自然 · 電子：面向多機器人系統的通用群體智能

導語

當多機器人系統走出實驗室、邁向真實世界，通用性成為繞不開的核心命題。于2026年1月發表于在Nature Electronics 的這篇研究提出“通用群體智能（GCI）”，嘗試讓機器人群體像“集體大腦”一樣，在多任務、多變環境與自然交互中靈活應對。通過融合大語言模型與多種方法框架，這一方向或將推動多機器人從專用工具邁向真正可用的開放世界伙伴。

關鍵詞：多機器人系統、通用群體智能（GCI）、開放世界、多任務適應、自然語言交互、層級架構、集體大腦、大語言模型、集中-分布式協同、異構機器人

彭晨丨作者

趙思怡丨審校

論文題目：General collective intelligence for multi-robot systems 論文鏈接：https://www.nature.com/articles/s41928-025-01558-0 發表時間：2026年1月30日 論文來源：nature electronics

論文作者：

引言

提升多機器人系統的通用性，是推動其真正走向開放世界應用的關鍵。而要實現這一目標，發展具備廣泛適應能力的群體智能，或許是必經之路。

多機器人系統研究最早可追溯到20世紀80年代。經過40多年的發展，多機器人系統仍然在很大程度上局限于一些可通過預編程完成的專門任務。它們在開放世界通用任務上的應用仍面臨相當大的限制，這類應用可能會面臨多樣化的目標、不可預見的情況，以及會涉及到頻繁的人—群體交互。因此，實際的可用性是評估多機器人系統的一項基礎且關鍵的指標，很多研究者也指出：“需要更多研究，把機器人群體從實驗室帶到真實世界。”

西湖大學特聘研究員、集智社群深度參與科學家趙世鈺在多機器人系統領域有十余年的經驗，因此對將這些系統轉化到開放世界應用中的挑戰深有感觸。比如，他最近的工作開發了多架微型飛行器（MAV），它們可以利用機載視覺檢測、定位并捕獲目標MAV。然而，為了處理各種邊緣情況，例如目標移出攝像頭視野，或MAV數量發生變化時，仍然需要頻繁修改算法。此外，該系統僅限于目標追蹤任務，無法智能地處理其他相關任務，例如目標搜索或巡邏。人—機器人交互仍然不夠靈活，缺乏對自然語言或其他直觀模態的支持。

因此，把實際可用性置于該領域研究的核心，以創造能夠在開放世界應用中有效工作的多機器人系統，是很有必要的。事實上，從專用到通用的轉變正是近年人工智能發展的核心。特別是大語言模型的發展，提升了跨廣泛任務的通用性，并使人工通用智能（AGI）的理念更接近現實。這一轉變如今也正在擴展到其他領域，包括多機器人系統。

通用群體智能

在多機器人系統中追求通用性，需要研究的是通用群體智能（general collective intelligence, GCI）。GCI這一概念很寬泛，可用于描述社會學、生物學概念，以及近年的AI智能體集體（agentic collectives），但本文聚焦于多機器人系統的GCI。諸如“通用群體（swarm）智能”等術語也可能表達類似含義，但本文不太愿意采用“swarm intelligence（群體智能）”一詞，因為它比較強調從簡單個體到復雜集體的“自下而上”的范式，這與本文所闡述的GCI概念并不一致。

GCI 的特點可以從三個方面來描述（圖1）。第一，多任務：現有系統通常局限于協同追蹤、搜索、運輸或形狀拼裝等專門任務，而 GCI 應能處理具有多樣目標的多項任務，這構成了通用性的本質。第二，新情境：即便是單一任務也包含大量潛在情境，因為機器人數量、個體能力以及環境條件等參數會發生變化。GCI 必須能夠智能地處理不可預見情境，因為對所有可能的情境進行預編程是不現實的。第三，自然交互：GCI應支持多模態的人—機器人交互，特別是自然語言的形式。人類用戶應能靈活指令系統，以指定或修改任務目標，并調整協作策略。

圖1｜GCI的描述、范式與方法論。GCI 可從三個方面描述：多任務、新情境與自然交互。其實現可遵循三種范式之一：面向通用任務的預訓練基礎模型；預訓練基礎模型加上任務特定適配；以及需要從零開始進行任務特定適配的算法。發展GCI將需要整合多種方法，包括基于模型的優化、數據驅動學習與語言模型，以利用它們互補的優勢。

直觀地說，GCI可被視為一種“集體大腦”。具備 GCI 的多機器人系統需要整合多個層級的組件：用于驅動與執行的個體身體（body）；用于感知與控制的個體小腦（cerebellum）；用于認知與規劃的個體大腦（brain）；以及用于協同任務規劃的集體大腦（collective brain）（圖2）。要創建這樣的集體大腦，研究重點可能需要發生三項轉變。

首先，GCI應優先關注高層任務規劃，而非低層協同控制。一方面，這是因為通用性與專用性本質上是沖突的：那些為特定機器人動力學或控制精細調優的系統很難通用。分層結構可能更有潛力做好這種權衡，但層級劃分及其接口需要謹慎設計。另一方面，這種優先級也源于當今多機器人系統開發中分工的必然性：期待一個團隊開發所有組件是不現實的，一個強大的多機器人系統大概率需要整合由不同團隊開發的機器人。如果多機器人協同過度依賴低層機器人動力學，那么系統集成將會困難，更不用說納入新的或異構類型的機器人。因此，GCI 應強調高層規劃，以確保對多樣的底層個體機器人平臺具有靈活性與兼容性。不過也需要指出，分層框架所得到的策略可能不如專用算法產生的策略那樣最優。從基礎角度看，采用層級結構，也是用一定的最優性來交換更強的通用性與靈活性。

第二，GCI 應將集中式協同與分布式執行結合起來，而不是過度強調分布式協同。盡管分布式系統通常因其魯棒性而受到贊譽，但文章提供了不同視角。首先，多機器人系統應當遵循人類指令以完成有意義的任務，而這類任務通常涉及全局目標，因而不可避免需要某種形式的全局或集中式協同——即便這種集中式協同是隱式的。例如，形狀拼裝要求一群機器人形成預先指定的形狀，這確實是一個全局目標。盡管最終策略看上去可能是分布式的，但其人工設計過程本質上是集中式的。此外，多機器人系統始終需要被人類用戶監控，這就需要一個中心監控單元。該單元自然可以作為集中式協調者，而不需要額外專門設備。在許多應用情境中，尤其是民用領域，中心單元并不像人們常以為的那樣脆弱。與其過度強調其脆弱性，不如更重要地關注如何實現通用性。因此，研究者不必害怕采用集中式協同，因為它既自然又是完成有意義任務所必需的。

第三，GCI 可能需要依賴復雜、強能力、異構的機器人，而不是簡單、低成本的個體。以往大量多機器人研究都采用“簡單、低成本個體機器人”的假設，期待復雜的集體行為從簡單的局部交互中涌現。這一范式最初受到螞蟻群、魚群和鳥群等生物集體的啟發。然而，生物個體表面看似簡單，但其本質相當復雜：即便是復制一只螞蟻、魚或鳥的部分能力，當下仍然十分吃力。可以說，對簡單個體機器人的假設在一定程度上阻礙了多機器人系統在復雜真實應用中的落地。之所以采用該假設，一個原因是過去機器人能力有限。而當前個體機器人（如人形、四足與飛行機器人）的快速進展，為實現強大的多機器人系統創造了新機會。

在方法論上，GCI應該擁抱語言模型等新興方法。在機器人領域，將高層任務規劃與低層任務執行進行層級分離并非新鮮事。然而，傳統任務規劃方法主要依賴基于模型的優化，這往往傾向于專用化。很可能需要將基于模型的優化、數據驅動學習與語言模型進行恰當整合。基于模型的優化具有較強的可靠性與可解釋性，但通用性有限；而語言模型與學習方法提供更強的通用性，但相對可靠性與可解釋性較弱（圖1）。這種互補性很有利，提示實際系統很可能采用混合方法。

除方法論之外，還存在若干部署范式（圖1）。一種范式使用單一算法框架，通過最少的參數調節即可自適應處理不同任務。例如，作者團隊近期提出了GenSwarm，一個基于LLM的框架，能夠從自然語言指令端到端地生成、部署并執行多機器人策略，以應對多樣的多機器人任務。另一種范式利用LLM的泛化能力，對策略進行預訓練，使其能在多樣任務中開箱即用。介于兩者之間的范式可能是使用一個跨領域表現良好的基礎策略，再結合在線學習做持續適應。

圖2｜構建具備GCI的多機器人系統。具備GCI的多機器人系統可能需要整合多個層級的組件：用于驅動與執行的個體身體；用于感知與控制的個體小腦；用于認知與規劃的個體大腦；以及用于協同任務規劃的集體大腦。

通過應用創造價值

總而言之，多機器人系統只有在能夠融入我們的日常生活、作為可靠伙伴并幫助解決實際問題時，才能實現真正價值。為實現這一點，研究重點可能需要三項轉變：從低層協同控制轉向更高層任務規劃；從強調分布式協同轉向集中式與分布式協同的平衡整合；從簡單、低成本個體機器人轉向復雜、強能力個體。還應更加強調根植于應用的目標，使方法選擇由這些最終目標所驅動。隨著這些發展，GCI有望推動多機器人系統突破當前專用應用的停滯平臺，進入快速增長的新階段。

群體智能讀書會

如果你對這些反直覺但極有用的現象感興趣——從蟻群搭橋、魚群同步、到無人機集群表演、集群機器人協作、群智優化與多智能體系統、網絡輿論建模研究等——歡迎加入「群體智能」讀書會：我們用動物—人類—機器三條線，希望把群體智能的涌現這件事講清楚、講透徹；用物理學、數理邏輯、多主體建模、計算傳播等多學科視角，去追問同一個核心：集群何以比個體更聰明？群體智能又在何時涌現？

集智俱樂部聯合北京師范大學系統科學學院韓戰鋼教授、暨南大學計算傳播研究中心趙甜芳副教授、新疆大學物理科學與技術學院玉素甫·艾比布拉副教授等來自11所高校的學者，共同發起本次，嘗試用一條普適的線索，把自然界的鳥群蟻群、人類社會的集群行為、以及人工智能時代的多智能體與群智優化，放在同一張地圖上重新理解。讀書會自2026年1月17日開始，安排在每周六下午 14:00–16:00，歡迎所有對群體智能如何涌現、如何被理解、以及如何被設計，感興趣的朋友一起加入：帶著問題來，帶著更有趣的問題去。

詳情請見：

1.

2.

3.

4.

5.

6.

7.

#速遞