如果能在物質層次上直接實現計算需要，而不使用基于馮·諾依曼體系結構的集中式處理信息方式——將數據從內存移到處理器再移回來，這樣一方面大大提高了計算速度，另一方面還省去了大量的功耗。

　　這是人工智能之后，智能物質崛起的圖景。

　　近日，來自德國明斯特大學和荷蘭特文特大學的科學家團隊在《自然》(Nature)雜志上發文《智能物質崛起》對“智能物質”進行了概述，論文回顧分析了當前業界利用分子系統、軟材料和固態材料等實現智能物質的進展，以及在軟機器人、自適應人工皮膚和分布式神經形態計算方面的實際應用。以下為作者原文選摘。

　　什么是智能?

　　通常情況下，我們可以將智能理解為感知信息并將其轉化為知識儲備的能力，如此便可在不斷變化的環境中完成適應性行為。研究人員認為“智能”概念包含兩個主要特征：第一，學習能力;第二，適應環境的能力。

　　
 

　　迄今為止，這兩種能力大多存在于生物體中。然而，即使這種我們在這里稱之為智能的物質沒有表現出與心理學意義上理解的智力相同的水平(包括，例如，認知能力或語言能力)，它的功能也將遠遠超過靜態物質的屬性。

　　潛在應用的例子包括，能夠自我調節溫度和吸光度的人造皮膚，根據穿著者的感覺可以變成保暖或降溫衣服的智能服裝，以及具有智能觸感的柔軟機器人。

　　然而，由于在高階人工智能應用程序中需要處理大量的數據，以中心化的方式規范智能物質的行為將非常具有挑戰性。特別是基于馮·諾依曼體系結構的傳統計算機的集中信息處理將很快達到極限，其將數據從內存轉移到處理器并返回不僅大大降低了計算速度，而且還需要大量的電力消耗。

　　因此，新的方法和計算模式需要直接在問題一級實現，即允許對數據進行局部預處理。通過這種方式，智能物質本身可以與環境相互作用，自我調節其行為，甚至從外界輸入的信息中學習。

　　對于智能物質的開發設計來說，來自大自然的靈感非常有價值。天然物質的宏觀功能來自復雜的內部構造，以及分子、納米尺度和宏觀尺度構建塊的相互作用。而在人工物質中，自下而上和自上而下方法的結合，可使得體系結構具有各種新穎的特性和功能。

　　研究人員認為，可以通過用分層的方式定義人工物質的智能。比如，通過結合四個關鍵功能元件來實現智能物質：(1)傳感器與環境交互并接收輸入和反饋;(2)執行器對輸入信號做出響應并調整材料的性能;(3) 用于長期存儲信息的存儲器;(4)用于處理反饋的通信網絡。

　　理想情況下，這些元素可形成功能性的處理連續體，它不需要集中的處理單元，而是提供本地和分布式的信息處理能力。

　　
 

　　從結構到功能和復雜性日益增加的智能物質的概念轉換：合成后不能改變其性質，如純硅;光響應記憶合成材料向日葵環境自適應的打開和關閉;章魚的觸手，帶有嵌入式傳感器、執行器和神經系統(來源：Nature)

　　最基本的結構物質，它可能包含高度復雜但靜態的結構，在合成后不能改變其性質。而反應性物質能夠改變其特性(形狀、顏色、硬度等)，以響應外部刺激，如光、電流或力。

　　目前，科學家們正在推進從反應性物質到適應性物質的發展。適應性物質具有處理內外部反饋的固有能力，可對不同的環境和刺激做出反應，這一定義與“類生命材料”異曲同工，即受生物和生命物質啟發的合成材料。

　　超越適應性物質之后，最終必將推動智能物質的發展。智能物質可以與環境互動，從輸入數據中學習，并自我進化。學習是由一種固有的記憶功能所支持的，即獲得的知識或技能被長期存儲為經驗，并可以回憶起來產生未來的行為。因此，智能物質包括了所有四個功能要素(傳感器、執行器、網絡和長期記憶)，并能顯示出最高水平的復雜性和功能性。

　　
 

　　那么智能物質的發展軌跡是什么?由此出發，智能物質近期發展的可能趨勢會是什么樣的?研究人員做了如下解答。

　　第一種，基于群集的自組織材料(如納米粒子組裝體、分子材料)。

　　復雜行為的一種突出形式，就是依賴于群體或群體中大量個體的集體互動。在這樣的系統中，多個單獨響應的實體會以一種特殊的方式自組織和通信，進而實現大規模的適應性現象。自然界中，這種行為通常在昆蟲群落、魚群、鳥類甚至哺乳動物種群中可以觀察到。

　　基于這種理念，在微觀尺度上思考智能物質的實現尤其有趣。例如，集群機器人，一大群小機器人相互作用，每個小機器人大約一厘米高，能力有限，但它們可以排列出復雜的、預定義的形狀。

　　
 

　　自主機器人的自適應群體行為和膠體簇(來源：Nature)

　　當考慮到納米尺度上的群體行為時，類似的邏輯仍然可用，例如納米粒子組裝體，在自組裝材料系統中，弱耦合和高動態組分之間的局部通信以粒子的形式發生粒子相互作用。

　　基于鏈形成、結構納米顆粒之間的排斥流體和吸引磁相互作用，并根據初始形狀，微群可以執行可逆各向異性變形、具有高模式穩定性的受控分裂和合并以及導航運動，但這些形狀自適應依賴于外部程序員的輸入、磁場控制等，因此粒子本身不會顯示出智能行為。

　　適應性行為也在合成分子系統中被發現，反饋來自反應網絡和耦合分子間的相互作用。此外，有關自我復制分子大小的信息傳遞是可以觀察到的，從祖先到后代的復制子，這種行為與生物學中的規范有些相似。

　　然而，這類物質中缺乏記憶，這使得物質沒有從過去事件中學習的能力。

　　第二種，軟物質的實現(如反應性軟物質、嵌入內存的軟物質、適應性軟物質)。

　　在生物系統中，柔軟性、彈性和柔順性是顯著的特征，軟體動物能夠在擁擠的環境中實現連續變形，天然皮膚也表現出基本智能的顯著特性，包括力、壓力、形狀、質地和溫度的觸覺、觸覺記憶乃至自愈能力。

　　軟機器人領域的目標就是將這些特性轉化為軟物質實現。軟體機器人能夠通過調整形狀、抓地力和觸覺來模擬生物運動。與剛性材料相比，由于材料的符合性匹配，當它們與人類或其他易碎物體接觸時，傷害風險大大降低。

　　軟物質包含反應性軟物質，最常見的驅動是形狀和柔軟度隨輸入的變化。

　　一個典型例子是由硅橡膠基質組成的自給式人工肌肉，其驅動依賴于液體嵌入乙醇微氣泡加熱時的汽相轉變，這種反應靈敏的人工肌肉能夠反復舉起6公斤以上的重量。

　　
 

　　響應軟物質和軟物質嵌入記憶功能(來源：Nature)

　　另一個案例是基于DNA雜交誘導的雙交聯響應性水凝膠，在外部DNA觸發器的幫助下，通過局部控制材料的體積收縮來模仿人手的手勢。還有利用摩擦電效應研發的人造皮膚，可以主動感知被觸摸物體的接近、接觸、壓力和濕度，而無需外部電源，皮膚可自主產生電響應。

　　還有科學家利用陽離子和陰離子選擇性水凝膠膜的微型聚丙烯酰胺水凝膠室之間的離子梯度，制造出“人工鰻魚”，采用可伸縮的堆疊或折疊幾何結構，在同時激活數千個串聯凝膠室后產生110V電壓，不同于典型的電池，這些系統具備柔軟、靈活、透明和潛在的生物相容性。

　　嵌入內存的軟物質，這一類功能性軟物質結合了物質記憶和感知能力。有科學家在一種機械雜化材料中已驗證這一概念，其中電阻開關器件作為剛性聚合光刻膠(SU-8)島上的存儲元件，該島嵌入可拉伸聚二甲基硅氧烷(PDMS)中，在聚二甲基硅氧烷上蒸發的金薄膜中的微裂紋同時起著電極和應力傳感器的作用，這種運動記憶裝置允許基于應力的變化和隨后的信息存儲來檢測人類的四肢運動。

　　此外，自愈也是軟物質的一種重要特性，允許材料在受到干擾/彎折后迅速恢復其原始特性，這也是消除過去創傷記憶的一種方法，有科學團隊報道了一種有機薄膜晶體管，這種晶體管是由可拉伸的半導體聚合物制成，即使在移動的人體肢體上折疊、扭曲和拉伸也能正常工作，且這種聚合物在特殊溶劑和熱處理后能夠自我修復。

　　信息處理通常還涉及計數，這需要一個感知能力以及一個存儲最新值的存儲單元，有科研團隊提出了一種基于后續生化反應計算物質的設計概念，可根據檢測到的光脈沖數，通過釋放特定的輸出分子或酶來實現實際的計數過程。

　　適應性軟物質除了傳感和驅動之外，還包括精確定制的化學機械反饋回路。自適應軟物質的一個實現方法就是有科學家提出的自主粒子運動模型系統，它包含了傳感和驅動的優雅組合，并通過反應網絡耦合，例如有一種材料可調節囊內氧氣泡的生長和收縮，從而導致有效浮力的對抗性調節，實現膠體在水中的酶驅動振蕩垂直運動。

　　第三種，固態物質實現(如神經形態材料、分布式神經形態系統)。

　　目前，固態材料的信息處理技術要先進得多，例如傳統的計算機核心是由物理設備(如芯片晶體管)構建的。非傳統計算超越了標準的計算模型，特別是生物，可以被認為是非傳統的計算系統。

　　可編程和高度互聯的網絡特別適合執行計算任務，而大腦啟發或神經形態硬件旨在提供物理實現。盡管在半導體行業自上而下的制造中，使用成熟的半導體材料，使神經形態硬件(例如Google的張量處理單元)得以實現，但利用納米材料的自下而上方法，可能為非常規、高效計算提供新途徑。

　　研究人員認為，結合上述各類物質的實現路徑，混合方法可能會最終導致智能物質的實現。

　　如用相變材料模擬神經形態計算系統，已經成為腦啟發或神經形態硬件的關鍵促成因素，允許在人工神經網絡中實現人工神經元和突觸，利用它們通過焦耳加熱在非晶態或晶態下的可編程性來實現快速、可訪問的室溫非易失性存儲器功能。

　　相變材料的記憶行為進一步使得其適合于大腦啟發的計算，其中它們通常體現了突觸權重或非線性激活功能。此外，二維(2D)材料，例如石墨烯、二硫化鉬、二硒化鎢或六角氮化硼，也出現在神經形態器件的實驗中，從而允許設計緊湊的人工神經網絡。

　　最近的一項研究表明，可以在77K溫度下對硅中硼摻雜原子的無序網絡進行非線性分類和特征提取。另有多項研究結果表明，利用納米電子器件的深層神經網絡模型，可以通過梯度下降的方法對器件進行有效的調整，從而完成各種分類任務，而不是通過人工進化來實現功能。

　　
 

　　神經形態材料和系統(來源：Nature)

　　這些工作揭示了利用物質固有的物理性質在納米尺度上可實現高效計算的潛力。

　　值得關注的是，在神經形態系統中，信息處理和記憶是共局部化的，這與傳統的馮諾依曼結構有著嚴格的區別。有一項研究是光學神經網絡模型，因為光本身可以通過與物質相互作用或干擾自身來進行計算，而不需要預先定義路徑，此外，這種模型允許以光速(在介質中)進行數據處理，并且與電子設備相比功耗極低。

　　當光通過不同的衍射層傳播時，信息被同時處理，類似于人類皮膚中的數據在通過神經系統傳輸到大腦之前的預處理。

　　此外，研究人員還認為，每一個物質型儲層都有其自身的物理問題，可以使用材料學習讓儲層從系統中浮現出來，而不是將材料基質設計成一個好的儲層。

　　對于智能物質的未來發展，研究人員認為難點在于開發制造、放大和控制智能物質的有效方法。

　　智能物質必須包含具有相當程度的共焦自由度、遷移率和納米級成分交換的動態材料。這意味著納米級組件之間的相互作用必須足夠弱，才能被外部刺激操縱。此外，這類物質必須表現出納米級成分的某種程度的內部組織，這樣才能嵌入反饋和長期記憶元件，且為了充分接收和傳輸外部輸入，需要具有空間和時間精度的可尋址性。這些要求在很大程度上可能是矛盾的，而且可能不兼容。

　　顯然，智能物質的關鍵元素更容易在不同的材料類型中分別實現，研究人員們希望混合解決方案能夠解決不兼容的問題。

　　那么解決方案如何設計呢?研究人員有一個設想。

　　首先，需要演示者和設計規則來開發具有固有反饋路徑的自適應物質，通過集成納米級構建塊，實現自組裝和自上向下制造的納米結構的可重構性和自適應性;

　　然后，必須從能夠處理反饋的適應性物質開始，發展到具有學習能力的物質(“學習物質”)。這些材料將通過嵌入式記憶功能、基于材料的學習算法和傳感接口來增強;

　　另外，還需要從學習物質發展為真正的智能物質，通過感官接口接收來自環境的輸入，通過嵌入式記憶和人工網絡顯示所需的響應，并通過嵌入式傳感器對外部刺激作出響應。

　　因此，智能物質的發展將需要協調一致、跨學科和長期的研究努力。

　　最終，考慮到整體性能是組件和連接的集體響應，那么完整的系統級演示對于加快智能物質的使用是必要的。智能物質的各種各樣的技術應用可以預見，其中尤為具有吸引力的是與現有的AI和神經形態硬件的協同集成。在這方面，在生命科學和生物控制論中的應用也需要生物相容的實現。