医学人工智能的发展
强大的医疗健康需求、丰厚的数据技术积累，让“AI+医疗”一直以来备受各界关注。
人工智能是当今科技界最热门的领域，而医学人工智能更是热门中的热门。谷歌、微软、IBM、百度等科技巨头都积极布局智能医疗产业，美国麻省理工学院、斯坦福大学、卡内基梅隆大学以及我国的清华大学等知名学府均把医学人工智能作为未来发展重点，美国、中国、日本、英国等世界各国人工智能计划也都把医疗作为重要的应用领域。
专家系统与智能诊断
专家系统(ExpertSystem，ES)是人工智能一个重要的分支学科，是一种根据专家专业知识和工作经验，用于求解专门问题的计算机系统。医疗诊断正是一项典型的专家任务。因此，医学专家系统是应用较早、使用广泛、卓有成效的人工智能技术。
●专家系统的发展
专家系统的发展曾红极一时，如今却沉寂无闻。专家系统一般包含6个部分：知识库、数据库、推理机、用户交互层、解释器和知识获取模块，因需求的不同而具有不同的结构。其中，知识库和推理机是系统结构的核心部分。知识库是将专家的知识准确、简明、有效地转换成机器理解的语言，常用的方法主要有产生式表示法、框架表示法和语义网络表示法。推理机是专家系统的“思考”结构，通过模拟专家思维过程进行问题求解，主要方式分正向推理、反向推理以及正反向混合推理。
专家系统技术上经历了孕育、产生、成熟和发展等4个阶段。1956年，美国达特摩斯(Dartmouth)学术会议召开，“人工智能(ArtificialIntelligence)”术语首次采用，标志着人工智能学科正式诞生。其后，人工智能分别在3个方向上迅速得到发展：一是机器思维，如机器证明、机器学习等启发程序，以及化学分析、医疗诊断等专家系统;二是机器感知，如机器视觉、机器听觉等文字、图像识别、自然语言理解，以及感知机、神经网络等;三是机器行为，如具有自学习、自适应、自组织特性的智能控制系统、控制论动物和智能机器人。1965年，美国斯坦福大学计算机科学家费根鲍姆(EdwardFeigenbaum)开始研制世界上第一个用于推断化学分子结构的专家系统DENDRAL，标志着人工智能学科中“专家系统”分支学科即将孕育而生。1968年，DENDRAL成功问世开启人工智能一个新的分支“专家系统”。
20世纪70年代，专家系统技术已经成熟，并广泛用于其他领域。斯坦福大学的肖特利夫(EdwardH.Shortliffe)等人自1971年开始。1976年完成了第一个用于血液感染病的诊断、治疗和咨询服务的医疗专家系统MYCIN。斯坦福研究所的杜达(RichardO.Duda)等人自1976年开始。1981年完成地质勘探专家系统PROSPECTOR。1977年，费根鲍姆提出“知识工程”概念，大大推动了基于知识的专家系统及其开发工具的发展，如骨架型专家系统开发工作EMYCN、KAS等，知识获取辅助工具TEIRESIES、SEEK等，通用知识表达语言LISP、PROLOG等。
20世纪80年代，专家系统开始走出实验室进入市场。1981年，英国赫特福德大学教授克洛克森(WilliamF.Clocksin)出版了《PROLOG语言编程》。1982年，第一个商用专家系统R1在数据设备公司(DEC)成功运行。1983年，美国斯坦福大学教授海斯罗思(BarbaraHayes-Roth)出版了《建立专家系统》。1985年，美国加利福尼亚大学教授哈蒙(PaulHarmon)出版了《专家系统：人工智能业务》。据统计，差不多1星期就会有一个这方面的公司诞生，专家系统及其工具在越来越商品化的过程中形成一门旨在生产和加工知识的知识产业，专家系统迎来了自己的“黄金时代”。
但是，由于专家系统应用领域过于狭窄，知识获取“瓶颈”和不确定性常识推理等困难，20世纪80年代后期商业需求锐减，以专家系统所代表的人工智能迎来历史最寒冷的“冬天”。20世纪90年代，专家系统开始进入缓慢发展时期，研究转向了与知识工程、模糊技术、实时操作技术、神经网络技术和数据库技术等相结合的发展方向。
●专家系统在医学领域的应用
医学一直是专家系统应用最有效的领域。人工智能几乎一诞生就应用于医学领域。1954年，美国华人科学家钱家其就使用计算机计算剂量分布、进行放射治疗。1959年，美国乔治敦大学教授莱德利(RobertS.Ledley)首次应用布尔代数和贝叶斯定理建立了计算机诊断的数学模型，并成功诊断了一组肺癌病例，开创了计算机辅助诊断的先河。1966年，莱德利正式提出了“计算机辅助诊断”的概念(ComputerAidedDiagnosis，CAD)。1968年，DENDRAL专家系统诞生。不久，MYCIN医学专家系统就研制成功。该系统首次采用知识库、推理机系统结构，引入“可信度”概念，进行非确定性推理，对用户咨询提问进行解释回答，并给出答案的可信度估计，形成了一整套专家系统的开发理论，为其他专家系统的研究与开发提供了范例和经验。
其后，医学专家系统逐渐成为医学领域内的一个重要分支领域，并在20世纪80年代达到高潮，出现了大量的综合医学专家系统。1977年，美国拉特格尔斯大学的韦斯(SholomWeiss)等人最早提出一个专家系统可用于多个领域，并把开发出的专家系统命名为CASNET，用于治疗青光眼疾病。1982年，美国匹兹堡大学的米勒(RandolphA.Miller)等人发明了著名的Internist-I内科计算机辅助诊断系统，其知识库包括了572种疾病，约4500种症状，以及10万种疾病与疾病表现之间的联系，拥有当时最大知识库。1991年，美国哈佛医学院的巴尼特(OctoBarnett)研制了DXplain软件，包含了2200种疾病和5000种症状。
20世纪90年代，医学专家系统逐步发展成为针对某一种或一类的疾病的专项专家系统。1990年，美国南伊利诺伊大学的乌姆博(ScottE.Umbaugh)开发的皮肤癌辅助诊断系统，使用自动感应工具产生规则来确定多变的皮肤颜色。1993年，美国哈佛医学院的研究人员构建了动态影响图的实时系统，用于诊断急性腹痛疾病。1994年，英国普利茅斯医学院的基思(RobertD.F.Keith)采用人工神经网络技术开发了智能胎心率宫缩描记图(Car-diotocography，CTG)计算机辅助分析系统，获得满意的效果。1995年，美国俄勒冈健康与科学大学伯恩多夫(NormanI.Birndorf)等人将规则和人工神经网络理论相结合，构建一个混合的专家系统用于评估小红血细胞性贫血疾病。1996年，美国巴特勒大学的林恩(LynnLing)建立了一个典型的艾滋病专家诊断系统。这些专家系统促进了医学科学的发展。进入21世纪后，专家系统进展缓慢，医学专家系统取得的成果也不多。
我国医学专家系统研究始于20世纪70年代末期。1978年，北京中医医院的关幼波与电子计算机室的科研人员，根据自己的辨证施治经验，研发出肝病诊疗程序，在国内率先把中医学与电子计算机技术结合起来，开创了我国第一个医学专家系统。1981年，中国科学院成都计算机应用研究所和成都中医学院共同研制成功了中医痹症计算机诊疗系统，完全符合率达96.88%。但是，以上两个系统没有明确的知识库和推理机概念，更多的是直接模拟诊断，缺乏灵活性。
20世纪80年代，专家系统在中医领域得到迅速的推广。1982年，宇文贤设计实现了基于滋养细胞疾病的诊治的一种计算机诊断医疗专家咨询系统。1983年，张志华利用计算机辅助实现基于医学上常见的盆腔子宫内膜异位症的诊断。此后，各种名称的中医专家系统如雨后春笋般涌现，达到鼎盛时期，据统计有140多个。
20世纪90年代，我国专家系统应用进入西医领域，发展渐缓。1990年，华西医科大学口腔医学院的魏世成等人开发出颞颌关节紊乱综合征专家系统。1997年，李雪荣等组建了一个儿童心理障碍标准化诊断与治疗的人工智能专家系统。1998年，张玉璞设计并实现了基于波形分析的心血管疾病诊断的专家系统。2000年，哈尔滨工程大学的刘长征等人研发神经内科疾病诊断与治疗专家系统，用于神经内科疾病诊断与治疗。2001年，南京大学生物医学物理研究所与江苏省人民医院的石晓东、仲远明等研发耳穴信息智能识别系统，通过识别人体耳穴电学特征量筛检上消化道癌。2002年，武汉理工大学的吴钊等人研发了模糊口腔癌症诊疗专家系统，用于口腔癌症诊断与治疗。2003年，山西医科大学的吕晓燕、郭建军等研发了胃癌诊断专家系统，用于胃癌的临床诊断。2005年，中国科学院沈阳自动化研究所与中国科学院研究生院的曾文、刘尚辉等人开发了结核病诊断专家系统。2006年，山西医科大学与中北大学的葛学军、李冰等人开发了口腔牙周病诊断专家系统，集合口腔牙科专家知识，用于口腔牙周疾病诊断。2008年，深圳市人民医院开发出了用于对于人体血气中酸碱度的检测分析计算机辅助专家系统。至此，短短30年，除西藏、宁夏、海南、香港、澳门之外，我国其他29个省区市都先后开展或涉足了中医专家系统的研究，开发了多种多样多功能的医学辅助诊断治疗系统，先后研制出220个中医专家系统和开发工具。但是，真正能够为医生所接受并且投入临床使用的医学专家系统少之又少。
机器学习与智能影像
机器学习与专家系统一样，都是人工智能机器思维研究进路的一个分支，主要是模仿人类学习的思维过程而实现自主学习，并做出判断与决策。医学影像数据的日益丰富、医学影像人员的极端匮乏以及数据分析的单调枯燥，使医学影像成为人工智能最热门的方向之一。
●机器学习的发展
机器学习的发展几经沉浮、如今再成热点。逻辑推理和类比联想是人类学习性思维的典型特点。模拟人的思维进行自主学习成为人工智能专家一直努力的方向。1949年，加拿大心理学家赫布(DonaldHebb)在其著作《行为的组织》中首次提出了基于神经心理的学习理论，标志着机器学习领域迈出了第一步。1952年，被誉为“机器学习之父”的塞缪尔(ArthurSamuel)设计了一款西洋跳棋程序，通过模拟塞缪尔本人及其他高手的下棋策略与方法，积累经验和教训，向高明的对手或通过棋谱进行学习，不断提高人工智能水平，终于在1959年击败了它的设计者，并在1962年战胜了美国一个州的跳棋冠军，在世界上引起了不小的轰动。1957年，美国康奈尔航空实验室的罗森布拉特(FrankRosenblatt)利用赫布理论模拟人脑的运作方式，创造了“感知机(Perceptron)”，能够进行简单的文字、图像和声音识别。感知机在20世纪60年代初期曾经盛行一时，据估计至少有近百个研究机构和公司从事感知机的研究与开发工作。
然而，无论是以“跳棋程序”为代表的逻辑符号主义学派，还是以“感知机”为代表的神经联结主义学派，都遇到了各自的技术瓶颈，并受到电子技术水平的限制，不仅使机器学习止步不前，而且使人工智能在20世纪60年代中期至70年末遭遇了第一次寒冬。感知机最大的问题就是对复杂图像的感知能力低、对非线性分类识别问题缺乏有效学习方法。1986年，美国科学家鲁姆哈特(DavidRumelhart)和维伯斯(PaulWerbos)研制出被称为“反向传播”神经网络(BackPropagation，BP)的多层感知机，解决了非线性感知与复杂模式识别的问题，给机器学习带来了新的希望，掀起了基于统计模型的机器学习热潮。
到了20世纪90年代，以BP为代表的浅层学习算法模型进入了黄金时代，各种各样的学习模型被相继提出，并得到实际运用。1990年，美国计算机科学家夏皮雷(RobertE.Schapire)最先构造出一种多项式级的Boosting框架算法。1995，俄罗斯统计学家瓦皮尼科(VladimirVapnik)和丹麦计算机科学家科尔特斯(CorinnaCortes)提出支持向量机算法(SupportVectorMachines，SVM)。1997年，IBM公司的超级计算机深蓝(DeepBlue)战胜堪称国际象棋棋坛神话的加里?卡斯帕罗夫，震惊世界。2001年，美国统计学家布赖曼(LeoBreiman)提出决策树模型(RandomForests，RF)。但是，BP算法也存在着随着神经网络层数的增加而梯度逐渐消失的严重缺陷。2006年，“神经网络之父”欣顿(GeoffreyHinton)提出神经网络深度学习(DeepLearning)算法，解决了这一问题，使图像、视频、语音和音频的处理带来了突破，引燃了深度学习在学术界和工业界的浪潮。2011年，微软公司首次将深度学习方法应用在语音识别领域中，取得了较好的效果。2012年，谷歌的X实验室开发了一种机器学习算法，可以自动浏览和找到包含猫的视频。2014年，Facebook公司开发了一种名为DeepFace的算法，能够识别或验证照片中的个人，其准确度与人类相当。2016年，谷歌旗下的DeepMind公司基于深度学习的算法开发研制了AlphaGo程序，战胜了围棋冠军李世石，掀起了机器学习发展和应用的浪潮。
●AI与医学影像的结合
AI与医学影像的结合起步很早却难有大的突破。医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。自第一张X光片出现后，随着20世纪科学技术的发展，逐渐形成了以X射线、CT、磁共振成像、超声和核医学等为代表的多种医学影像技术设备，成为医疗绝大多数数据的来源。
人工处理的困难与枯燥，使人们很早就想利用AI解决这些问题。1963年，美国放射学家洛德威克(GwilymS.Lodwick)等人提出X光片数字化的方法。1966年，莱德利正式提出了“计算机辅助诊断”的概念(CAD)，希望通过计算机来减轻医生的工作负担。1972年，CT的临床使用开创了医学影像数字化的先河。之后，MRI、CR、DR、ECT等数字化医疗设备的产生，推动了医学图像资料的存储、传输系统(PictureArchivingandCommunicationSystem，PACS)的发展。因此，1982年，美国放射学会(ACR)和电气制造商协会(NEMA)决定共同成立一个称为ACR-NEMA的委员会，致力于制订医学影像设备间共同的通信交流规范。1985年和1988年，ACR-NEMA发布了两套规范(ACR-NEMA1.0和ACR-NEMA2.0)，并于1993年发布了一套统一的规范，正式命名为DICOM3.0，详细地规定了医学图像及其相关信息的传输协议。
虽然图像存储与传输标准有所发展，但是AI与医学影像的结合仍然困难重重。例如，医学专家系统在诞生后，虽然在20世纪80年代红极一时，但一直难于应用在医学影像领域。造成AI与医学影像难以结合的主要原因是视觉系统成像模糊、人体组织结构或功能的复杂性及传统算法的局限性。2006年，深度算法的出现为图像识别带来突破性的进展。2012年，欣顿使用多层卷积神经网络结构，将图像识别错误率突破性地从26.2%降低到了3%，让深度机器学习进入工业和医疗的领域。2014年，国际知名的医学影像公司Enlitic成立，并开发出从X光照片和CT扫描图像识别恶性肿瘤的软件。2015年，美国西奈山医院使用的一种名为DeepPatient的AI技术，分析该院70万名患者的病历数据，表现十分优异。2017年，美国食品药品管理局(FDA)批准了第一款心脏磁共振成像人工智能分析软件CardioDL。2018年，FDA批准了全球第一款人工智能医疗设备IDx-DR。目前，中国有超过100家医疗人工智能公司，其中约有40家企业属于医学影像AI公司，近千家医院部署的人工智能系统中超过一半是医学影像人工智能系统。
智能机器人与智慧医疗
智能机器人是指具有视、听、触等机器感觉，行动、规划、决策等机器思维，机械手、脚的智能控制结构的机器人，是人工智能的又一个重要研究方向。作为一种新型的人工智能技术，会对整个医疗行业产生深远影响。
●机器人的技术发展
机器人从技术成长的视角看可分为3代：第一代为示教再现型机器人，第二代为具备感觉的机器人，第三代为智能机器人。1959年，第一台工业机器人诞生。1965年，世界上第一个带有视觉传感器的机器人诞生。1968年，美国斯坦福研究所研制的机器人Shakey具备了一定的人工智能，能够进行感知、环境建模、行为规划并执行任务，成为第一台智能机器人。1974年，美国辛辛那提?米拉克龙(CincinnatiMilacron)公司成功开发了多关节机器人。1979年，美国Unimation公司推出了PUMA机器人，它是一种多关节、全电机驱动、多CPU二级控制的机器人，采用VAL专用语言，可配视觉、触觉、力觉传感器，是当时技术最先进的工业机器人。
20世纪80年代，不同结构、不同控制方法和不同用途的工业机器人在发达国家进入了实用化普及阶段，日本把1980年称之为“机器人普及元年”，开始在各个领域推广使用机器人，传感技术和智能技术被广泛应用，智能机器人概念日渐深入人心。1985年以后在日本称为“智能机器人的时代”。短短20年时间，机器人实现了从第一代到第三代的大幅跨越。因此，第三次科技革命也可称为机器人技术发展的“黄金时代”。20世纪90年代，日本泡沫经济破灭、经济萧条，日本机器人市场逐步向全球市场转移，成为拉动日本机器人产业增长的重要力量。进入21世纪后，智能机器人、仿生机器人等新一代机器人纷纷亮相。2010年，日本发那科公司推出了第一台学习控制机器人。2014年，日本推出了高仿真人形机器人等。智能机器人技术和产业进入快速发展阶段。
●医疗机器人
医疗机器人是智慧医疗的重要特征之一。根据用途，医疗机器人大致可以分为外科手术机器人、康复机器人、医疗服务类机器人。智能机器人应用于医疗领域肇始于20世纪80年代。1985年，美国加利福尼亚州放射医学中心研制成功能自主定位的手术机器人(Puma560)，协助外科医生完成脑组织活检。1992年，美国IBM公司和加利福尼亚大学联合推出名为Robodoc的机器人系统，协助完成了人工骸关节和膝关节置换手术。1994年，美国ComputerMotion公司研制出第一台商业化手术机器人AESOP，并于1997年完成了世界首例腹腔镜下胆囊切除手术。1999年，美国IntuitiveSurgical公司开发出达?芬奇(DaVinci)外科手术机器人，被广泛应用于普通外科、胸外科、泌尿外科、妇产科、头颈外科以及心脏外科，成为目前国际上技术最为成熟和完备的外科机器人，几乎垄断了外科机器人市场。我国手术机器人的发展较晚。2010年，天津大学、南开大学和天津医科大学总医院联合研制的首台外科手术机器人“妙手A”系统成功问世，有望打破西方国家的垄断。
康复机器人主要用来帮助老年人和残疾人更好地适应日常的工作和生活，主要集中在康复机械手臂、智能轮椅、假肢和康复治疗机器人等方面。1987年，英国MikeTopping公司研制出了一款康复机器人，命名为Handy1，用以帮助一名11岁患有脑瘫的小男孩独立地用餐。2013年，我国上海交通大学成功研制出第一台智能轮椅机器人ROBOY，能对周围环境做出准确判断、自动规划最佳路径。
医疗服务类机器人主要包括救援机器人、转运机器人、医院办公机器人、护士机器人等。1985年，美国TRC公司研制出世界首个服务机器人“护士助手”，不仅能运送医疗器材、药品等，还能为患者提供送饭和送病历、报表及信件等服务，目前已在全球几十家医院投入使用。
此外，人工智能在健康和慢性病管理、急诊流程、就医流程引导等方面有着广泛的应用。随着大数据、物联网、人工智能的发展，人工智能无疑会对人类的未来医疗提供莫大帮助，产生越来越广泛深入的影响，有可能改变医疗模式、重塑医疗产业。生病还要不要看医生?未来医院是什么样的?医疗人工智能事故责任如何认定?这些也同样带给我们无限的想象和深度的思考。
作者：王国强，中国科协创新战略研究院研究员，博士，主要研究方向为科技史、科技政策和科技传播
本文来自《张江科技评论》杂志
《超能陆战队》中的微型机器人战队真的被发明出来了！
还记得电影《超能陆战队》里面大反派的秘密武器——微型机器人吗？
数十万个微型机器人组成的黑色站队，能够在人类的控制下随意排列组合，一会儿排成一个人字，一会儿排成一个一字……等等，走错片场了……是可以任意变幻成桥梁、快速移动的阶梯、有冲击力的风暴等等，不受障碍物影响地去完成各种任务。
威力如此强大的机器人集群，除了电影里打打杀杀的场景之外，是不是也能做点好事呢？
往常我们总是将目光放在MIT、Deepmind、伯克利、波士顿等海外知名研究机构身上，其实中国科研团队在机器人领域也有不少令人惊喜的收获。
前不久哈工大的一篇论文就成功登陆了《科学》杂志子刊《科学·机器人学》（ScienceRobotics），研究人员将电影中可怖的「黑色风暴」，变成了有望辅助癌症用药的「蚁群」机器人。
具体怎么回事，咱们赶紧往下看。
中国团队研发的微型机器人，有望辅助治疗癌症？就在上个月，一篇题为《可重构磁性微机器人群：多模态转换、定向移动与集群作业》（Reconfigurablemagneticmicrorobotswarm:Multimodetransformation,locomotion,andmanipulation）的科研论文引起了我们的注意。
来自哈工大的科研团队发明了一种呈花生状的磁性机器人。它们长3微米，直径2微米，只有头发丝直径的约四十分之一。
由大量这种机器人组成的群体可在旋转磁场的调控下变为长链，以液体、涡旋、带状的形态运动，并且能够实现快速而可逆的形态转换。
这种集群型机器人链条的特点是，能够在狭长的窄道中穿行，高效穿越狭长的模拟毛细血管。
还能够模拟自然界的蚁群（涡旋模态）和鲱鱼捕食阵列（横带模态），分别完成大负载可控输送与大面积同步集群清理操作。
通过编程，由这种磁性微机器人组成的链条能够在任何方向进行转向，表现出了非常出色的机动性与稳定性。
可编程、可变型、可承重，这就为微型机器人群的任务前景带来了很大的想象空间。
听起来很美好，但在微型机器人这件事上，其实人类并没有少走弯路。
▲（多模转换图《科学·机器人学》）
过气网红：微型机器人的坎坷之路微型机器人走红的时间，可比这项研究还要早很多。
2014年，哈佛大学的计算机科学家和工程师就已经研发出了一种像虫子一样的微型机器人，名叫Kilobots，几十个机器人凑在一起，在实验室里实现了觅食、编队控制和蜂拥而上等一系列集群行为。当时，很多人认为协调数千甚至数万个这样的机器人，可以完成很多不可思议的挑战，比如农作物授粉、穿过瓦砾搜救等等。
它的发明者科学家RadhikaNagpal还借此成为英国《自然》杂志评选的2014年度十人。
但这个被寄予厚望的作品为何没能普及开来呢？核心问题可能有这么几个方面：
一是沟通方式。Kilobot是通过红外传感器来实现主控台和机器人之间的沟通，一旦两个机器人间距超过10厘米，它们就没办法交流了，自然也就无法将命令有效地传导并执行。实验最多观察了50个左右机器人，数量越大，操作难度就指数级上升了；
二是运动能力。Kilobot是通过震动式马达让机器人抬起「腿」从而完成移动的。这种电流交互模式的结果是，排成一个字母或星星之类的形状，都需要耗时12小时，很难再承担什么复杂任务；
三是应用场景。从设计结构上可以看出，Kilobot只能在平面上进行移动，它们自动变换形状也是以平面形式来完成的，连坎坷的道路都无法搞定，更别提以三维的模式构建出其他物体了，这无疑大大缩减了它们应用上的可能性。
简单的构造，并不复杂的技术，使得Kilobot虽然因为价格便宜而很容易被大批量制造出来，但却是一个早产的「低能儿」，也让人们对于微型机器人集群的期待陷入了冰冻状态。
向自然致敬：「蚁群」机器人是如何协同工作的？将目光拉回到本文的主角——「蚁群」磁性微游动机器人。它们的命运会和前辈们有所不同吗？
目前看来，是有可能的。
首先，来看看这个机器人集群是如何进行协作的，群体智商有没有高一点呢？
为了解决多机器人的协作难题，科研人员从自然界中找到了灵感。很容易就能发现，分工协作的蚁群可构建复杂而精巧的蚁巢、搬运超重猎物，布阵捕食的鲱鱼群可轻松捕获非常警觉的桡足类动物等等。
这些生物从个体来看都毫不起眼，但组织在一起却完成了许多难以想象的复杂问题。因此，科研人员没有采用传感器等外接设备，而是让这些机器人通过非常小的作用力交流，形成一个动态系统，就像蚁群用触觉或气味交流一样。
另外，它们还能探测光源的强度，而光的强度又与预先计算好的时间相对应，这个时间告诉机器人，何时展开和收缩，最终，通过脉动运动让整个装置移向光源。
这样做的好处是，不受距离和外部设备的影响，机器人群体就能以一个整体的形态完成持续的沟通与高效的协作。
另外，在旋转磁场的调控下，「蚁群」磁性微游动机器人的环境适应能力也更强。
「蚁群」的排兵布阵是以动态自组织的形式完成的，可以重新配置成多种模式，比如以长链形式穿越狭长通道等等，这种随环境或任务快速响应的同步运动方式，使它可以完成大负载可控输送与大面积清理等任务需求。
基于上述特征，「蚁群」磁性微游动机器人的价值也就得以清晰而聚焦地呈现出来，那就是生物医疗。
由于体型足够小足够灵活，这种机器人可以搭载药物直达毛细血管末端、视网膜等其他手段难以直接治疗的部位，为疾病的早期诊断与治疗提供辅助。
未来随着技术的加强，还可能直达病灶部位，识别并攻击病变细胞，协助癌症治疗。
对于普通人来说也有价值。这种微游动机器人几乎不需要考虑续航、操控、劫持风险等问题，可以安全地留存在人体内部，实现健康状况的在体监控。
去掉大脑？机器「智能」或许和我们想的不一样没有电路，没有算法，成本低廉，「蚁群」磁性微游动机器人被赋予「智商」的方式和我们以往对机器智能的理解完全不同。
过去业界总是倾向于将机器人设计成大白那样和人类高度相似的产品，却忽略了称得上是「低能」的微小机器人，通过协作其实丝毫不亚于大型智能机器人。
比如波士顿动力的机器人，要完成复杂的动作，必须对应不同的算法，比如跑步、蹲、跳跃等，各种软法软件结合Bot轴等硬件，才能完成具有高度自由度的运作。
▲（十只SpotMini「机器狗」拉动大货车前行）
但是，这类技术方案的弊端也日益暴露出来。
首先是深度学习等方法在机器人硬件上落地的局限性。比如训练周期长，投入成本过高，可供采集的样本少，机电系统的不稳定性，算法性能参差不齐，实验室成果和实际应用差距太大等等。
另外，实现成本和商业化落地也成了大型智能机器人的「要命」考验。
就在去年，作为协作机器人（Cobot）的鼻祖，RethinkRobotics宣布倒闭。其产品很难控制，需要通过周身的传感器和控制软件来防止机器人意外伤害到靠近的人类。因此只局限于工厂车间等特定区域，很难全面打开市场，只能在商业上迎来失败。
技术和应用上的重重壁垒，让越来越多的专家开始思考另一种「零智商」的智能实现方式。
比如RethinkRobotics的联合创始人、前麻省理工学院计算科学和人工智能实验室主管罗德尼·布鲁克斯RodneyBrooks，作为机器人专家，他为机器人找到了新的方向——「去掉大脑」。即机器人不必知道自己身处何方，只要像蚂蚁一样保持工作就行了。
与他持同样观点的还有科学作家凯文凯利，他曾在《失控》一书中预测到，未来机器人将按照「无中心分布式系统」模式来运行，大量「愚蠢」的个体在分工的情况下完成高难度的行为
某种程度上，这有点像人类智力的实现方式。
大脑并不是以一个整体来完成思考的，而是通过许许多多微渺而无意识的神经环路构成的神经网络来实现所有的智力活动。
因此，「蚁群」磁性微游动机器人给我们带来的，比可行性与商业价值更重要的，是其背后所隐藏的技术思路——运用成本低廉的小机器集群，而不是高级电脑或成本高昂的机器人来解决问题。
先让单个机器人完成简单的动作，比如移动与重组。再在此基础上一步步叠加更多复杂的功能，并不断重复，比如通过作用力实现集群活动和形态转换，最终实现整个人工智能的突破。
事实上，在许多顶尖的机器人实验室中，微型机器人正在越来越多地引起重视。比如卡耐基梅隆大学的野地机器人学中心最近就在改变研究方向。
他们曾经花费10年时间制造出一台名为「漫步者」的机器人，以实现远地行星考察。这个机器人被设计的十分笨重，重达2吨。每走一步，它都要更新头脑中的环境轮廓图，而作为头脑的中央电脑则被一条长长的电缆连在机器人身上。
研究者发现，这样的大家伙是永远不可能离开地球的，因为根本不存在那么长的电缆。而如果采用远程控制，那么位于火星的「漫步者」需要等上几分钟才能接到地球发出的指令。它迈出一小步时，微型磁力机器人可能已经跑了一个来回了。
目前我们所看到的「蚁群」磁性微机器人还只是一个医疗领域的创新突破，未来或许正如凯文凯利所预测的那样，「蚁群」磁性微游动机器人这种「去中心化、无领导的、点对点的、网络特征的（大规模）合作」，才是「极具能量的完成任务方式」。
总而言之，在机器人智能这件事上，我们看到过很多种技术思路和解决方案。哪个才是通向人工智能的正确路径目前还不得而知，但随着一个个「蚁群」这样颠覆式成果的出现，一首机器与智慧之间的命运进行曲终将被奏响。
本文来自微信公众号脑极体（ID：unity007），作者为藏狐，爱范儿经授权发布。