码脑｜机器人界又有什么新进展

人工智能与机器人的进展往往是相互促进、交叉爆发的。近期发表在顶级科学杂志上的研究成果，有用人体细胞制作的机器人，有模拟章鱼“捕猎”的机器人，还有一次性完成人类科学家 800 年积累的人工智能，一起来看看吧。

1

能修复神经元层划痕的“机器人”，

用人体气管细胞做的

美国塔夫茨大学的发育生物学家迈克尔·莱文和他的同事们此前曾利用从胚胎青蛙细胞团中提取的干细胞，开发出名为 xenobots 的微型机器人，在此基础之上，这个研究团队研发出了新型的微型机器人，可以用来修复受损的神经组织，这些“微型机器人”由人体气管的细胞构成，直径在 30-500 微米之间。

之所以选择气管细胞，是因为这些细胞相对来说比较容易获得。莱文和他的团队将人类气管皮肤细胞的球体在凝胶中培养两周，然后去除细胞簇并在粘性较小的溶液中培养一周。在这个过程里，气管细胞表面覆盖着的绒毛会移动到球体的内部，起到桨的作用，让类器官开始移动。每一个“微型机器人”都是从单个细胞中长出来的，研究人员发现，由此产生的机器人——每个都含有数百个细胞——会以不同的模式“游泳”，有的直线游动，有的绕圈或弧线游动，有的则杂乱地游动。

这项研究近日发表在《先进科学（Advanced Science）》杂志上，关于微型细胞机器人的治疗潜力，科学家们还在进一步研究之中。

为了测试这些机器人的治疗潜力，莱文和他的同事将几个机器人放入一个小盘子中。在那里，这些“微型机器人”融合在一起形成了一个“超级机器人”。研究人员将其放置在一层被划伤的神经组织上，三天后，神经元片在“超级机器人”的作用下完全愈合。论文合作者——塔夫茨大学发育生物学家吉泽姆·古穆斯卡亚 (Gizem Gumuskaya) 表示，这令人惊讶，因为机器人细胞无需任何基因改造就能执行这种修复功能。

展望未来，研究团队认为，用人体组织制成的机器人都可以用来清理动脉、分解粘液或输送药物。这项研究也为未来使用生物机器人实现不同功能提供了基础，或许在再生医学上也可以进一步应用。由于机器人的材料并不是人体胚胎，也没有涉及到任何形式的基因编辑，因此这项研究成果也不涉及任何安全或伦理问题。

2

拥有一只章鱼触手是什么感觉？

科学家也模拟出来了

凭借其灵巧和智慧，章鱼长期以来一直是机器人领域科学家的着迷和灵感源泉。“他们有数百块肌肉。它们可以控制如此多的肌肉和如此多的自由度，”北京航空航天大学的机器人研究专家文力教授说。他表示，这种运动范围和灵活性“与传统机器人完全不同”。

研究团队对章鱼用来伸出触手并捕获路过猎物的“弯曲传播”运动特别感兴趣。弯曲运动从触手的根部开始，以简单但独特的肌肉激活波动，迅速传播到触手的末端，迅速包裹住不幸的鱼或其他生物，并将吸盘附着在其上。

“我们决定做这个项目，因为我们看到了章鱼如何以非常优雅的方式捕获猎物。”文力在接受《Nature》资讯采访时表示。而章鱼的特殊之处还在于，其触手几乎独立于章鱼的大脑而运作， “从大脑到手臂使用的控制信号非常非常少。”新加坡国立大学生物机器人工程师塞西莉亚·拉斯基（Cecilia Laschi）说。“手臂本身的神经系统以顺序激活的方式排列，因此处理计算工作非常有限。”

文力教授团队的最新研究成果，是模仿章鱼的动作和特性，将感知/处理网络与章鱼触手的传播运动相结合，创造出一种称为电子集成软体章鱼臂（E-SOAM）的机器人系统。

机器人系统的主体是一个机器人触手，模拟章鱼触手的特性，机器人触手的嵌入了液态金属传感器，模仿章鱼的感知系统，能够感应弯曲、吸附和温度等信号。此外，机器人触手还配备了一种可穿戴的液态金属手指手套，允许人类操作者通过手指动作来远程控制E-SOAM。‍

这些传感器不仅可以捕获操作员手指的精细运动，还可以捕获操作员手和手臂的俯仰、滚动和加速度，并传输那个触手的动作。就像真正的章鱼触手那样，“章鱼机器人”在到达目标时可以伸展到原始长度的 1.5 倍。

研究人员希望将感官元素融入设计中，让机器人的操作员能够直接感受到触手尖端吸盘的啮合。因此，手套内部包含三个吸盘，与佩戴者的手指相连 这些设计转化了机器人触手的吸盘效应，因此操作员可以感觉到机器人吸盘何时锁定了目标。

在测试中，机器人触手能够抓住塑料玩具制作的猎物，在空气和水下环境都表现良好。

位于布里斯班的澳大利亚科学机构联邦科学与工业研究组织的机器人研究员大卫·霍华德表示，实现章鱼的“具身智能”是软体机器人技术的一个主要目标。

这项研究近日发表在《科学》（Science）杂志机器人子刊《科学·机器人学（Science Robotics）》。四年前，《科学·机器人学》（Science Robotics）就以长篇封面报道刊登过文力副教授课题组牵头、与哈佛大学Wood教授实验室联合科研团队的研究成果——仿生䲟鱼软体吸盘机器人。

3

Google 的图神经网络模型，

发现 220 万种新材料

经过几个世纪的艰苦研究，科学家已经合成出了数十万种无机化合物。许多项目试图通过计算模拟新的无机材料并计算其原子如何在晶体中堆积在一起等特性，来减少在实验室测试各种材料所花费的时间。

Google 旗下的 DeepMind 现在通过名为材料探索图网络 (GNoME) 的人工智能系统增强了这种方法。DeepMind 团队使用伯克利实验室开放获取数据库 Materials Project 十多年来开发的工作流程和数据训练 GNoME，并通过主动学习改进了 GNoME 算法。

至关重要的是，GNoME 使用多种策略来优化计算。例如，与其将材料中的所有钙离子都改为镁离子，不如只替换其中的一半，或者尝试更广泛的不寻常原子交换。如果这些调整不起作用也没有问题，因为系统会清除任何不稳定的东西，并从错误中吸取教训。“这就像用于材料发现的 ChatGPT。”研究团队表示。

通过计算，GNoME 已经得出了 220 万种潜在化合物。在计算这些材料是否稳定并预测其晶体结构后，系统最终统计出 381,000 种稳定的新无机化合物，加入“材料计划”的数据库。根据发表在《自然》杂志上的最新论文描述，GNoME 已将结构稳定预测的精确性提高到 80% 以上，在预测成分时每 100 次试验的精确度从 1%提高到 33%。

在这38万多个最稳定的晶体结构中，世界各地的科学家已经在实验中制造出了736个，这表明GNoMe正以前所未有的规模和准确性发现新材料。

预测某种材料的存在是一回事，但在实验室中实际制造它又是另一回事。DeepMind的研究人员与劳伦斯伯克利国家实验室的科学家合作了一个 A-Lab 实验室，探讨如何将 GNoME的预测结果应用于材料的自动合成上。A-Lab从58种计算出的材料中成功合成41种化合物，已有超过70%的成功率。这项研究也发表在《自然》上。

“我们现在有能力快速制造这些我们通过计算得出的新材料，”劳伦斯伯克利国家实验室和加州大学伯克利分校的材料科学家、A-Lab 项目的负责人 Gerbrand Ceder 说道。

A-Lab 的研究成果将应用在多个研究领域，比如电池、储能、太阳能电池、燃料电池等。