想象一个机器人并非由僵硬的金属齿轮和刚性关节组成，而是由硅胶、橡胶甚至生物组织等柔软、具有弹性的材料制成的世界。这些被称为“软体机器人”。它们之所以令人惊叹，是因为它们可以挤过微小的缝隙，能够抓取像鸡蛋这样脆弱的物体而不将其弄碎，并拥有刚性机器梦寐以求的流畅优雅的动作。然而，这也有一个代价：正因为它们如此柔软，控制起来极其困难。不同于动作轨迹可预测且呈直线运动的刚性机械臂，软体机器人会同时进行无数种弯曲、扭转和变形。这就像是在尝试为一只水母编写一份精确的说明书；如果你拉动其中一根触手，整个身体就会产生复杂的波动，其数学规律难以预测。长期以来，科学家们已经掌握了描述这种“软性”的正确数学方法，但能够实际运行这些数学运算的计算机程序却一直很慢、很笨重，且无法轻易与现代机器人使用的先进学习工具进行交互。

就在这时，一个名为 SoRoMoX 的新工具出现了，它化身为拯救者。你可以将 SoRoMox 想象成一个超强力的、高速运转的翻译官，它能将软体机器人复杂的、扭动的数学逻辑转化为现代计算机能够理解并以闪电般速度执行的语言。该项目的研究人员构建了一个软件框架，它不仅仅是模拟一个软体机器人，它还使模拟过程具有“可微性”（differentiable）——这是一个高级说法，意指计算机可以瞬间计算出如何调整机器人的形状或运动，以获得更好的结果，就像电子游戏中的角色通过成千上万次的尝试与失败，在瞬间学会如何跳得更高一样。通过在强大的图形处理器（GPU）上运行这些模拟，并进行并行处理——就像同时让一千个虚拟机器人同时练习，而不是只有一个——该团队展示了他们可以将软体机器人的控制速度提升至原先方法的 234.6 倍。这种速度的提升解锁了新的可能性，让机器人能够学习复杂的任务、避免碰撞过重，甚至仅通过观察自己的运动就能摸清自身的物理特性（例如其身体有多硬）。

软体机器人革命

软体机器人是未来的宠儿，因为它们安全且适应性强。想象一个由橡胶制成的机器人手臂，可以温柔地包裹住一颗成熟的草莓并将其采摘；或者一个蛇形的机器人，可以在坍塌的建筑废墟中穿梭，寻找幸存者。问题在于，控制一个像面条一样弯曲和拉伸的物体对传统的计算机程序来说是一场噩梦。在刚性机器人（如汽车组装线上的机械臂）的世界里，数学是非常直观的：如果你转动电机一定的角度，机械臂就会移动特定的距离。但在软体机器人的世界里，整个身体都会发生形变，产生一种混沌的力量网络。

多年来，科学家们一直在开发描述这种行为的理论，通常使用一种被称为“Cosserat-rod theory”（科塞拉杆理论）的概念。你可以将其理解为：不把软体机器人看作一个坚实的块体，而是看作一根可以弯曲、扭转和拉伸的柔性杆。虽然存在描述这种行为的数学理论，但用于实际应用这些理论的软件工具却一直停留在过去。它们运行缓慢，无法在现代超高速计算机芯片上运行，也无法与让机器人实现自我教学的“学习”算法良好兼容。这就像是拥有一台法拉利引擎（数学模型），却试图用一根自行车链条（旧软件）来驱动它。

SoRoMoX 登场：速度之王

论文介绍了一种名为 SoRoMoX（基于 JAX 的软体机器人模型）的新型软件框架，旨在解决这些瓶颈。作者使用 JAX 构建了它，JAX 是一个强大的编程工具，它能让计算机以极高的速度执行复杂的数学运算，尤其是在使用图形处理器（GPU）时——也就是那些驱动视频游戏和人工智能的芯片。

以下是 SoRoMoX 的特别之处：

1. 它是可微的： 这是神奇的成分。简单来说，该软件不仅可以计算机器人将去向哪里，还可以计算如何改变其设置，使其精准到达你想要的位置。这就像是一个 GPS，它不仅告诉你路线，还能在你遇到交通拥堵时瞬间重新计算出最佳路径，而你正在驾驶的过程中。
2. 它是并行的： SoRoMoX 不再一次只模拟一个机器人，而是可以在单个 GPU 上同时模拟数百甚至数千个机器人。这就像是一个教室里的学生都在同时练习一段舞蹈，而不是一名学生独自练习。
3. 它具备控制就绪性： 它提供了机器人控制器所需的所有具体数值——例如机器人的重量、重力如何作用于它以及其关节如何运动——因此工程师可以构建更好的控制器，而无需重复造轮子。

团队的研究发现

研究人员不仅开发了这个工具，还通过一系列严苛的测试，将其性能与现有的最佳软件进行了对比。

速度与效率
在测试中，SoRoMoX 是绝对的赢家。当在标准计算机处理器（CPU）上运行模拟时，它比目前最先进的替代方案 SoRoSim 快了高达 18.1 倍。但真正的奇迹发生在切换到 GPU 时。通过并行运行模拟，他们实现了高达 234.6 倍 的巨大加速。这意味着过去需要数小时才能完成的任务，现在只需几分钟甚至几秒钟即可完成。

学习与优化
团队利用这种速度解决了几个难题：

• 摸清机器人的身体： 他们测试了该软件是否能帮助机器人“学习”自身的物理特性，例如其材料的硬度。通过对比机器人的实际运动与模拟运动，他们可以调整模型的参数。这使得预测机器人位置的误差降低了 66%。
• 修复“失误”时刻： 即便有了完美的模型，真实的机器人仍会有微小的误差。团队利用 SoRoMoX 教会神经网络去预测这些残留的误差（残差）。这使误差进一步降低了 64%，使机器人的运动变得极其精准。
• 更好的控制： 他们测试了不同的控制策略。一个标准的“无模型”控制器（不了解机器人物理特性的控制器）表现挣扎。但当他们使用“计算转矩”（computed-torque）控制器（利用完整的物理模型）时，追踪误差下降了约 500 倍。这是一个巨大的精度飞跃。
• 安全第一： 其中一个最令人兴奋的应用是安全性。他们编写程序，让机器人在达到目标的同时，避免撞击墙壁力度过大。通过使用一种特殊的安全算法，他们将接触力保持在 5 牛顿（约等于一个小苹果的重量）以下。如果没有这个安全约束，机器人撞击的力将达到 33.5 牛顿，这可能会损坏脆弱的物体。
• 强化学习： 最后，他们使用该工具通过强化学习（即机器人通过试错来学习）来训练机器人。由于 SoRoMoX 可以同时运行数千次试验，其训练速度比使用旧的、较慢的方法快了高达 7 倍。

总结

SoRoMoX 不仅仅是一个更快的计算器；它是一座桥梁，连接了复杂的、柔软的软体机器人世界与高速、数据驱动的现代人工智能及控制世界。通过使软体机器人模型变得快速、可微且易于使用，作者们为机器人开启了大门，让它们能够以以往过于缓慢或难以实现的效率，去学习、适应并与世界进行交互。虽然此处展示的结果是基于模拟的，但其在速度和精度上的显著提升表明，下一代软体机器人很快就能学会像生物一样优雅且智能地运动。