莱比锡大学的研究团队首次实验证明，微小的合成微游动器可以通过自身的物理形状直接“感知”周围环境，并在快速变化的流体流动中自主调整运动轨迹。这项成果发表在《Science Advances》上，提出了一种全新的自主微系统范式：即便在传统传感器难以工作的复杂环境中，系统仍能保持可靠控制。这为未来在血流等生理流体中进行靶向药物递送的医疗微型机器人带来了新的可能。

研究由莱比锡大学彼得·德拜软物质物理研究所分子纳米光子学组的 Frank Cichos 教授领衔。团队采用强化学习这一机器学习方法，来控制微游动器在复杂流场中的导航行为。这些微观粒子在没有直接流体信息输入的情况下，通过算法学习有效的导航策略。由于每一次运动都会受到周围流体特性的影响，粒子本身的运动轨迹就携带了环境信息，其“身体”因此充当了传感器，为学习算法提供数据基础。

Cichos 教授指出：“这项研究在生物启发和工程应用之间搭起了一座桥梁。许多运动微生物在漫长的进化过程中学会利用自身物理结构进行导航。我们现在展示出，机器学习可以在实验可控的时间尺度内，为合成系统找到类似的策略。”

物理结构成为微游动器的“学习与决策系统”

在实验中，研究人员使用涂覆金纳米颗粒的三聚氰胺粒子作为合成微游动器，其半径约为 1 微米，并将其与实时光学控制系统和机器学习算法相结合。通过非对称激光照射，粒子获得推进力。在训练阶段，微游动器逐步学会在激光诱导的流体扰动下，仍能稳定地到达预定目标位置。

彼得·德拜研究所的研究助理 Diptabrata Paul 博士表示：“实验本身非常具有挑战性。我们必须一边维持稳定的实时控制，一边训练学习算法——本质上是在‘教’微游动器如何在导航时做出合适反应。即便粒子所处的流速可达到其自身推进速度的四倍，它们仍能在大约 50 个训练周期内学会成功完成导航任务。”

研究的关键在于团队提出的“具身智能”概念：系统的物理结构及其与环境的相互作用本身可以作为计算资源。微游动器的运动动力学不再只是被动响应，而是承担起信息处理的功能，从而不必依赖额外的微型传感器和处理器。

Paul 博士解释说：“这与传统机器人设计思路有根本区别。我们不再试图通过大量传感器显式采集所有环境信息，再进行复杂计算，而是利用身体与环境之间的物理交互来获取所需信息。学习算法的任务，就是发现如何读取并利用这种具身信息。”

无传感器自主微系统：迈向新范式

这项研究对那些难以或几乎不可能进行显式感知的应用场景具有重要意义。来自马克斯·普朗克人类认知与脑科学研究所的 Nico Scherf 博士指出：“可以想象在人体内进行靶向药物递送的情形。传统方法往往依赖预设程序或外部控制，但生理流体环境高度复杂且变化多端。能够从自身动力学中学习的微型机器人，有望在体内实现真正的自主移动。”

研究还为群体机器人研究提供了新方向：多个微型机器人有可能展现出集体层面的具身智能，在协同任务中发挥作用。

Paul 博士总结道：“我们目前只是刚刚开始探索，将物理具身视为计算资源后可以实现哪些新功能。这项工作在实验层面验证了这一原理。下一步的挑战，是把这些理念推广到更复杂的环境和更高难度的任务中。”