Bridging Language and Physics: Automated Design of Continuum Robots with Large Language Models

几十年来，制造机器人的梦想一直受到工作本身极高难度的阻碍。设计一个能够移动、抓取或挤压而不损坏自身的机器，需要对物理学有深刻的理解，这通常依赖于人类专家的直觉，他们需要花费多年时间进行零件微调和反复试验。这个过程既缓慢又昂贵，尤其是对于由柔性材料制成的“软”机器人而言，这些材料像生物组织一样弯曲和扭转，而不是像坚硬的金属那样僵硬。最近，一种新的工具进入了实验室：大语言模型。这些是经过海量文本训练的强大计算机程序，能够编写代码并用自然语言描述复杂的想法。科学家们曾希望这些模型能充当自动设计师，根据“制作一个能爬楼梯的机器人”这样简单的指令，瞬间生成一份可行的蓝图。然而，一个主要的障碍仍然存在：虽然这些模型在文字处理方面非常出色，但它们往往无法理解自身创造物的物理现实。它们可能会描述出一个在纸面上看起来完美的机器人，但一旦建成，就会立即坍塌或把自己缠绕在一起。

一组研究人员现在开发了一种新方法来弥补语言与物理之间的这一差距，创建了一个允许人工智能设计能够实际工作的软机器人的系统。研究人员专注于一种特定类型的柔性机器，称为腱驱动连续体机器人。想象一个由许多小段组成的长而灵活的脊柱，类似于蛇或章鱼臂。这些机器人不是通过刚性电机运动，而是通过拉动被称为“腱”（tendons）的细线来移动，这些线穿过身体使其弯曲和扭转。这种设计极其多变，但也因工程实现难度极大而闻名，因为机器人的弯曲方式取决于形状、缆绳张力和与周围环境接触方式的复杂组合。研究人员想看看人工智能能否从头开始设计这些机器，但他们知道，仅仅要求人工智能“写一个设计”是不够的。

为了解决这个问题，团队构建了一个名为 AID-SR 的多层系统，它就像是一个计算机设计师与一系列自动化检查员之间的协作车间。过程始于人类给出一个高层目标，例如“设计一个能按墙上按钮的机器人”。随后，一个人工智能代理会针对机器人的外观提出几种不同的构想。系统不会立即接受这些构想，而是将每一个构想都置于一系列严格的检查之中。首先，数字模拟器会测试该设计，以观察其在物理上是否稳固。如果机器人模型坍塌、爆炸或在计算机物理引擎中卡住，系统会立即捕捉到错误，并将设计连同关于错误的具体说明发回给人工智能，例如“缆绳连接到了错误的位置”。

这种设计、测试和纠正的过程在一个循环中不断重复。如果一个设计通过了物理测试，它会被第二个 AI 裁判检查，该裁判会检查设计的逻辑性，即它是否真的符合当前任务。例如，机器人的部件是否足够多以触及按钮？最后，人类工程师可以介入提供高层建议，尽管该系统旨在很大程度上自主运行。这种持续的反馈循环迫使人工智能从错误中学习，逐渐完善其想法，直到它产生的设计不仅是一个聪明的描述，而且是一个物理性质稳定的机器。研究人员在 14 项不同的任务上测试了这个系统，范围从简单的伸手和行走，到复杂的抓取和清洁动作。

结果表明，这种方法效果显著。在计算机模拟中，该系统成功生成的物理有效设计占尝试次数的 96.2%。这意味着，AI 设计的几乎每一个机器人在数字世界中都能站立并移动，而不会散架。当研究人员使用标准的学习方法训练这些机器人在执行特定工作时，大约有 26.7% 的机器人成功完成了任务。这是一项重大的成就，因为它证明了人工智能可以生成不仅结构稳固且具有功能实用性的设计。团队并未止步于计算机模拟；他们利用 3D 打印和标准材料，将其中表现最好的三个设计在现实世界中制造了出来。这些完全由 AI 指令创建的物理机器人，能够像在模拟中一样执行任务，成功地抓取物体并在表面上移动。

这项研究强调，虽然人工智能在理解物理世界方面正在变得更好，但它仍然需要引导才能真正发挥作用。人工智能不能仅仅靠猜测解决方案，它需要一个结构化的过程，使其能够看到其想法的后果并进行修正。通过将语言模型的创造力与物理学的严格规则以及人类监督相结合，研究人员开辟了一条自动化机器人设计的新路径。这项工作表明，在不久的将来，我们可能只需要求计算机为某个特定的困难工作设计一个机器人，它就能返回一份可以直接在现实世界中建造并使用的蓝图，让我们离那种能够以空前的速度和精度根据需求定制机器的未来更近了一步。