几天前，佛蒙特大学的研究人员推出了第一个“活的”机器人，这被认为在2020年让许多人感到惊讶。可以在水中生存的整个青蛙基因是自我驱动的，并且可以被“编程”.这一系列关键词听起来似乎没有有机体出现。属于生物学的21世纪终将到来。总有一天，生化危机会在科学家的握手下诞生.

当然，经过几天的解释和消化，我相信大家对整个事件的态度也趋于平静。今天，我们的话题是我们是否能从所谓的活机器人的成功中找到一些普遍的新发展。

《孢子》尚未实现：科学家在实验室绣花

当然，充满幻想的话题应该从祛魅开始。

如果用一句话来解释这个问题，科学家们已经从非洲爪蟾胚胎中分离出干细胞并进行培养。它们结合了具有自主伸展和收缩能力的心肌细胞和作为杠杆实现连续运动能力的表皮细胞。他们通过超级计算进行了大量的实验模拟，最终选择了组合形式，使两个细胞组合的复合细胞能够实现定向运动。

这种“机器人”最重要的优点是，随着寿命的结束，它可以自然降解，不会造成污染。当然，游客不必担心，因为没有生殖系统使这些机器人没有生殖的可能性，而且基本上没有想象中的科苏鲁世界被“烂肉”占据的可能性，因为粗心的操作。而且细胞没有神经系统，更别说思考了，就连反射的一面都不能被触及，人造生物可以醒来攻击人类的梦。

除了这些想象中的负面影响，活着的机器人的应用价值可能不那么容易实现。

在论文中，研究人员提到了清理海洋中的微型塑料垃圾、为细胞设计用于人体精确给药的小袋、清理血管斑块等的效果。从理论上讲，如果有一种可生物降解的细胞有机体能够通过编程改变其形状并自动驱动其运动，它似乎真的能达到上述能力。

然而，从实际情况来看，这个未来还是比较遥远的。例如，设计用于细胞的囊袋以实现精确治疗，尽管用于细胞的囊袋的设计已经在计算模拟中实现，但是科学家不能在现实中复制它。至于清洗血管甚至废水，需要大量这样的细胞机器来实现。

那么科学家是如何制造这些细胞机器人的呢？

答案不是像游戏《孢子》那样通过输入几行代码就可以产生不同的细胞组合，而是你可以像刺绣一样在显微镜下使用镊子。因为包的设计无法实现，所以不需要发生意外。

工程能力的限制决定了蜂窝机器人不能在短时间内大量生产，更不用说平衡成本和利益的商业应用了。

从细胞机器人到细胞编辑系统

总的来说，这一科学研究结果在本质上仍然是学术性和实验性的，只是因为“活机器人”的概念太过令人震惊，从而引起了媒体和普通人的过度反应。事实上，没有必要为此恐慌或兴奋。

事实上，在这个实验中，还有另一个被忽略的主导角色，那就是提供计算能力的超级计算机是深绿色的。

不难发现激活复合细胞的原理并不难33，354自然收缩的心肌细胞加上杠杆作用。那么为什么这个实验结果会出现在今天呢？

原因在于类似复合生物学实验的工程难度。如上所述，将细胞结合在一起需要科学家手动操作显微镜。实验的时间成本、金钱成本和人力成本都很高。这也决定了上层设计应该尽可能的精确，从而在工程层面上减少“尝试”。

在上层设计中，如何将具有不同“姿势”和“比例”的不同细胞组合起来，以及细胞如何在具有不同纹理的不同介质中移动，取决于进化算法下的大量计算。实验中的最终运动模式来自进化算法下的大量模拟结果。

佛蒙特大学研究结果的另一个关键点是，模拟细胞运动和环境的系统是通用的。换句话说，如果你想在另一个环境中模拟另一个单元的性能，你只需要对计算系统进行模块化的改变。

这种方法就像将工业领域的数字结对概念引入生物科学，避免了无数失败的实验，减少了复杂的实验设计过程。生物科学研究的效率大大提高了。基于强大的计算能力和积累的成功案例，未来不可能引入更丰富的算法能力，并通过神经网络的黑盒来模拟更强大的复合细胞模型。即使它不能在短时间内在工程层面实现，它至少为未来指明了方向。

这个实验只是超级计算和生物科学合作的第一个典型案例。

人类的生物数字梦想正在从黑色变成甜蜜。

我们经常可以从生物老师那里听到一些不太严格的陈述，比如“不管机器有多复杂，它都没有细胞复杂”或者“人是最高级的代理人”。事实上，这些陈述的核心点是——生物体的复杂性，这使得它很难进行数字复制和模拟。

事实上，在计算机科学发展的历史上，无数人试图用数字方法来模拟生物学。其中包括2014年启动的众筹项目Wormsim。由于其有限的计算能力，科学家们选择了一种只有大约300个神经元和1000个细胞的秀丽隐杆线虫来对其大脑和神经系统进行数字模拟，以实现蠕虫遇到障碍时的基本神经反射运动。例如，在追求人工智能的过程中，联结主义学派的思想来源是基于对人脑中众多相互联系的神经元的模拟。2013年，欧盟还领导26个国家和135个科研机构创建了“人脑计划”，试图通过超级计算完全模拟人脑。

当然，这些计划在脑科学、计算能力、存储能力等方面经常受到限制，而且它们只是被尝试过或者完全失败了。

目前，以异种机器人为代表的生物超级计算大多选择了折衷的解决方案，而不是模拟过于复杂的大脑或神经元系统，来选择相对简单的细胞、基因等。更注重实验计算过程的模块化和可重用性，而不是实验结果的应用，从而为整个行业提供更有价值的参考。

该模型已经在一些生物科学领域得到应用，特别是在合成生物学领域。例如，北德克萨斯大学的研究小组使用了德克斯高级计算中心的超级计算设备来模拟基因编辑的整个原子分子动力学，使得基因编辑切割DNA时更容易控制。我相信，经过这一消息的洗礼，更多的超级计算中心将拥抱生物科学，促进双方的合作。

此时此刻，所谓的活机器人并不会被“邪恶的科学家”用来在未来毁灭人类，但真正到来的是对生物学、超级计算和人工智能等跨学科领域人才的需求。如何为超级计算平台创造更加便捷的开发工具，一批智能计算人才是否会出现在生物科学领域，人工智能企业是否会有挖掘生物研究场景所需的数据支持，都是值得我们思考的问题。

那些能够改变世界的创新通常不会在一个未知的实验室中突然脱颖而出，而是一个整体，甚至是数不清的行业相互合作创造，最终齿轮转动。

在长征中，异种机器人的出现只有几百米。