在科幻電影中，柔軟靈巧的機器人常常能輕松穿過狹窄空間、溫柔抓取物體，或在復雜環境中安全工作。

與傳統剛性機器人不同，軟體機器人主要由硅膠、橡膠等柔軟材料構成，能像章魚觸手或象鼻一樣變形、彎曲和擠壓。這使得它們在醫療微創手術、災后救援、食品抓取以及人機協作等領域具有獨特優勢。然而，正是它們極為柔軟的特性帶來了根本性的控制難題。

近日，美國伊利諾伊大學厄巴納-香檳分校和弗吉尼亞理工大學的研究人員在《美國國家科學院院刊》（PNAS）上發表了一篇重要論文，他們創新性地將生物學與人工智能工程學結合，通過引入“神經儲備池”（Neural Reservoir）技術，成功控制了高度仿生的生物混合軟手臂，實現了穩定追蹤、自我感知和低能耗運行的突破。

這項研究主要由伊利諾伊大學厄巴納-香檳分校的 Mattia Gazzola（馬蒂亞·加佐拉）領導，他的實驗室專注于軟體機器人、生物混合系統、計算力學和具身智能，結合仿生學、力學建模和 AI 控制，是軟體機器人與生物混合機器人領域的研究者。他還創辦了一家公司 Archean Sciences，主要開發自主式“Brain-on-a-Chip”（腦芯片）系統，即在芯片上培養和維持真實的人類神經元，并將其與硬件、軟件結合形成可自主運行的生物計算平臺。

圖 | Mattia Gazzola（來源：伊利諾伊大學厄巴納-香檳分校）

第一作者 Noel Naughton（諾埃爾·諾頓）是弗吉尼亞理工大學的助理教授，研究領域包括生物啟發式軟體機器人設計與控制、肌肉骨骼組織的成像與力學等。

那么，何為儲備池計算？

儲備池計算是一種受生物神經系統啟發的計算范式，主要用于處理隨時間變化的動態數據。其核心思想是利用一個固定的、高維非線性動態系統（稱為“儲備池”）將輸入信號映射到高維狀態空間，從而將復雜的非線性問題轉化為簡單的線性回歸問題。與傳統的循環神經網絡（RNN）需要訓練大量權重不同，儲備池計算僅需訓練輸出層權重，而內部的儲備池連接權重是隨機生成且固定不變的，這極大地降低了計算復雜度和訓練時間。

通俗理解的話，儲備池計算就像一個自帶“記憶水池”的簡易大腦，把連續變化的信號，比如機器人動作、聲音、傳感器等數據丟進這個“水池”，它會自動記住之前的信息、把復雜規律拆開，只需要教它最后一步怎么輸出結果，不用費勁訓練整個網絡，適合用來控制復雜又多變的動態系統。

此前，諾頓曾利用虛擬工具和運動映射技術來設計新型機器人。他曾受章魚啟發，設計出運動方式類似的機器人。

在這項研究中，諾頓及團隊利用這些 3D 虛擬工具，構建了一個肌肉骨骼仿生臂。該手臂由一條被動彈性脊柱作為主干，外圍環繞著多個肌肉-肌腱單元。這些肌肉分為 4 層，以正交和拮抗的方式排列，從而實現三維空間內的全向彎曲和扭轉。

圖 | 神經儲備池控制肌肉骨骼軟體手臂（來源：上述論文）

研究通過多項復雜的仿真任務證明了上述方法的優越性。

在三維空間中動態追蹤移動目標的測試里，面對同樣的任務，前饋神經網絡（FF）很快到達性能極限，而長短期記憶網絡（LSTM）雖然收斂效果稍好，但其性能天花板遠低于神經儲備池。數據表明，儲備池計算控制方案的追蹤表現達到了 LSTM 的 2.2 倍，甚至是 FF 的 5.9 倍。

當研究人員通過逐步降低機械臂脊柱剛度使其變得柔軟時，FF 在脊柱剛度降至 500kPa 時完全失控，LSTM 在 250kPa 以下性能急劇下降。相反，神經儲備池在脊柱剛度降至 62.5 千帕（大致等同于哺乳動物真實肌肉組織的極度柔軟狀態）的極端情況下，依然能維持穩健的控制。

分析發現，儲備池自主學會了精妙的多層肌肉協同收縮策略，通過底部的肌肉不對稱收縮進行粗略定向、中部的肌肉對稱收縮提升整體穩定性、頂部的細微收縮精準對準目標。這種仿生發力方式有效減少了不必要的脊柱彎曲和多余的動能消耗，實現了順滑且精準的動作。

圖 | 控制越來越柔軟的手臂（來源：上述論文）

除了控制力之外，儲備池也展現出了優秀的自建模能力?；谄涮烊徊⑿械挠嬎闾卣鳎芯繄F隊在同一個儲備池上訓練了三組獨立的輸出映射模塊，分別用于預測機械臂全身位姿、未來目標位置與末端執行器位置。

當研究人員設置傳感器短暫失效、目標信號丟失時，儲備池可通過預測值填補缺失信息，在失明時間小于1 秒時性能完全不受影響，即便失明長達 3 秒，控制效果仍優于 LSTM，大幅提升了復雜環境下的魯棒性。

考慮到未來的微型或無纜軟體機器人對于低功耗的需求，研究團隊進一步采用更貼近生物大腦皮層動態的“脈沖神經網絡”（Spiking Neural Networks），并將儲備池部署在英特爾的 Loihi 神經形態計算芯片上。

實驗表明，在保持控制性能不減的情況下，運行在 Loihi 芯片上的脈沖儲備池相比于標準 CPU 實現了高達 75 倍的能效提升。即使與主打低功耗的 ARM CPU 相比，也節約了約 45 倍。

此外，為了驗證系統在真實物理環境中的交互表現，研究人員設置了一個由無規則柱狀障礙物組成的復雜地形，要求機械臂在不規則幾何約束下穿越狹縫并觸達目標。

結果顯示，柔性臂并沒有刻意避開障礙物，而是主動利用自身柔順特性貼合、依靠障礙物，借助被動接觸重構形態，高效穿過復雜障礙到達目標。即便障礙物位置大幅偏移（達到半徑的 500%），訓練好的控制策略無需任何微調，仍能保持超過 50% 的成功率。

目前，研究仍處于仿真階段。未來，團隊計劃將該控制框架遷移到真實物理原型上，探索與生物材料結合的混合系統，并進一步優化儲備池規模以適應更復雜的多臂協作任務。

1.https://techxplore.com/news/2026-05-soft-robotics-ai-cousin-reservoir.html

2.Naughton, Noel, et al. “Neural Reservoir Control of a Bio-Hybrid Soft Arm.” Proceedings of the National Academy of Sciences, vol. 123, no. 17, 2026, https://doi.org/10.1073/pnas.2522094123.

3.https://en.wikipedia.org/wiki/Reservoir_computing

運營/排版：何晨龍

注：封面/首圖由 AI 輔助生成