💻 计算机科学

Oncomorphic computing: a bioinspired paradigm for decentralized adaptation across software and hardware

本文介绍了“肿瘤形态计算”（oncomorphic computing），这是一种受生物启发的新范式，它通过重新利用癌症生存原则——例如去中心化行为、表型可塑性和资源招募——来构建具有韧性的机器智能，使其能够在嘈杂、受损或资源匮乏的环境中，在软件和硬件层面实现自主适应与重构。

原作者： Rosalia Moreddu, Philip Greulich, Christian Baumgartner, Francesca Borghi, Michael Levin

发布于 2026-10-29

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Rosalia Moreddu, Philip Greulich, Christian Baumgartner, Francesca Borghi, Michael Levin

原始论文采用 CC BY 4.0 许可（https://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

想象一下这样一种机器：当它的部件失效时，它并不会损坏，而是学会与损伤共存，通过改变自身目标并重组功能来维持运转。这是下一代自主系统面临的核心挑战，从穿越深空的航天器到人体内的医疗植入物。目前的人工智能极其强大，但它依赖于稳定的基础：可靠的电力、持续的通信以及不会退化的硬件。当这些条件消失时——这在极端环境或长期生物监测中经常发生——标准系统往往会崩溃。它们是为“完美”而设计的，一旦不完美，就会停止工作。为了解决这个问题，研究人员正从一个意想不到的来源寻找蓝图：癌症的生物学特性。虽然癌症是一种不受控制的生长疾病，但它也代表了去中心化生存的巅峰之作。肿瘤在没有中央大脑的情况下持续存在，适应饥饿，并在部分结构被破坏时重组其内部结构。通过研究癌细胞如何在恶劣条件下生存和繁衍，一组科学家提出了一种设计此类机器的新方法。

这些研究人员是由来自英国、奥地利、意大利和美国的大学专家组成的团队，他们引入了一个被称为“癌变形态计算”（oncomorphic computing）的概念。这并非指单一的设备或特定类型的软件，而是一种构建智能系统的全新哲学。其核心思想是，不再将机器视为一旦损坏就必须修理或更换的僵硬结构。相反，他们提议设计这样一种系统：其中的每一个微小部分，无论是软件程序、传感器还是机器人关节，都像是一个独立的代理（agent）。这些代理不断监测自身的健康状况及其局部环境。如果系统的某个部分受损或电量不足，这些代理不会等待中央计算机发出修复指令。它们会与邻近的代理进行协商，共享资源并转移职责。如果一个代理无法再履行其职责，它可能会将任务传递给更健康的邻居，或者整个系统可能会决定放弃一个次要功能，以将能量保留给最关键的任务。

论文指出，采用这种方法是必要的，因为未来的自主性存在于不可预测的地方。如果太阳耀斑干扰了通信，火星上的探测器无法等待来自地球的指令；如果网络发生碎片化，灾区中的机器人集群无法依赖中央服务器；一个患者的肿瘤数字模型必须能够在疾病变化时进行调整，即使输入的数据是不完整或带有噪声的。在这些场景中，目标不在于时刻保持完美的精确度，而在于尽可能长久地保持有用性。作者建议，通过借鉴癌症生物学的原理——例如细胞改变身份、招募邻居资源以及将功能迁移至安全区域的能力——工程师可以设计出在设计上具有韧性的机器。

为了使这一想法具体化，研究人员创建了一个描述这些系统应如何行为的数学框架。他们设想了一个由代理组成的网络，每个代理都有自己的记忆、电力和处理能力。在健康状态下，这些代理协同工作以实现性能最大化。但当压力袭来时，系统会发生变化。受损的代理可能会被隔离以防止错误扩散，而健康的代理则会吸收它们的任务。系统不会立即尝试修复损坏的部分；相反，它会在损伤周围进行重组，从而保护最重要的任务目标。这是一种思维方式的转变：传统观念认为机器应该完全按照编写的程序执行，而在这种新视角下，机器是一个通过协商来实现生存的生命网络，不断决定哪些功能值得保留，哪些可以舍弃。

论文探讨了这一概念如何应用于不同领域。在软件方面，它建议将大型人工智能模型分解为更小的、独立的模块，以应对局部故障。如果机器人的“大脑”某部分失效，其余系统可以通过重新分配任务来保持机器人移动。在硬件方面，该理念指向了新型计算机芯片，这类芯片可以在部分受损时进行自我重构，类似于肿瘤重组其血液供应的方式。研究人员还探讨了生物学层面的应用，指出该框架同样可以帮助科学家更好地理解癌症本身。通过将肿瘤视为一个去中心化的计算系统，我们可以模拟它如何适应药物和压力，从而可能带来更好的治疗方案。

其中一个最引人注目的应用是在数字医学领域。作者提议利用这种方法创建人类肿瘤的“数字孪生”（digital twins）。这些计算机模型将模拟特定患者癌症的行为，由数千个代表单个细胞的虚拟代理组成。随着来自患者的新数据进入，模型会自动更新，学习肿瘤可能如何演化。由于该模型基于与真实肿瘤相同的适应性原则，它可以预测疾病对不同疗法的反应，即使在面对不确定性时也是如此。这可以帮助医生选择更有可能奏效的疗法，不仅是基于平均水平的患者，更是基于该个体独特的、混沌的疾病行为。

研究人员谨慎地指出，这是一个关于新思维方式的提案，而非一个成熟的产品。他们承认构建此类系统非常困难。这需要平衡持续适应带来的能量消耗与对稳定性的需求。如果一个系统花费过多能量进行自我重组，它可能会在完成任务前耗尽电力。此外还存在安全担忧。一个能够改变自身结构和目标的机器必须受到严格控制，以确保它不会做出危险的决策。论文建议，这些系统需要内置的安全层，以便在情况失控时覆盖（override）自适应过程，确保机器永远不会偏离其核心使命。

尽管存在这些挑战，潜在的回报却是巨大的。论文指出，通过拥抱生物生存中那种混乱且去中心化的本质，我们可以制造出比现有技术强大得多的机器。这些系统不仅能承受损伤，还会将损伤作为重组并继续工作的信号。无论是探索洞穴的机器人、监测患者心脏的传感器，还是模拟复杂疾病的计算机，目标都是一致的：创造能够持久存在的智能。作者相信，这种从“构建完美机器”到“构建韧性机器”的转变，对于技术的未来至关重要。他们不仅是在提议一种新的算法或芯片，而是在提议一种关于机器如何成为生命、如何具备适应性以及如何在不断变化的世界中发挥作用的新思考方式。

从这一构思走向现实仍需时日。研究人员概述了一条前进路径：从模拟和小型测试开始，向更复杂的硬件迈进，最终达到全规模的机器人和生物应用。他们预见到一个软件与硬件界限模糊的未来，届时机器的物理结构将像其代码一样具有适应性。在那个未来，失去一部分的机器不会停下脚步；它只会变成另一种形式的机器，一种依然能够完成最重要任务的机器。这就是“癌变形态计算”的承诺：一种关于技术的愿景，它不畏惧失败，而是像生命在数十亿年间所做的那样，从失败中学习。

技术摘要：癌变形态计算 (Oncomorphic Computing)

1. 问题陈述

当代的人工智能与自主系统主要针对稳定且资源丰富的环境进行设计，这些环境的特征是可靠的硬件、一致的通信和充足的电力。然而，关键应用领域——如深空探测、植入式医疗设备、分布式传感器网络以及机器人集群——运行在充满噪声、损伤、稀缺性和不可预测性的条件下。在这些环境中，传统的容错方法（冗余、回滚、纠错）往往会失效，因为它们假设故障是已知、可隔离或可通过预定义机制恢复的。当退化是突发性的、资源具有竞争性且通信存在延迟时，现有系统难以维持可靠性和寿命。核心挑战在于设计一种能够在计算基质本身发生故障时，仍能保留有用功能和任务可行性的机器智能，而非仅仅是在稳定的框架内纠正错误。

2. 方法论与框架

本文提出了癌变形态计算 (Oncomorphic Computing)，这是一种从癌症生物学中抽象生存原则（特别是去中心化行为、表型可塑性、异质专业化和资源招募）并将其重新用于软件和硬件设计的生物启发范式。

2.1 高层形式化

该范式被形式化为一个在时变图 $G(t) = (V, E(t))$ 上的约束去中心化控制问题，其中顶点代表局部代理（软件进程、硬件单元、传感器或细胞），边代表动态路径。

代理状态： 每个代理 $i$ $i$ 维护一个状态向量 $z_i(t)$ $z_{i} (t)$ ，包括：
- 任务状态 ( $x_i$ )： 内部模型权重、缓存数据或生物变量。
- 健康度 ( $h_i \in [0,1]$ )： 单元执行有用任务能力的连续度量，随损伤和压力而演化。
- 置信度 ( $\tau_i \in [0,1]$ )： 输出可靠性的度量，与物理健康度不同。
- 资源 ( $r_i$ )： 局部可分配的内存 ( $m$ )、功率 ( $p$ ) 和带宽 ( $b$ )。
- 模式 ( $\sigma_i$ )： 一个离散状态（活跃、中继、休眠、迁移），代表表型可塑性。
局部控制： 代理基于局部可观测性运行，使用局部观测 $o_i(t)$ 通过策略 $\pi_i$ 选择动作。
适应动力学：
- 健康度更新： 健康度根据累积损伤、诱导负载以及来自邻居的补偿性支持 ( $S_i$ ) 进行演化。
- 资源招募： 代理可以向邻居转移资源 ( $T_{ij}$ )，模拟了生物系统中观察到的功能“继承”。
- 任务可行性： 系统成功通过保留的关键功能的保留效用 ( $V(t)$ ) 来衡量，而非全局任务准确率。系统优先考虑“受保护的任务骨干”，在压力下舍弃非必要任务以保留关键任务。
安全机制： 该框架包括用于隔离完整性较低单元的隔离规则，以及防止不受控自我修改的外部安全模式条件。

2.2 与相邻范式的比较

本文将癌变形态计算与以下范式进行了区分：

经典数字计算： 从关注稳定硬件上的精确执行，转向关注在基质退化下的任务效用保留。
分布式/边缘 AI： 超越了基于协议的协调，转向健康感知型节点估值以及在渐进式退化过程中的功能继承。
神经形态计算： 虽然神经形态系统模仿神经动力学以提高效率，但癌变形态系统专门解决物理基质损伤和资源稀缺的管理问题，且无需中央控制。
集群智能： 与同质集群不同，癌变形态代理拥有异质的内部状态，为资源而竞争，并基于生存而非仅仅是表示准确性进行角色分化。

3. 核心贡献与应用前沿

本文概述了该范式如何解决特定瓶颈，并将其应用于多个领域：

3.1 机器学习瓶颈

中心化开销： 提出将单体堆栈分解为相互作用的代理，这些代理具有局部健康估计，允许在通信退化时进行资源招募和任务简化。
灾难性遗忘： 将异质性视为一种资源。稳定的模块保留高价值能力，而具有可塑性的模块吸收新信息，从而防止破坏基本功能。
可扩展性： 用事件触发的通信和健康感知路由取代全局共识，使系统能够在严重压力下切换至“检伤分类”模式。

3.2 自适应硬件与协同设计

短期： 利用可重构数字硬件（如 FPGA），通过局部重构和故障感知管理来实现分级映射和任务迁移。
长期： 探索忆阻器和存内计算基质。这些设备提供局部存储和计算，实现更细微空间尺度的适应，尽管需要处理诸如变异性和非线性编程等非理想特性。

3.3 计算生物学与数字医学

数字孪生： 提出将患者特异性肿瘤孪生构建为相互作用的细胞代理群体。这些孪生通过不断吸收数据（影像、分子数据）来更新局部参数，从而预测疾病轨迹和耐药机制。
计算肿瘤学： 将肿瘤建模为分布式的适应性系统，其中代理将生物电状态（膜电位、钙动力学）与代谢和机械信号相结合，以模拟传统整体模型所忽略的瞬态适应状态（如药物耐受）。
闭环生物电子学： 实现 in vitro 系统中自动化的、状态触发的扰动。传感区域作为局部代理，仅在置信度足够时进行干预（通过刺激或给药），从而创建用于适应性生物物理学的闭环。

3.4 机器人系统

深空探测： 围绕局部生存能力重新组织控制，允许探测器根据能量和链路质量降低地形雄心或转变角色（例如，从探测器转变为中继器）。
人形机器人： 实现分级自我保护，即随着局部能力的改变，控制权向最胜任的身体部位迁移（例如，当热应力增加时，将负荷从膝部转移到手部）。
软体机器人： 为损伤同时改变力学和传感特性的系统提供仲裁层，使系统能够决定哪些区域足够可靠以支配行为。
手术机器人： 创建一个“实时信任场”，其中每条传感路径都维护自己的状态，根据当前的置信度而非标称能力分配控制权。
可穿戴传感器： 将可靠性视为分布式的，在传感器网络间协商信任和采样密度，以在界面漂移或物理损伤的情况下维持生理监测。

4. 结果与主张

本文并未呈现新的实验数据，而是提出了一个概念框架和实施路线图。

理论贡献： 它为一种以“生存能力”而非“准确性”为主要目标的系统提供了数学形式化。
路线图： 作者提出了一个阶段性的发展路径：
1. 近期： 软件演示（神经代理、资源感知型持续学习）和健康感知型分布式推理。
2. 中期： 将策略与自适应基质（故障感知型 FPGA、混合数字/存内加速器）相连接，并完善生物形式化（贝叶斯数字孪生）。
3. 长期： 在具备自主结构与功能适应能力的机器人、手术系统和可穿戴设备中进行具身部署。
指标： 本文定义了用于评估的具体指标，包括保留任务效用 (RMU)、恢复时间 ( $T_{rec}$ )、适应能量开销 ( $\eta_{adapt}$ ) 以及不安全状态计数。

5. 意义与结论

本文声称，癌变形态计算代表了设计韧性机器智能的一个根本性转变。通过抽象自癌症生物学的去中心化生存原则，它提供了一个使系统能够在不确定性、稀缺性和部分失效条件下继续运行的框架。其意义在于弥合了软件动力学与自适应硬件设计之间的鸿沟，超越了对稳定基质的假设。作者认为，对于未来的数字健康、自主系统和具身机器人应用而言，这种通过持续协商和重构来保留关键功能的能力至关重要。实现这一范式需要解决计算开销、硬件非理想特性以及自我重构系统的伦理治理等挑战。