导语：现代软体机器人有一个尴尬的悖论——身体是柔软的，但真正控制它的系统却一点也不“软”。压力传感器发现障碍，电信号传到中央处理器，控制器运行算法，再通过导线命令执行器变形——这套经典的“传感器-处理器-执行器”链路虽然有效，却给软体机器人带来了刚性芯片、复杂布线和软硬界面失效等问题。在高温、强辐射、腐蚀液体和人体内部，电子部件甚至可能成为机器人最脆弱的部分。那么，能不能让材料本身去感知、判断、行动？宾夕法尼亚大学与香港中文大学团队在《Nature Computational Science》发表的一篇前瞻文章，系统描绘了这条正在兴起的路线：把刺激响应材料与非线性机械超材料结合，让身体直接完成“感知-计算-行动”的闭环。 这不是用齿轮复刻计算机，而是把特定任务所需的判断规则直接编码进材料和几何结构——一种彻底不同于电子智能的“机械智能”。

一、身体的智慧：生物如何“无脑”完成复杂任务

生物体提供了另一种思路。许多快速反应并不需要大脑逐项计算，而是由身体结构、材料顺应性和局部神经回路直接完成。手碰到高温物体会迅速缩回，柔软的足底会被动适应地面，章鱼触手能在局部完成大量形态协调。

身体不仅是等待命令的执行器，它本身也承担着感知、信息筛选、状态记忆与快速响应。这正是“具身智能”最原初的生物学内涵。

回到机器人领域，问题变得清晰：与其给软体机器人装更多传感器和更强芯片，不如让它的身体结构本身具有判断能力。宾大与港中文的这篇文章，正是系统梳理了这样一条技术路线。

二、从“智能材料”到“机械逻辑”：一道关键的鸿沟

这条路线需要回答的第一个问题是：普通的“智能材料”与真正的“机械逻辑”有什么区别？

液晶弹性体可以受热收缩，水凝胶遇水膨胀，磁活性弹性体会在磁场下弯曲。它们确实能感知并响应环境，但大多数响应是单调且固定的——温度越高，收缩越大；水分越多，膨胀越明显。这样的材料更像一条直接连接输入与输出的反射线，还没有完成条件判断、状态存储或多输入运算。

机械超材料提供了缺失的“逻辑层”。这类材料的宏观性能不只由化学成分决定，更由内部经过精心设计的梁、折纸、剪纸、晶格和多稳态单元决定。

一根细梁受压后会突然屈曲；一个双稳态结构可以在两种形状之间跳转并保持当前状态；多个单元相互连接后，能够传递信号、存储信息，甚至执行逻辑门。最基础的机械比特可以由双稳态单元实现：一种稳定形态代表“0”，另一种代表“1”。当外部刺激积累到临界点，结构会像按动圆珠笔一样突然跃迁到另一个状态。跃迁之后无需持续供能也能保持形态——这是天然的非易失机械记忆。

Fig. 1：响应材料与机械超材料构成自主机械逻辑的技术图谱。展示LCE、形状记忆聚合物、磁响应材料和水凝胶等材料输入，梁、折纸、剪纸和晶格等机械逻辑结构，以及存储、逻辑运算、轨迹控制和自主机器人案例

三、响应材料×机械超材料：把“程序”写进几何

真正的关键组合是：响应材料负责把环境输入转换成机械输入，超材料的非线性结构负责判断这个输入是否满足触发条件，最终的屈曲、翻转或形变直接成为计算输出。

这意味着，机器不需要先把温度变成电压、再将电压送进芯片、最后由电机转回位移。环境刺激可以一路以材料变化、应力和位移的形式完成闭环。

文章介绍了一个极具代表性的案例：温度响应剪纸结构。研究人员把液晶弹性体-聚二甲基硅氧烷双层铰链嵌入带磁性方块的剪纸单元。LCE随温度单调弯曲，但整个结构不会缓慢地一直变形，而会在几何结构设定的临界温度突然收缩并远离热源。只需要调整铰链厚度等几何参数，就能在不改变材料配方的情况下设定触发温度，还可以决定变形只停留在局部，还是像多米诺骨牌一样沿结构传播。

这说明机械逻辑的“程序”不一定写在代码里，也可以写在几何尺寸、屈曲模式、磁性排列和能量势垒中。同一种响应材料，只要换一种结构设计，就可能获得完全不同的阈值、传播方向和最终动作。材料提供感知能力，几何结构决定它如何理解并处理刺激。

Fig. 2：机械计算与自主机器人的挑战和机会。展示双光子聚合、芯鞘纺丝和多材料打印等制造手段，响应材料与机械逻辑形成的分布式物理智能，以及与传统传感器-微控制器-执行器架构融合的混合路线

四、机械逻辑门：当水凝胶学会做“与或非”运算

文章进一步展示了这些逻辑单元如何组合成真正的运算网络。

一个代表性案例将水凝胶嵌入“水炸弹”折纸双稳态结构。水凝胶从空气中吸收水分并膨胀，推动折纸在山折与谷折两种状态之间切换，分别对应数字1和0。将三个单元线性排列，只在中间单元放置水凝胶，就能构造机械AND门；继续串联多个逻辑门，一个单元从环境吸收能量后翻转，其输出还可以通过连续失稳传递给下一个单元，实现机械信号存储、运算与传播。

机械计算也可以同时处理多种环境输入。多响应梁结构分别采用纤维增强水凝胶和纤维增强PDMS：前者在水中各向异性膨胀，后者遇到甲苯等非极性溶剂时膨胀。材料变化改变了双稳态梁的能量景观，使原本弯曲的梁突然弹直。将两类梁组合后，系统便能根据“是否有水”和“是否有溶剂”两个输入，构造AND、OR和NAND等逻辑门。

另有铁磁液晶弹性体结构能够同时读取温度与磁场，并在三个稳定状态之间切换，兼具多刺激信息处理和状态存储。这种“多输入、多状态”的能力，已经开始接近真正的计算系统。

五、从逻辑到行动：一只“没有大脑”的机器人在爬

这些逻辑只有在真正控制机器人动作时，才从材料实验走向具身智能。

文章重点介绍了一种“无电子控制”的剪纸软体机器人：气动执行器周期性充放气，使剪纸方块不断开合；分布在身体不同位置的LCE、水凝胶等响应模块，读取热、光或溶剂刺激，并在被激活时给局部结构施加或解除机械约束。多个模块共同改变机器人身体曲率，从而让它在遇到不同环境刺激时自主改变运动轨迹。

这里没有摄像头识别障碍，也没有微控制器查询规则表。环境本身通过响应材料改变局部约束，局部约束通过剪纸结构改变全身曲率，曲率最终改变行进方向。“感知什么、何时触发、向哪里转”都被预先编码进材料选择与结构布局。

这是一幅极具哲学意味的技术图景：机器人的身体不再是等待命令的执行机构，而是一个内置了判断规则的物理智能体。它在与环境交互时，不需要将物理刺激翻译成电信号、数字信号、再翻译回物理动作——输入、算法和输出被压缩进同一条物质链中。

六、现实的边界：机械计算不会是芯片的替代品

然而，作者并没有把机械计算描绘成电子芯片的直接替代品，反而是清醒地指出了这条路的局限。

首先是速度与密度。机械超材料计算速度较慢，单位体积内能够容纳的计算和存储单元有限，复杂算法实现困难。水凝胶可能需要几十秒才能完成一次膨胀触发的翻转，而磁响应单元则在毫秒内响应——这种时间尺度的差异让分布式机械网络难以建立统一的“时钟”。

其次是精度与鲁棒性。机械超材料的性能高度依赖精细几何。微小的打印误差就可能改变屈曲阈值和逻辑结果。多材料集成带来了粘接、固化、模量和化学相容性问题。材料老化、疲劳和环境扰动都会影响系统的长期可靠性。

第三是串扰与耦合。理想的响应材料应该只读取一种独立信号，但现实中常存在交叉敏感——LCE主要响应温度，也可能被某些溶剂溶胀。机械单元之间的形变会相互影响，一个膜片翻转时的局部应变会改变邻近单元的状态，甚至改变整台机器人的形状。电子晶体管可以在相对独立的模块中切换状态，机械计算事件本身却往往同时是一次结构变化。

这些局限指向一个根本性的判断：机械计算最可能首先落地的，不是“完全没有芯片的机器人大脑”，而是电子计算与机械计算之间的新分工。

七、真正的未来：身体做“物理预处理器”

文章提出了一个务实的中间路线：让身体完成局部、快速、鲁棒的反射和信息预处理，中央处理器只处理真正需要抽象推理与长期规划的内容。

柔软机械手抓取成熟水果是一个直观的例子。刚性手爪需要精确测量果实形状、计算接触点和控制每个关节；柔软手指则凭借材料顺应性自然包裹表面，把大量接触计算直接交给身体完成——不需要为每个接触点求解复杂的力学方程，材料的柔顺性本身就是最优的力学计算器。

未来的混合机器人可以采用类似分工：

材料与机械逻辑层：负责局部反射、信号过滤、快速避险、形态适应和简单状态记忆；

中央电子系统：负责机器视觉、长期规划、语言交互和复杂决策。

这样既保留数字计算的通用性，又让机器人身体承担最适合物理实现的任务，减少信号转译、带宽需求和中央处理负担。

换句话说，不是让材料取代芯片，而是让材料做它最擅长的事情——在物理世界中直接处理物理问题。

八、结语：把一部分智能写进材料

这篇前瞻文章最深刻的洞见，或许在于它重新提出了一个古老的问题：智能的本质是什么？它必须由神经元或晶体管来承载吗？

当水分让水凝胶膨胀、膨胀触发双稳态结构翻转、翻转又改变机器人运动方向时，输入、算法和输出已经无法被清楚拆成三个独立盒子。计算就发生在材料与环境的相互作用中。这是一种彻底的“具身”智能——智能不在抽象的符号空间中运行，而在物质的形变、应力和运动中被实现。

这条路当然还很漫长。计算速度、信息密度、精度和设计工具链都远未成熟。但在那些传统电子系统受限的环境——深海、核辐射、高温、腐蚀和人体内部——把一部分智能写进材料，可能比单纯堆叠算力更接近软体机器人的真正未来。

或许，这篇Nature子刊文章最大的价值，是让我们从一个被忽视的角度重新审视“智能”的定义：当身体不再是等待命令的执行者，而是参与计算的思考者时，机器人与世界的边界，就真正开始模糊了。

论文信息

标题：Programmable responsive metamaterials for mechanical computing and robotics

作者：Qiguang He, Samuele Ferracin, Jordan R. Raney

机构：宾夕法尼亚大学、香港中文大学

期刊：Nature Computational Science, Vol. 4, 567-573

DOI：10.1038/s43588-024-00673-w