TL;DR：
剑桥大学Amanda Prorok教授指出，当前机器人对“AI超级大脑”的迷恋是根本性错误。她提出，未来的具身机器人智能应转向由多样化、专业化的机器人集群通过集体智能实现协作。这种范式转变有望克服当前大模型的扩展性与实时性瓶颈，为机器人技术走向真实世界提供高效且可持续的路径。
你是否曾困惑，尽管人工智能模型规模日益庞大、单体能力不断增强，但为何具身机器人仍难以真正适应多变而复杂的现实世界？它们在执行集体任务时常显迟钝，难以应对新场景，频繁“掉链子”。这种“集体智能失灵”的现象，促使我们对现有机器人自主性范式进行深刻反思。
技术范式之争：解构“超级大脑”的桎梏
长期以来，机器人领域普遍追求通过一个集中控制的庞大AI模型，来模拟“超级大脑”，期望它能包揽导航、感知、交互等所有任务。然而，英国剑桥大学计算机科学与技术系集体智能与机器人学教授Amanda Prorok在其《科学机器人学》(Science Robotics) 期刊的观点文章中明确指出，这种“专注于独立运作的个体机器人的经典机器人自主性方法，并不适合将互动与协作视为必不可少的复杂现实世界环境” 1。她甚至认为，这种方法“从根本上就是错误的”。
Prorok教授的论断并非空穴来风，其核心在于深度学习的“扩展定律”（scaling laws）所揭示的残酷现实。要让机器人行为更复杂，模型规模和所需数据会呈指数级增长。目前，典型的集中式单体架构AI产品，其参数规模可达数百万甚至数十亿级。这意味着，为了“更聪明一点”，所需投入的能源、时间与资金将呈几何级数攀升，边际效益递减，甚至陷入不可持续的泥潭。
更糟的是，这些大模型在实际应用中显得笨拙。仅计算模型本身便需数百GB内存，前向传播的延迟使其只能在离线状态下以较低速度运行，难以满足高频实时控制场景的需求。例如，有数据显示，在性能更强的开发板上，也只有最小的模型能勉强达到“实时响应”标准，而更大的DINOv2等模型则远不能满足实际具身机器人操作的严苛时延要求。这无疑成了具身智能走向现实世界的巨大瓶颈。这种对“超级大脑”的执念，不仅在技术上日益步入死胡同，更在实践层面阻碍了机器人与物理世界及人类社会的深层融合。
集体智能的核心逻辑：专业化、协同与超线性增益
既然“单一超级大脑打天下”的路径难以为继，未来的机器人智能该走向何方？Prorok教授的答案是：集体智能——一种由多样化、专业化的Agent组成的协作生态系统 1。她倡导进行一场范式转变，将机器人集群设计为更大系统的一部分，实现“心智与躯体相互依存、形态多样且功能专业化”的协同运作。这不仅是技术路线的选择，更是对“智能”本质的哲学重构。
这种集体智能的底层逻辑包含以下几个关键层面：
-
专业化分工与模块化组合： 与让一个模型包揽一切不同，集体智能的核心在于**“让每个机器人专注一项技能”**。例如，一个机器人擅长视觉识别，另一个擅长抓取操作，还有一个负责环境建模。这些专业模型组成的群体，能通过动态组合技能，实现“超线性增益”（superlinear gains）。这意味着，随着技能组合数量的增加，系统整体性能的增长速度将远超单个模型的简单叠加，达到“1+1>2”的协作效应。这种模块化、组合式的自主方法，不仅效率更高，也更具韧性和适应性，为复杂任务提供了优雅且可扩展的解决方案。
-
社交学习与元认知习得： 有些至关重要的技能，如心智理论（Theory of Mind）和元认知（Metacognition），并非与生俱来，而是在集体环境中通过社交互动习得。在机器人集群中，协作学习过程能够让单个专家模型更深入地理解自身能力与局限。这种认知促使其明白何时、何地、以及与何种伙伴合作，方能克服短板、达成更复杂的任务目标。这种基于互动的学习，对于机器人与人类或其他Agent进行复杂交互的任务至关重要，它将机器人的学习边界从个体经验拓展到群体智慧，赋予其更高级的认知能力。
-
经验共享与加速学习： 在物理世界中，机器人进行实验和数据收集往往成本高昂、风险巨大。集体智能允许机器人通过经验共享机制来加速学习进程，优化长期效果。例如，一个机器人通过试错获得的经验，可以快速分享给其他机器人，避免重复危险行为，降低整体学习成本。知识共享还能通过分摊和共享特定技能来缓解灾难性遗忘问题，提升系统的长期稳定性。这在军事、救援、探索等高风险场景中尤其具有颠覆性意义。
商业化与产业生态的重塑：效率、成本与落地
Prorok教授提出的集体智能范式，不仅是技术上的革新，更是对未来机器人产业生态和商业模式的深远重塑。从TechCrunch的商业敏锐角度审视，这一转变蕴含着巨大的市场价值和投资潜力：
- 降低成本与提升效率：通过专业化分工，机器人无需搭载过于庞大和昂贵的计算硬件，降低了单个机器人的制造成本和运行能耗。集群协同的效率远超单体机器人，尤其在仓储物流、智能制造、基础设施维护、智能农业等对实时性和协作性要求高的场景中，将带来显著的运营成本节约和生产效率提升。这为中小型企业进入具身智能领域提供了新的机遇，降低了AI应用的门槛。
- 拓展应用场景与市场空间：当前大模型在计算和延迟上的限制，使得许多需要高频实时控制的机器人应用难以实现。集体智能通过分布式、模块化的架构，能够突破这些限制，让机器人系统更好地融入实际操作环境，例如复杂灾难救援、大规模农业自动化、甚至日常服务机器人等。这无疑将开启更广阔的商业化想象空间，从根本上改变机器人与人类生活的交互方式。
- 推动新型产业生态形成：未来的机器人将不再是独立的“智能家电”，而是构成一个由软硬件模块、专业Agent、通信协议、协作平台等组成的多层级生态系统。这将催生新的软硬件提供商、系统集成商、数据服务商和协作算法开发商。资本市场将从追逐“通用型超级AI”转向投资专业化、模块化、可组合的机器人技术和解决方案，形成更细分、更专业的产业链。
深层挑战与未来路径：通往真智能的“协作三关”
尽管集体智能的前景诱人，但实现这一愿景并非坦途。Prorok教授也坦诚，当前该领域仍面临诸多亟待解决的挑战，她将其归纳为“三关”，需要全球研究人员和产业界共同“闯关”：
-
“如何协作”的技术关： 现有机器人间的显式局部交互通常依赖窄带通信网络，如何设计帮助机器人确定“交流内容、时机及对象”的方法仍是未解难题。虽然可微分通信信道和图神经网络等新兴技术提供了潜在路径，但要理解这些新兴方法在构建鲁棒且适应性强的机器人集群时的权衡与局限性，仍需更多研究。这需要对分布式系统、网络通信、多智能体强化学习等底层技术进行创新，以构建高效、灵活的通信和协调机制。
-
“怎么落地”的设计关： “机器人混合”（robot hybrid）范式的概念尚不明确，如何设计能够有效连接并整合不同动作领域专业模型的算法或机制是巨大挑战。初步探索可借鉴集成模型、混合专家、超网络及层次学习等研究成果，但最终目标是根据底层任务需求动态组装机器人集群。这不仅是技术问题，更是工程哲学层面的思考：如何让异构系统高效协同，并能实时适应新的任务和环境？
-
“怎么评价”的标准关： 当前对机器人性能的评估往往局限于学习损失或单个机器人的优化目标，却忽视了包含团队层面的满意度和集体韧性等更复杂的综合指标。这种评估体系既不考虑任务多样性，也不考量团队适应不同协作场景、物体分布和类型的综合能力。亟需制定更全面的基准测试标准，建立超越个体成功率的综合性评估体系，以考量机器人团队的整体效能和适应性。这触及了对智能本质的重新定义：真正的智能是否更体现在协作与适应性上，而非孤立的计算能力？
超越技术的思辨：智能的本质与人类文明的重构
Prorok教授的洞察不仅是关于机器人工程的，更是一种对“智能本质”的哲学思辨。她挑战了我们长期以来对智能的单一个体、集中式理解，转向一种更加分布式、涌现式的视角。这种观念转变，类似于生物学中从单个器官功能到复杂生态系统协同作用的理解，预示着人工智能的下一个重大飞跃，可能并非来自单一模型的无限膨胀，而是源于复杂交互网络中涌现的集体智慧。
这不仅将重塑机器人行业，更将深刻影响未来的人类社会。当机器人学会“团结”与“分工”，它们将不再是孤立的工具，而是构成新型协作生态中的有机组成部分。这可能带来工作模式的变革，人机协作将更加无缝，催生新的职业与社会分工。我们所期待的具身智能，其真正价值或许不在于能否复制一个“超级大脑”，而在于能否构建一个能与人类社会智能有效融合、共同进化的“协作群智”。抵制短期利益的诱惑，投资于这些深层基础性挑战，才是通往真正、可持续的具身智能未来的关键。
引用
-
别再迷恋“AI超级大脑”了，剑桥教授发文：机器人集体智能才是未来·学术头条·学术头条（2025/9/25）·检索日期2025/9/25 ↩︎ ↩︎