“一群巴掌大的微型機器人，在水面上相遇、聚集、離散，它們沒有中央指揮官，卻在混亂中涌現出精妙的集體行為，甚至能自發推動物體、搭起橋梁。

如果你曾在沙灘上堆過沙堡，一定見過這樣的情景：當你不斷添加沙粒，沙堆會突然在某個瞬間發生崩塌，大大小小的沙粒滑坡此起彼伏。有趣的是，這些崩塌的大小和頻率并不是隨機的，小崩塌頻繁發生，大崩塌極為罕見，但它們的統計規律卻驚人地遵循著一種數學模式。這就是“自組織臨界性”（Self-Organized Criticality, SOC）最經典的例子。

自組織臨界性被譽為復雜系統的“普適語法”，它可以解釋從森林火災蔓延、地震活動到人腦神經元放電等諸多現象。簡單來說，SOC 描述的是一個動態系統無需外部精細調參，僅靠內部個體的局部相互作用，就能自發演化到一個“臨界狀態”。在這個狀態下，系統會產生尺度不變性（Scale Invariance），各種物理量的統計分布呈現出優美的冪律分布。

然而，在完全可編程的人工系統中真正實現這一特性，一直是科學界和工程界面臨的挑戰。最近來自清華大學的研究打破了這一僵局，研究團隊設計了一群水面微型機器人集群（Aquatic Robot Swarm, ARS），它們僅靠發光吸引和水波排斥這兩種簡單的物理交互，就自發演化出了自組織臨界態的全部特征。

相關成果已發表在《Science Advances》上。

01.

會“看”會“推”的水上機器人

研究團隊開發了名為“水面機器人集群（Aquatic Robot Swarm, ARS）”的實驗平臺。每個機器人體積僅80立方厘米，漂浮在水面上。它們主要靠振動移動，機器人兩側對稱分布著三層圓形薄膜，薄膜中心的振動電機可以驅動薄膜振動，產生的水波反作用力推動機器人前進。這種運動方式確保了機器人在碰撞或擁堵時不會“卡殼”。

機器人硬件設計與尺寸

機器人“看”世界的方式也很有特色：它們搭載了三個光敏電阻，可以感知同伴發出的可見光方向，從而實現趨光性聚集。同時，振動薄膜產生的水波會形成一種天然的“社交距離”機制，這股水波對鄰近的機器人來說，就是一種物理擾動和排斥力，太近了會被推開，從而抑制無限聚集的趨勢。

于是形成了一個有趣的反饋回路：光信號讓機器人想聚在一起，水波排斥力又阻止它們擠成一團。正是這種長程吸引和短程排斥的局部相互作用，成為了自組織臨界性的土壤。

02.

“雪崩”般的聚集行為

要衡量這群機器人的集體行為，研究團隊引入了一個精妙的概念——“相關簇”。如果兩個機器人距離足夠近（距離小于閾值 ε），且速度方向足夠相似（夾角小于 θ），它們就被認為“直接相關”；而這種相關性可以傳遞，從而將一個個小團體串聯成更大的相關簇。這非常類似于圖論中的連通分量（Connected Components）算法。

ARS相關簇

實驗顯示，當64臺機器人同時啟動，相關簇的大小和持續時間并不是均勻分布的。大多數時候，系統由許多零散的小簇組成，但偶爾也會出現跨越數十個個體的大規模集群，而這種大集群一旦出現便會持續很長時間。統計結果顯示，相關簇的大小分布完美符合冪律，冪指數達到1.68；持續時間分布也同樣是冪律，指數為1.54。這意味著，無論你從哪個尺度去觀察這個機器人群，它都展現出完全一致的統計特征，也就是時空尺度不變性。

更有趣的是，相關簇的平均持續時間與簇的大小也呈現冪律關系，這意味著大簇不僅更龐大，其內部聯系也更持久。研究者還檢測到了典型的1/f噪聲（一種功率譜密度與頻率成反比的信號），這種被稱作“臨界態指紋”的現象，進一步印證了系統處于自組織臨界的邊緣。

03.

穩定的“臨界態”

真正考驗自組織臨界性的，是系統是否能在不同條件下自發回到臨界態，而不需要像調節水溫那樣精確調參。研究團隊分別在物理實驗和計算機模擬中，大幅改變了機器人的亮度和群體密度——在物理實驗中，光強和密度都提高了四倍；在模擬中，更是跨越了從100到10000個體的數量級。

在不同系統參數下的實驗和模擬中，香農熵及相關簇分布

結果顯示，無論參數如何變化，只要光強和密度超過一個極其微弱的閾值，系統總能演化到同一種臨界狀態。研究者用香農熵來量化相關簇多樣性，發現一旦超過閾值，熵值就會收斂到一個固定的數值，相關簇的冪律分布及其指數也保持穩定。這就像一鍋處于沸騰臨界點的水，無論你用的是電磁爐還是燃氣灶，只要火力足夠，它都會自發維持在100℃。

這種“有限尺度標度普適性”賦予了系統極強的魯棒性。即便向水池中投入若干個不發光、只發射紅外信號的“刺激源”，系統依然維持著冪律統計。機器人僅僅因為趨光性圍繞刺激源聚集，卻無意中涌現出了意想不到的能力。

04.

從無序中涌現功能：推箱子、搭橋梁

讀到這里，你或許想問，這能用來做什么？研究者設計了一個巧妙實驗。

他們在水體中放入一個被動刺激源，一個不發光、不移動的圓柱體，但它會均勻發射紅外信號。機器人的紅外接收器能感知這個信號，并根據信號強度調整自身可見光亮度。結果，機器人群體自發形成了指向刺激源的亮度梯度，整個子集群開始向刺激源移動，并持續推動它。數據顯示，刺激源以平均0.63厘米/秒的速度穩定移動。一群完全沒有被編程“推物體”的機器人，僅僅依靠局部規則，就涌現出了集體搬運行為。

刺激源擾動下的ARS系統

更令人驚嘆的是，刺激源的引入并沒有破壞系統的臨界性。相關簇的大小和持續時間分布，依然遵循完美的冪律。系統在“干活”的同時，依然保持著自組織臨界狀態。

當放置多個固定刺激源時，更多涌現行為出現了：機器人自發聚集在刺激源周圍形成高密度區域；在兩個相距40厘米的刺激源之間，機器人甚至“建造”了一座持續穩定的橋梁結構。

05.

從物理學原理到群體智能

這項研究的啟示是多維度的。

對于復雜系統科學，它提供了一個可控的實驗平臺。傳統自組織臨界性研究多依賴于計算機模型（如著名的沙堆模型）或被動觀測（如地震數據）。如今，研究者可以在物理世界中實時調整參數，觀察臨界態的演化、擾動響應和相變過程。

對于機器人學，它展示了一條通向群體智能的新路徑。傳統群體機器人通常需要明確的通信協議或復雜的協同算法。而這項研究表明，通過物理場（光場、流體力場）的隱式耦合，簡單的局部規則就能涌現出全局智能行為，并且無需中央控制，無需顯式編程。

這在微型機器人領域尤其有前景。當機器人小到無法搭載復雜計算單元時，“用物理交互替代算法”可能成為實現群體智能的關鍵。