Sakana AI研发出一种3D智能细胞砖，在没有“大”脑指挥的情况下能互相通信自由组合，表现出“生物般的群体智慧”

Sakana AI 把这个生物学问题变成了一场物理实验

Sakana AI、哥本哈根 IT 大学和 Autodesk 研发了这套 3D“细胞砖”。一块砖不知道自己在哪里，也看不到整个结构；它只知道六个方向上哪些位置连着邻居，并与这些邻居交换消息。当几十乃至近两百块砖拼成飞机、吉他、船或圆桌时，它们会在没有全局地图和中央控制器的情况下，一起推断出“我们是什么”。

这正是研究的关键跨越：把自然界“局部规则产生整体行为”的原理，从理想的软件模拟推进到会丢包、会断联、模块可能失效的真实三维硬件。作者称，这是首个大规模、仿生式三维物理自识别实现。

一块“细胞砖”里面有什么

每块细胞砖都是一个由六块印制电路板组成的立方体，六个面带有电气连接器。内部装有 ESP32-S2 微控制器、显示当前类别判断的 RGB 灯，以及供电和通信所需的电子元件。连接器同时承担机械连接、供电和相邻模块之间的数字通信。

真实硬件和仿真最大的差别，是消息会丢。论文里的做法很朴素：每次运行神经网络前，相邻砖把状态重复发送五次，通信窗口持续三秒；消息不完整或缺少有效头部就丢弃。某个方向没有邻居，或者没按时收到有效消息，对应输入就记为零。物理系统的鲁棒性，部分来自这种通信冗余，而不全是神经网络本身。

它们怎么从邻居消息里认出整副身体

系统的核心算法叫神经细胞自动机，也就是 NCA。传统细胞自动机由人提前写好规则，例如一个格子根据周围格子的状态决定自己下一步变成什么。NCA 的不同之处是：局部更新规则由神经网络通过训练学出来，不再需要研究者手工列出所有可能情况。

每块砖内部维护一个 28 维状态，其中包括一个存活标记、20 个隐藏记忆通道和 7 个形状类别分数。每一轮，它读取六个方向上的邻居状态，经过三维卷积和状态更新网络，修改自己的内部记忆与类别判断，再把新状态发给邻居。所有砖运行完全相同的网络，差别只来自它们接收到的局部信息。

单个模块永远看不到完整形状，但远处信息会沿连接关系一轮轮接力传播。某块砖先根据近邻形成一个粗略猜测，这个猜测又成为其他砖下一轮的输入。经过几十轮迭代，原本分散的局部判断逐渐收敛成全体一致的形状类别。这就是群体智能在硬件中的具体形态：整体答案没有存放在任何一个中心节点里，而是从持续的局部互动中长出来。

近两百块实体砖，真的认出了自己的形状

研究团队先在模拟中使用 ShapeNet 的 487 个三维形状训练网络，类别包括飞机、椅子、汽车、桌子、房屋、吉他和船，平均分类准确率达到 98.97%。这个平均数并不均匀：飞机、椅子、桌子和船都超过 99%，房屋只有 85.04%。随后，他们没有重新为硬件编写规则，而是把模拟中训练好的 NCA 直接部署到实体砖上。

这个 98.97% 是 487 个训练形状上的结果，不是独立测试集成绩。而且在同一模拟分类任务中，一种更简单的分布式图结构基线（Voxel Graph Weisfeiler–Lehman，WL）达到了 100%。NCA 的优势不是分类分数更高，而是每块砖只需执行固定轮次的局部更新，可以直接搬到实体硬件，还能沿用到损伤定位和恢复。

实体实验搭出了四种结构：26 块砖组成的吉他，以及规模逐步增大的飞机、船和由 197 块砖组成的圆桌。每种结构重复测试三次，12 次运行最终都让所有砖对整体形状形成正确共识。论文采用的标准流程运行 60 轮，整次自识别约三分钟。

换一种拼法，或者坏几块，它还能认出来吗

真正体现群体智能的并不是标准形状上的高分，而是结构发生变化后，系统仍能维持整体判断。研究人员随机关闭 5%、10% 或 15% 的实体砖，让它们停止收发消息。大多数形状在 5% 故障下仍保持很高的识别表现；飞机和船在 15% 故障率下依然相当稳定。

故障影响也会暴露物体结构本身的性质。飞机有多条通信路径，即使一部分砖沉默，信息仍可以绕路传播；吉他的琴颈是一条狭窄通道，一块关键砖失效就可能切断两侧。群体智能消除了中央故障点，但仍依赖物理连接形成的信息网络。

研究团队还测试了训练中从未出现过的变体：五条腿位置随机、长短不一的桌子，舰桥偏到一侧的船，以及缩小版的飞机和桌子。前几个都被正确识别，只有缩小的桌子被误判为椅子。这说明网络学到了一定程度的抽象结构特征，而不是逐个记住训练样本的固定坐标。

隐藏通道自己形成了方向感

研究人员进一步打开 NCA 的隐藏通道，观察这些砖究竟通过什么内部信号区分桌子和椅子。结果出现了类似生物发育中“形态发生素”的空间图样：桌子很早就形成左右梯度和从中心向外扩散的径向梯度；椅子则形成更明显的前后轴信号。

椅子在最初几轮常被各模块当成桌子。椅面和椅背分别看起来都像平面或桌状部件，但椅背区域逐渐产生一股带有方向性的隐藏信号，并沿着连接关系从后向前传播。随着这股信号扩散，越来越多模块修改判断，最终全体从“桌子”转向“椅子”。研究者没有预先告诉网络应该制造哪一种梯度，这种通信策略是训练过程中自己涌现出来的。

从认识身体，进一步走向损伤检测和再生

一套系统只有先知道自己是什么，才有可能判断哪里不对。研究团队因此给 NCA 增加了第二个任务：除了判断整体属于哪类形状，每个单元还要判断自己的六个方向中，哪一个方向缺少了原本应该存在的邻居。

在模拟实验中，每个单元需要从七种状态中做选择：没有损伤，或者正负 X、Y、Z 六个方向中的某一侧发生缺损。系统的平均损伤方向判断准确率达到 94.8%，同时仍保持 98.9% 的形状分类准确率。也就是说，同一套去中心化网络可以同时回答“我们是什么”和“我的哪一边缺了一块”。

有了方向信号，恢复就可以被写成一个反复执行的生长过程：现有单元先预测缺损方向，预测形成局部共识后，系统在那个方向加入新单元，再重新判断，直到所有单元都不再报告缺损。研究展示了两种模式。第一种让系统自己判断当前形状并恢复，更自主，但严重损伤可能让椅子被重新理解成桌子；第二种提前给出目标形状，即使只剩少量种子单元，也能沿着目标逐步重建。

同一规则还能扩展到一万八千多个单元

在模拟中，系统从 15³ 网格扩展到 32³ 和 64³，并处理带空腔的鱼、心形和 Sakana 标志，最大结构超过 18,000 个方块。使用 128 个隐藏通道时，三个分辨率上的分类准确率分别是 98%、96% 和 96%。训练在一张 NVIDIA A10G GPU 上完成，64³ 修复模型约需 8 小时。

下一步，是让结构真的动起来、修复自己

今天的细胞砖已经在物理硬件中实现了分布式自我识别和故障容忍；损伤方向预测与逐步再生则展示在模拟环境中。实体砖目前依靠外部供电，没有马达、磁性对接或从资源池招募新砖的能力。这个边界并不削弱论文的主旨，它恰好说明研究完成了物理再生之前最关键的前置能力：让结构先拥有对自身形态的集体认识。

沿着这条路线继续走，研究团队设想的是能够感知并报告损伤的智能建筑材料，能根据连接变化实时调整判断的模块化机器人，以及带有磁性连接和微型运动机构、可以从共享模块池中主动补位的可重构系统。届时，计算不再发生在结构外部的一台中央电脑里，而会成为材料本身的属性。