数百个简单积木自学识别自身形状

Sakana AI 研究中反复出现的一个主题是集体智能：即许多简单的部分遵循局部规则、无需中央控制器也能产生复杂而稳健的行为。此前，这条研究路线一直停留在软件领域。一篇发表在《自然·通讯》上的论文标志着同一原理首次在物理硬件上得到验证，这是哥本哈根信息技术大学、Sakana AI 和 Autodesk 研究人员合作的成果。

该系统由一组蜂窝状积木组成，每个积木都是一块小型印刷电路板立体方块，六个面上都有电气连接器、一个微控制器、一个用于显示当前类别猜测的 LED 灯以及为其供电的电子元件。积木可以任意堆叠成各种物体，并通过定制的数字串行协议进行纯粹的局部通信。没有积木被告知自己的位置或它属于哪个形状。每个积木都运行一个相同的神经细胞自动机, , 这是一种深度学习神经网络，学习的是局部更新规则而非手工设计，并不断迭代，直到整个集体收敛到一个统一的形状标签上。

积木能做什么

该集体的任务是区分类似飞机、椅子、汽车、桌子、房屋、吉他和船的物体。系统并非匹配单一的预定义配置，而是能够泛化到整个形状类别。一张腿随机放置的五条腿桌子仍然被归类为桌子。一艘中央桥梁偏离中心的船仍然能被识别。神经网络学会的是抽象的几何特征，而非记忆特定的实例。

在模拟中，该方法的准确率达到 98.97%。在硬件中，团队构建了四个不同的形状，积木数量从 26 块（一把吉他）到 197 块（一张圆桌）不等。这些积木在飞机、吉他、船和桌子四种形状上都成功达成了一致共识，全部达到 100% 的成功率，并在不到 60 个更新周期内收敛，大约相当于三分钟的实际时间。

损伤检测与自我修复

像涡虫和蝾螈这样的生物系统通过分布式的感知和再生循环来再生复杂的身体部位，无需中央控制器。这些积木被训练来检测相邻细胞是否受损，预测结果要么是无损伤，要么是六个空间方向之一的损伤。该系统在检测损伤时保持了 98.9% 的形状分类准确率，损伤检测的平均准确率为 94.8%。

为了测试恢复能力，团队从一个小的细胞簇开始，反复根据现有细胞指示的方向添加新细胞，直到不再检测到损伤。尽管从未被训练过从少量细胞开始生长，该模型几乎在所有物体类别下都以高准确率恢复了几乎所有形状。在更大的模拟网格（最大 64x64x64）上，该方法对鱼、Sakana AI 徽标以及由超过 18,000 个立方体构成的心脏等复杂形状仍然有效。

涌现的通信策略

论文还探讨了集体如何实际解决任务。在早期阶段，神经细胞自动机的隐藏通道建立了左右和径向激活模式，这些模式类似于在胚胎中形成发育轴的形态发生素梯度。同样的模式也解释了系统如何区分桌子和椅子：对于椅子，一个从靠背向外传播的前后轴信号会逐渐将最初被识别为“桌子”的细胞重新归类为一致的“椅子”共识。

研究团队指出，该方法本质上是模块化的。处理形状分类的相同基础设施和相同的每块积木代码也适用于定位缺失模块和引导再生。扩展性似乎是可预测的：随着空间分辨率和结构复杂性的增加，维持高性能需要更大的模型容量，但两者之间的关系是有利的。

对于 Sakana AI 来说，这项工作是更广泛方向的第一步：将在软件中研究的集体智能原则带到物理世界中，使其以去中心化和稳健的方式涌现。《自然·通讯》上的论文是开放获取的，代码也已在 GitHub 上发布。研究团队还指出了局限性，包括狭窄的结构瓶颈（例如吉他琴颈上的单点故障）比具有冗余连接的形状更容易破坏分类过程。