ToolsAi

原创让你更懂AI的 2025-09-30 14:03 北京

物竞天择，优胜劣汰。

“玛娜生态，末日废土，跑得最快的噬极兽。”

在《灵笼》的世界里，谁更适应环境，谁就活下来——“跑得最快”的物种在废土中率先突围。现在，科学家把这条自然法则搬进现实的设计室：把俄罗斯方块当作可拼接的“器官”去编码微型机器人的形态，在统一外场里让形态经历真的制造与真的筛选，一次次被“选择”，一次次再生长。

导语：从随机“肉球”到会跑的“新物种”

同济大学物理科学与工程学院/上海自主智能无人系统科学中心任捷教授团队，扮演“女娲”的角色：采用俄罗斯方块作为微型机器人形态编码的基本模块，结合“数字世界设计”与“现实世界反馈”的 AI 算法，进行闭环优化的“功能-形态”进化（如图 1，视频 1）。

物竞天择，优胜劣汰。该闭环系统，从一片随机混沌编码的“弗兰肯斯坦”的肉球中，在 30 轮内演化出了一种新物种形态，最高速度提升到 25.27 mm/s，得到“跑得最快”的“微型机器人”的形态设计。

▲ 图1：“设计—制造—测试—再学习”的闭环流程。从“方块拼形状”的生成（A），到最终形态（B）与 3D 打印样件（C）、振动测试平台（D），再到位移—时间曲线（E）的闭环总览。

为什么要用“方块器官”而不是像素点？

离散几何世界里，像素级（0/1）设计可制造解极稀疏，随机抽样几乎碰不到“能做、能跑”的形态。

任捷团队把像素换成“俄罗斯方块”（I/J/L/O/S/T/Z），在 15×15 网格中以“形状—旋转—位置”四元组拼成整机，连通、边界、静稳等约束在生成时就内嵌，做到“拼出来就能做”。

统计对比显示，方块表示把“可直接制造的候选”从几乎不可遇，提升到一次采样就能拿到大量可用设计的量级，为后续闭环提供了“能下场的个体池”。

不止在电脑里跑：每一轮都“真打真测”

团队把 3D 打印与振动测试台接成一条“传送带”：算法提出候选形状 → 打印 → 上台 → 高速度相机测位移 → 把真实速度喂回模型（如图 1D–E）。

函数发生器 → 功放 → 电动激振器 → 钢盘 → 样件的单向信号链，能量与“控制”全部在外场，几何形态是主变量；导轨只约束自由度、并不承重，确保“跑得快还是慢”来自形状差异。

这样的硬件在环闭环，使得学习到的是现实里的最佳形态，而不是理想仿真里的纸面解。

闭环如何推进：探索 → 过渡 → 精修

算法以随机森林为替代模型，配合随机蒙特卡洛采集在“有潜力且不确定”的区域多探几下，再用遗传算法在可行空间里做微变异与多样性约束，既不早早收敛，也不盲目乱撞。

速度曲线显示，第二轮就越过了 20mm/s 的门槛，第 26 轮出现 25.27mm/s 的峰值，此后在高性能邻域内打磨，整体分布持续右移（如图 2）。这条轨迹，正是从“什么都不知道”到“有章可循”的生长轨迹。

▲ 图2：探索→过渡→开采三阶段，30 轮内的速度分布与参数空间收缩；红星为第 26 轮的 25.27mm/s 峰值。

“嗜极兽”的体型密码

有趣的是，被自然选择出的“会跑的新物种”，其体型并非杂乱无章，而是稳定呈现三段式：

前缘保留一条连续材料带，像“前肢”一样稳定支撑；
中段形成刚性“躯干”通道，把竖向激振的能量有效前传；
尾部则适度挖空变成“减阻尾”。

高速相机拍到的杠杆效应显示：受激时尾端可抬起约 2.1 mm，接触点前移，产生净前进（如图 3C）。低性能体型则常常“空洞无序”，能量被耗散。这套“前肢—躯干—尾巴”的器官化布局，正是闭环选择出来的高适应度结构。

▲ 图3：高/低性能体型对比与尾部 2.1mm 抬升的高速成像

真的更强：与“纯随机”正面对照

在同等评估预算下，离线随机搜索几乎一直被卡在 20mm/s 以下；闭环第二轮就跨过去了，并在后续不断刷新峰值（见图 4）。最终，两者的速度天花板分别停在 13.39mm/s（随机）与 25.27mm/s（闭环）。

换句话说，即便在“全离散、强约束”的高维空间里，现实反馈 + 聪明取样也能显著缩短找到好形态的路径。

▲ 图4：闭环优化 vs. 离线随机的最高速度对比曲线。

不止一台“会跑的小怪兽”

这套“表示—约束—闭环”方法与硬件解耦。我们把同样的流程迁移到 Trap‑64、0–1 Knapsack‑250、Max‑Cut‑128 三个纯组合基准上，在固定预算下持续优于随机基线，显示出对离散拓扑任务的普适性，可拓展到柔性执行器、机械超材料等。

相关代码与数据已在 Zenodo（DOI：10.5281/zenodo.14978583）开放，便于复现与二次开发。

一句话带走

把像素换成部件、把约束前置到生成、把学习拉回现实闭环，形态就会在统一外场里被自然选择出来：能做、好用、跑得快。这既是一个振动微型机器人的故事，也是离散拓扑优化在材料与制造中的一条通路。

本文来自同济大学任捷研究团队原创研究工作，相关代码与数据已在 Zenodo 开放获取。研究得到国家重点研发计划和上海市自然科学基金等项目支持。

近年来，任捷教授团队在人工智能×物理学的学科交叉方面取得了一系列进展，包括基于流形扩散的无监督学习对拓扑物态的分类、多目标优化的二维功能材料与器件设计、辐射制冷人工微结构设计、神经网络自编码逆向设计拓扑光学传感结构、基于伪逆学习的光电混合的神经网络、人工智能新范式设计多孔介质、药物设计、超低热导材料等，并受邀为中国物理学会的《物理学报》撰写“物理启发的人工智能”相关综述，相关成果形成了一套具有自主知识产权的计算机软件著作权 Darwin Machine for Multi-Functional Meta-Crystal Design Platform。