智慧蜂窩磚：邁向物理世界的集體智慧

Sakana AI的研究人員再次從自然界中汲取靈感，將集體智慧的概念從軟體拓展到物理世界。他們與哥本哈根IT大學和Autodesk合作，開發了一種由數百個簡單蜂窩磚塊組成的系統，每個磚塊執行相同的神經細胞自動機，僅透過與物理連線鄰居的區域性通訊，就能協作識別整體形狀，無需任何中央控制器或全域性知識。相關論文已被《自然·通訊》接收發表。

這些蜂窩磚是小型印刷電路板立方體，每個面上有電氣聯結器、微控制器、LED和電源。它們可以堆疊成任意物體，透過自定義數字序列協議僅與鄰居通訊，經過數十次更新迴圈後集體收斂到一個統一的形狀標籤。在模擬實驗中，系統達到了98.97%的準確率；在硬體實驗中，使用從26塊磚（吉他）到197塊磚（圓桌）的四種形狀，系統實現了100%的成功率。

系統的核心是神經細胞自動機（NCA），這是一種透過深度學習訓練區域性更新規則的自動機。每個磚塊的任務是基於鄰居資訊和自身記憶狀態，判斷它屬於哪種形狀類別（如飛機、椅子、汽車、桌子、房子、吉他或船）。與傳統的精確匹配不同，該系統能泛化到整個形狀類別，比如識別不同的桌子或飛機，展現出更強的靈活性和容錯性。

魯棒性測試顯示，即使有5%的磚塊失效，大多數形狀仍保持高準確率；平面和船在15%失效時效能下降也很小。例外的是像吉他這樣存在狹窄瓶頸的形狀，單個故障可能切斷兩側的通訊。系統還能泛化到訓練時未見的變化，例如五條腿的桌子或偏移橋的船，但縮小版的桌子可能被誤判為椅子。

研究人員分析了隱藏通道的啟用模式，發現系統早期會建立左右和徑向的梯度，類似於生物發育中的形態發生素。這解釋瞭如何區分桌子和椅子：椅子靠背產生前後軸訊號，引導細胞從預設的“桌子”重新分類為“椅子”。

在損傷檢測方面，系統同時訓練了形狀分類和區域性損傷檢測，平均準確率達94.8%。更令人興奮的是，從少量種子細胞開始，系統能透過反覆新增新細胞來恢復完整形狀，無需預先訓練。模擬實驗擴充套件到64x64x64網格和超過18000個立方體，展示了良好的可擴充套件性，能夠再生出魚、Sakana AI標誌和心臟等複雜形狀。

這項工作標誌著集體智慧研究從軟體走向硬體的重要一步，為智慧材料、可重構機器人等應用奠定了基礎。