想象一个未来场景：一大群机器人被派往执行时间紧迫的任务，比如清理海上的石油泄漏，或在工厂流水线上组装复杂机器。起初，增加机器人数量确实能加快进度，因为“人多（机多）力量大”。但当机器人数量继续增加到一定程度后，它们开始彼此干扰、互相堵塞，整体效率反而下降。

这就是一个典型的“厨师太多”的问题：在有限空间里，究竟应该部署多少机器人，才能让任务完成得最快？哈佛大学的应用数学研究团队认为，他们找到了一个优雅的答案。

在随机运动中寻找秩序

L. Mahadevan 实验室的一项研究表明，在拥挤环境中，如果在每个个体的运动轨迹中加入适量的随机性或“噪声”，就能缓解交通堵塞，并显著提升整体效率。Mahadevan 是哈佛大学应用数学、机体与进化生物学以及物理学的 Lola England de Valpine 教授。

这项工作展示了：简单的局部规则如何汇聚成复杂任务的高效完成，对设计协同工作的机器人群体、管理拥挤公共空间等问题都具有启发意义。研究成果发表在《美国国家科学院院刊》（PNAS），由应用数学博士生 Lucy Liu 领衔完成。

Liu 指出，对群体密度进行严格的数学分析极其困难，因为必须同时考虑大量可能的运动路径和个体之间的交互。为此，研究团队采用了引入随机性的思路——把每个个体视为一个简单的“代理”，其行进路径带有可调节的“摆动”。

“这听起来有点反直觉：随机性怎么会让问题变简单？”Liu 说，“但在这里，当随机性足够大时，我们可以计算各种平均量——比如平均距离、平均时间、平均行为模式——这反而让整体预测变得更容易。”

用模拟重现机器人群体的工作

为了验证这一想法，研究人员首先搭建了一个机器人群体的计算机模拟系统。在模拟中，每个机器人（或代理）从一个随机位置出发，前往一个随机目标点。一旦某个代理到达目标，就立刻被分配一个新的目标位置。这种设定模拟了机器人或工人持续执行任务的情形。

每个代理都会朝目标前进，但其路径中包含可调节的“摆动”或“噪声”。当噪声为零时，代理会沿直线直接前往目标；噪声越大，路径就越曲折、越“漫无目的”。这种曲折看似降低了单个个体的效率，却有助于它们彼此绕行、减少正面冲突。

大量模拟结果显示：

• 如果所有代理都几乎直线前进，它们会在狭窄区域形成严重的“交通堵塞”，许多个体被困在原地，整体效率大幅下降；
• 如果运动过于随机，虽然堵塞现象消失了，但个体长时间在空间中游荡，花费大量无效路径，任务完成效率同样很低；
• 只有在一个适中的噪声范围内，代理之间会出现短暂的轻微拥堵，但仍能彼此“滑过”，整体流动性得以维持，任务完成率最高。

基于这些观察，研究团队建立了相应的数学公式，用来近似描述“目标达成率”——即单位时间内成功到达目标的次数。借助这些公式，他们进一步计算出，在给定条件下可以最大化产出的最优群体密度和最合适的噪声水平。

从虚拟世界走向真实机器人

为了检验这些理论在现实世界中是否同样成立，Liu 团队与荷兰埃因霍温理工大学的物理学家 Federico Toschi 合作，在实验室中搭建了一个真实的机器人群体系统。

实验中，他们在地面布置了一批小型轮式机器人，并在上方安装顶视摄像头。每个机器人上都贴有二维码，摄像头通过识别二维码来追踪其位置，并据此为机器人分配新的目标点。

与理想化的计算机模拟相比，真实机器人在转向和移动上都更慢、更不精确，但研究人员发现，关键的涌现行为依然出现了：在合适的密度和噪声水平下，机器人群体能够在拥挤环境中保持整体流动性和较高的任务完成效率。

实验结果进一步验证了一个核心观点：要让一大群机器人协同完成任务，并不一定需要强大的中央控制系统或极其智能的单个机器人。只要设计得当，一些简单的局部导航规则，在合适的密度范围内就足以支撑高效协作。

Mahadevan 表示：“理解活跃物质——无论是蚂蚁群、动物群，还是机器人群——如何在拥挤环境中利用自组织原理变得功能化并执行任务，对于行为生态学中的许多问题都至关重要。我们提出的策略，潜在应用远远超出本文讨论的具体场景。”

Liu 补充说，她长期关注高流量空间的安全设计。这项研究表明，未来有望通过数学方法来预测并调控人群或车流的动态——无论‘厨师’是人类、机器人、汽车，还是它们的混合体，都可以借助类似的原理来优化流动与安全。