现实生活中的智能粒子 (smarticles) 在盒子里叮当作响地实现该算法又是另一回事。
戈德曼说：“我们的理论合作者正在想出对这些东西进行编程的方法，但我们才刚刚开始，我们还不能说这些方案已经被直接转移过来。”
一个问题是如何让智能粒子 (smarticles) 作为一个群体移动。起初，如果研究人员将智能粒子 (smarticles) 挤在一个狭小的空间里，整个集合只会随机地蹒跚而行。
但是有一天，物理学家们正在观察这种混乱的运动，这时其中一个智能粒子 (smarticle) 的电池没电了。戈德曼和他的合作者注意到，群体突然开始朝着失效单元的方向移动。研究人员向他们的计算机科学合作者报告了这一意外发现，计算机科学合作者抓住了这个线索。这项工作促成了最近一种算法的开发，该算法将始终使理想化的群体朝着指定的方向移动。
计算机科学实验和物理实验正在一点一点地靠拢。研究人员希望最终从理论上证明，在一个由大量小型廉价机器人以分布式方式实现的基本算法，能够保证产生指定的群体行为。
戴穆德说：“我们希望能够发展到这样的程度：不是电池没电了，我们才发现了一种现象。我们希望它更具意图性。”
编者注 (4/23/18)：本·罗林斯 (Ben Rollins) 被错误地署名为本文的作者。作者是凯文·哈特内特 (Kevin Hartnett)。
经《量子杂志》许可转载，《量子杂志》是 西蒙斯基金会 旗下的一个编辑上独立的出版物，其使命是通过报道数学、物理和生命科学领域的研究进展和趋势，增进公众对科学的理解。