【導(dǎo)語(yǔ)】當(dāng)前(qián)，機(jī)器(qì)人(rén)執(zhí)行(xíng)集體(tǐ)任(rèn)務(wu)時(shí)，常(cháng)因(yīn)反(fǎn)應(yīng)慢(màn)或(huò)無(wú)法(fǎ)適(shì)應(yīng)新(xīn)場(chǎng)景(jǐng)而(ér)“掉(diào)鏈(liàn)子(zi)”。英(yīng)國(guó)劍(jiàn)橋(qiáo)大(dà)學(xué)Prorok教授指出，傳統獨立運作的機器人自主性方法不適用於複雜現實環境，單一龐大模型既不可擴展也不可持續。她呼籲轉向專業化、模塊化的機器人集群設計，通過集體協作實現“1+1>2”的智能躍升。不過，實現機器人“團結”仍麵臨協作技術、落地設計和評價標準三大挑戰。

你有沒有想過，為什麽糖心免费视频還造不出真正適應現實世界的機器人？

明明人工智能（AI）模型規模越來越大，單體能力越來越強，可具身機器人在執行集體任務時，要麽因反應太慢跟不上實時任務，要麽因無法適應新場景而經常“掉鏈子”。

最近，英國劍橋大學計算機科學與技術係集體智能與機器人學教授 Amanda Prorok 在科學期刊 Science Robotics 上發表觀點文章，揭示了機器人「集體智能失靈」的原因：

專注於獨立運作的個體機器人的經典機器人自主性方法，並不適合那些將互動與協作視為必不可少的複雜現實世界環境。

簡單來說，機器人智能的未來，從來不是“一個超級大腦打天下”，而是一群專業夥伴共同協作。

Prorok 教授甚至認為，這種方法“從根本上就是錯誤的”。因為 scaling laws 表明，實現更複雜的行為需要不成比例的高投入，這使得這種實現機器人自主性的方法既不具可擴展性，也不可持續。

她建議，研究人員需要進行範式轉變：將機器人集群設計為由多樣化、專業化的 Agent 組成，使其作為更大係統的一部分發揮作用。

文章鏈接：www.science.org/doi/10.1126/scirobotics.adv4049

單一模型為何走不遠？

目前最先進的機器人，大多依(yī)賴(lài)一(yī)個(gè)集中(zhōng)控製的龐大模型，試圖一個模型完成導航、感知、交互等所有任務。

Prorok 教授認為，當前機器人追求自主性的做法存在誤區。在機器人運行的整個生命周期中，它們必然要與其他 Agent 產生互動。但時至今日 Agent 之間的集體行為仍常被視為偶然現象，而非智能本質的組成部分。

無論是實體，還是虛擬 AI 係統，在設計之初就未考慮與機器或人類等其他 Agent 的交互需求。現有認知框架和基礎 AI 教材仍將經典 AI 問題定義為孤立機器在非社交環境中的對抗。

同樣，傳統機器人自主性定義將獨立自主的機器人定位為無需依賴任何外部因素即可自主應對環境的 Agent。

深度(dù)學(xué)習(xí)的(de) scaling laws 顯(xiǎn)示(shì)，要(yào)讓(ràng)機(jī)器(qì)人(rén)行(xíng)為(wèi)更(gèng)複(fù)雜(zá)，模(mó)型(xíng)規(guī)模(mó)和(hé)數(shù)據(jù)需(xū)求(qiú)會(huì)呈(chéng)指(zhǐ)數(shù)級(jí)增(zēng)長(zhǎng)。當(dāng)前(qián)，典(diǎn)型(xíng)的(de) AI 產(chǎn)品(pǐn)采用(yòng)集中(zhōng)式(shì)控(kòng)製(zhì)的(de)單(dān)體(tǐ)架(jià)構(gòu)，參(cān)數(shù)規(guī)模(mó)可(kě)達(dá)數(shù)百(bǎi)萬甚至數十億級。這意味著，要想讓機器人再聰明一點，就要投入成倍的能源、時間和資金。

更糟的是，這些大模型根本不實用：僅計算模型本身就需要數百 GB 內存，前向傳播延遲讓它們目前隻能在離線狀態下以較低速度運行，無法應用於高頻控製場景，導致許多機器人應用場景難以實現。

下圖展示了 4 個大模型在兩(liǎng)種(zhǒng)平(píng)台(tái)上(shàng)的運行性能。數據顯示，即便在性能更強的開發板上運行，也隻有最小的模型能勉強達到“實時響應”的標準。

圖｜DINOv2模型在兩種平台上的推理頻率對比（a）；對模型數據進行線性擬合顯示（b）。

集體智能：1+1 要大於 2

Prorok 教授表示，現如今機器人研究領域正順應將現成的集中式、單體化 AI 模型整合到自主係統架構中的趨勢，這種決策設計正推動著通用型機器人的開發熱潮。但智能並非單一的超級有機體，也不是所有設想任務都能由單個超級機器人完成。

既然單一模型走不通，那讓機器人像人類一樣合作(zuò)行(xíng)不(bù)行(xíng)？

答(dá)案(àn)是(shì)肯(kěn)定(dìng)的(de)，與(yǔ)其(qí)追(zhuī)求(qiú)由(yóu)同(tóng)一(yī)套(tào)通(tōng)用(yòng)大(dà)腦(nǎo)操(cāo)控(kòng)的(de)獨(dú)立(lì)機(jī)器(qì)人(rén)，科(kē)學(xué)家(jiā)認(rèn)為(wèi)更(gèng)應(yīng)聚(jù)焦(jiāo)於(yú)設(shè)計(jì)由(yóu)心(xīn)智(zhì)與(yǔ)軀(qū)體(tǐ)相(xiāng)互依存、形態多樣且功能專業化的機器人集群，使其作為更大係統的一部分協同運作。

因此，集體機器人智能需要在硬件和軟件設計上采取更模塊化、組合式的設計方法。在這種架構下，多個模型不僅能相互學習，還能在不同實體機器人內部及跨實體間進行互動。

首先，集體智能的核心是專業化分工。

不是讓一個模型包攬一切，而是讓每個機器人專注一項技能，再通過協作組合出複雜能力。

采用專業模型的 Agent 組成的群體，能夠通過組合技能實現超線性提升，並以新穎且未經訓練的方式整合個體能力。

這種模塊化、組合式的自主方法，使 Agent 和機器人能夠有效模擬龐大神經網絡的行為模式，並在運行時動態重組以適應任務需求，實現“超線性增益”，隨著技能組合數量增加，性能增長速度遠超單個模型的提升。

圖｜機器人模型集群的 scaling law 示意圖

其次，有些技能隻能通過集體中的社交學習來習得(de)。

基(jī)於(yú)從(cóng)零(líng)開(kāi)始(shǐ)訓(xun)練(liàn)互(hù)動(dòng)的(de)理(lǐ)念(niàn)，協(xié)作(zuò)學(xué)習(xí)過(guò)程(chéng)還(hái)能(néng)讓(ràng)單(dān)個(gè)專家模型更深入地理解自身能力與局限。這種認知自然會促使其明白在什麽時機、何種情境下需要與其他模型合作，才能克服短板、達成更複雜的任務目標。

諸如心智理論和元認知都並非與生俱來，而是在集體環境中習得的。這些技能對於涉及與人類或其他 Agent 及機器人互動的任務至關重要。

此外，集體學習能夠提升單個 Agent 的性能表現，即使麵對單一任務時，也能通過加速學習進程和優化長期效果來實現。

這種優勢源於一種經驗共享機製：在機器人領域，由於執行的是物理操作而非虛擬模擬，收集實驗數據往往成本高昂、風險較高甚至存在安全隱患。借助他人經驗可以催化學習過程，更重要的是能夠避免重複危險行為。共享知識還能通過分攤和共享特定技能來緩解災難性遺忘問題。

集體智能並非簡單“湊數”

當然，讓機器人“組隊協作”，並不是把幾個機器人放在一起那麽簡單。目前這一領域還有不少亟待解決的挑戰，需要研究人員繼續“闖關”。

第一關是“如何協作”的技術關。

當前機器人間的顯式局部交互通常依賴窄帶通信網絡。然而，如何設計幫助機器人確定“交流內容、時機及對象”的方法仍是一個未解難題。

現有的機器人間的通信大多依賴窄帶網絡，且很難設計出“該說什麽、什麽時候說”的策略。

雖然有研究者嚐試用可微分通信信道讓機器人自動生成交互信號，或用圖神經網絡規劃協作路徑，但這些技術還在起步階段，要理解這些新興方法在構建魯棒且適應性強的機器人集群時的權衡與局限性，仍需更多研究。

第二關是“怎麽落地”的設計關。

盡管該領域進展迅速，但“機器人混合”範式的概念仍然不明確，要設計能夠應對不同且可能互不重疊動作領域的模型頗具挑戰。

在“混合機器人”方法中，這一難題可轉化為連接各類模型的算法或機製。初步探索可借鑒集成模型、混合專家、超網絡及層次學習等研究成果，但最終目標是根據底層任務需求組裝機器人集群。

在這些方麵，當前仍存在諸多技術空白，特別是在實現專業機器人技能與行為的實時組合方麵。

第三關是“怎麽評價”的標準關。

當前對於性能的定義仍停留(liú)在(zài)基(jī)礎(chǔ)層(céng)麵(miàn)，往(wǎng)往(wǎng)被(bèi)簡(jiǎn)化(huà)為(wèi)學(xué)習(xí)損(sǔn)失(shī)的(de)替(tì)代(dài)指(zhǐ)標(biāo)或(huò)單(dān)個(gè)機(jī)器(qì)人(rén)模(mó)型(xíng)的(de)優(yōu)化(huà)目(mù)標(biāo)，卻忽視了包含團隊層麵的滿意度和集體韌性等更複雜的綜合指標。

這種評估體係既不考慮任務多樣性，也不考量團隊適應不同協作場景、物體分布和類型的綜合能力。結果就導致係統在受控的單機測試中表現優異，但在需要靈活團隊協作或精準角色分配的環境中卻力不從心。

因此，Prorok 教授建議，糖心免费视频需要製定更全麵的基準測試標準，從而建立超越單純個體成功率(lǜ)的(de)綜(zōng)合(hé)性(xìng)評(píng)估(gū)體(tǐ)係(xì)。

如(rú)今(jīn)，雖(suī)然(rán)運(yùn)用(yòng) AI 技(jì)術(shù)至(zhì)關重(zhòng)要(yào)，但(dàn)真(zhēn)正(zhèng)的(de)突(tū)破(pò)仍(réng)需(xū)我(wǒ)們(men)抵(dǐ)製(zhì)那(nà)些(xiē)為(wèi)追(zhuī)求(qiú)短(duǎn)期(qī)利益而回避深層基礎性挑戰的誘惑。

在 Prorok 教授看來，未來的機器人，不會是單一的龐大模型，而是默契的協作團隊。當機器人學會“團結”，它們才真正具備了走進現實世界的能力。

整理：小瑜