Evolutionary Brain-Body Co-Optimization Consistently Fails to Select for Morphological Potential
通过对超过130万个软体机器人进行形态-适应度景观的穷尽式映射，本研究揭示了虽然进化中的脑体协同优化可以通过目标切换产生独特的性能增益，但它始终无法实现对形态潜力的选择，因为它频繁地低估并淘汰了那些具有前景的新突变身体。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下你正在试图教一个机器人走路。在机器人领域，关于如何实现这一目标存在着一场大争论。一种观点认为，你应该先构建机器人的身体——精确决定它有多少条腿、腿有多长以及它们是由什么材料制成的——然后再教它的“大脑”（计算机代码）如何控制这个特定的身体。另一种观点被称为脑体协同优化（brain-body co-optimization），它建议同时进化身体和大脑。这就像是一个生物成长起来的过程，其中身体的形状在变化，而大脑也在同步学习如何控制这些变化，就像人类婴儿在肌肉和骨骼发育的同时学习爬行和行走一样。
核心问题在于，让身体和大脑同时发生变化是否真的效果更好，还是只会把事情搞得一团糟。科学家们几十年来一直试图弄清楚这个问题，因为如果我们能成功，我们就能设计出极其适应环境、高效且能够完成许多我们无法想象之任务的机器人。但问题在于：当你改变一个机器人的身体时，原本擅长控制旧身体的大脑往往会对新身体变得非常笨拙。这使得计算机程序很难判断哪些身体形状才是真正优秀的，因为每当身体发生变化时，“评分标准”就会随之改变。
这篇论文深入研究了这一混乱的问题，通过在一个特定的微型世界中，创建了一张涵盖所有可能机器人身体形状的庞大且详细的地图。研究人员 Alican Mertan 和 Nick Cheney 构建了一个包含超过 130 万种不同软体机器人设计的模拟系统。他们并不只是凭直觉猜测哪些设计好，而是为每一种设计都训练了一个大脑，以观察每个身体形状所能达到的真实最佳性能。你可以把它想象成一个巨大的电子游戏，在玩家开始游戏之前，他们已经玩过了每一个关卡，并找到了完美的分数。
他们的发现既令人惊讶又有点让机器人感到沮丧。当他们让计算机程序尝试通过同时改变身体和大脑来进化出最好的机器人时，程序经常会陷入困境。程序会选择一个看起来还不错的身体形状，但由于大脑尚未针对这个新形状进行完美训练，机器人的表现就会很差。计算机程序看到这个低分后就会判定：“这个身体形状很差！”然后将其删除。但转折在于，这个身体形状其实是最好的设计之一！它只是需要更多的时间来让大脑学会如何使用它。因为程序判断得太快，它们不断地丢弃那些最有潜力的候选者，从而困在了那些仅仅一步之遥就能变得卓越的平庸方案中。
研究人员称之为“脆弱的协同进化（fragile co-adaptation）”。这就像是通过一个从未见过这款特定车型的驾驶员来评判一辆新车的速度。这辆车可能是一辆法拉利，但如果驾驶员感到困惑，它开起来就像一辆慢速轿车。这项研究中的计算机程序就像是那些缺乏耐心的评委，他们在给驾驶员学习时间之前，就直接解雇了驾驶员并报废了汽车。
然而，论文也发现了转机。尽管程序在寻找绝对最佳身体形状方面表现挣扎，但共同进化身体和大脑的过程有时确实能产生如果你只先造好身体再训练大脑所无法获得的结果。事实证明，随着机器人的身体形状随时间变化，大脑被迫在此过程中学习新的技巧。这种“目标切换（goal-switching）”帮助大脑逃离了局部陷阱，并发现了固定身体永远无法发现的巧妙运动方式。
因此，主要的结论是：虽然共同进化机器人的身体和大脑是一个强大的构想，但目前很难做得很好，因为这些正在进化的“大脑”并不擅长去评判它们尚未见过的“身体”的潜力。这项研究表明，我们需要更聪明的方法，在决定这些进化的机器人是好是坏之前，给它们更多的学习时间。它提醒我们，在人工生命的世界里，前进的最佳路径有时不仅仅是寻找完美的设计，而是要给设计足够的时间去释放其潜力。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。