编辑推荐：
软体机器人学正从一个以柔性机构为中心的领域，向更广泛的具身物理智能范式演进，其中材料、力学、感知与计算被深度融合。尽管取得了快速进展，但在驱动、感知、自主性、可扩展性以及实际部署方面仍存在重大挑战。在这篇纳米聚焦文章中，研究人员重点介绍了涵盖多功能材料、分布式
软体机器人学正从一个以柔性机构为中心的领域，向更广泛的具身物理智能范式演进，其中材料、力学、感知与计算被深度融合。尽管取得了快速进展，但在驱动、感知、自主性、可扩展性以及实际部署方面仍存在重大挑战。在这篇纳米聚焦文章中，研究人员重点介绍了涵盖多功能材料、分布式感知、增材制造、人工智能以及生物混合系统的新兴前沿与技术挑战。纳米科学与纳米技术的进步通过实现跨越长度尺度的感知、驱动和适应性功能的整合，日益成为这些发展的基础。总而言之，这些进展正在为智能物质、可编程物理智能以及类生命适应性系统奠定基础。
软体机器人学正经历从以柔性机构为中心的领域向以具身物理智能为中心的更广泛科学范式的深刻转变。尽管过去十年在软材料、柔性电子和流体驱动等方面取得了快速进展，但目前的软体机器人仍面临输出力有限、能量效率低、材料疲劳、嵌入式感知薄弱、外部硬件庞大以及长期自主性受限等系统级挑战。为了克服这些由材料、力学、感知、驱动、控制和环境相互作用之间的复杂耦合所引发的根本性限制，研究人员开展了这项研究，系统探讨了多功能材料、分布式感知、增材制造、人工智能（AI）和生物混合系统等前沿领域的科技挑战。研究人员得出结论，未来的软体机器人将不再是独立子系统的简单集合，而是被设计为深度融合的物理系统，其结构、材料组成、感知、计算、控制和环境相互作用共同生成自适应功能。这项研究具有重要意义，它不仅为自适应物质、可编程物理智能和类生命工程系统奠定了更广泛的科学基础，还指明了软体机器人学最终可能超越机器人学子领域，为智能物质和具身物理人工智能做出贡献的发展方向。该论文发表在《ACS Nano》。
研究人员通过综合力学、材料科学、光子学、制造、机器人学、纳米科学、生物混合系统和AI等多学科视角，构建了连接基础科学、新兴研究方向与技术发展的三层框架。在关键技术方法上，研究涉及物理储备池计算（Physical Reservoir Computing，利用非线性物理系统作为计算基板的方法）等力学架构设计、基于纳米结构和微结构材料的跨尺度力学响应编程、利用多材料增材制造实现感知与驱动的整体制造、引入物理信息神经网络和基础模型处理高维非线性多模态传感数据，以及将活体生物细胞与合成支架结合构建生物混合系统。这些方法共同支撑了软体机器人在感知、驱动和计算一体化方面的前沿探索。
2.1 力学本身能否成为智能的来源？通过对力学材料、机械超材料、形态计算和物理储备池计算等范式的研究，发现柔顺结构能够物理执行原本需要主动控制的功能，力学本身可作为可编程的信息处理介质，从而降低传统计算的开销。
2.2 软体机器人的基本物理极限是什么？通过建立力传输能力与驱动器密度、材料模量等之间的一般比例关系，研究表明软体机器人在适应性与负载能力、位置精度之间存在固有权衡，未来需从定性的柔软性向基于力学的定量设计原则转变。
2.3 混合软-刚架构是否是机器人技术的真正未来？研究发现纯粹软或刚的结构均无法满足现实需求，混合软-刚架构能够平衡环境适应性与力传输、位置精度，是更具生物与物理现实性的具身智能范式。
3.1 为什么软驱动器在力、效率和带宽方面仍面临困境？通过分析气动、液压及离子聚合物-金属复合材料（IPMCs）等驱动器，研究指出软驱动器常以牺牲结构鲁棒性和机械功率密度为代价来换取柔顺性，亟需开发能同时平衡柔顺性、强度等多重特性的集成材料系统。
3.2 软物质能否同时感知、驱动和计算？研究表明，未来的软体机器人将从附接硬件转向整体制造，通过自感知弹性体、机械响应聚合物等材料，实现感知、驱动、控制和能量供给在单一材料架构内的深度嵌入。
3.3 软体机器人如何实现无系绳操作？研究指出无系绳操作需开发电驱动平台并结合分布式能量存储、纳米发电机等新兴能量管理策略，同时利用具身智能减少主动控制需求以提升能效。
4.1 软体机器人如何可靠地感知自身身体？通过利用纳米线、碳纳米管等功能纳米材料构建分布式多模态感知架构，研究发现软体机器人的感知受可观测性限制，未来需将本体感知、触觉感知与预测模型在统一框架内深度协同设计。
4.2 光学感知能否实现全感知软体机器人？基于光纤布拉格光栅（FBGs）和机器视觉触觉系统等研究，发现光学感知能提供高灵敏度和大面积分布式感知，通过分子工程聚合物和增材制造有望克服现有光学损耗和制造兼容性挑战。
4.3 人工智能应如何解释软体机器人传感数据？利用自监督学习和物理信息神经网络等机器学习工具，研究表明AI能融合多模态感知数据推断隐藏物理状态，未来需开发将AI与物理理解紧密集成的混合框架以提升泛化能力。
5.1 为什么可扩展制造仍是瓶颈？分析指出，可打印软材料在拉伸性、韧性与疲劳电阻方面难以兼顾，且多材料集成常面临界面失效，制造可扩展性需在可打印材料化学、界面工程和计算设计自动化上同步突破。
5.2 4D打印能否将智能编程到物质中？通过利用刺激响应材料和控制纳米尺度取向与分层组织，研究发现4D打印能将动态物理行为直接编程到材料架构中，使智能部分嵌入材料本身而非依赖集中计算。
5.3 制造与设计如何协同优化？研究强调软体机器人的功能由耦合多物理场相互作用主导，需采用AI辅助逆向设计、数字孪生等计算框架，将制造约束作为设计过程中的主动变量以实现协同优化。
6.1 软体能否减少计算需求？研究发现，软体机器人能利用形态学、柔顺性和材料动力学物理适应环境变化，将部分计算卸载到物理体本身，从而减少传统集中计算带来的能量和延迟负担。
6.2 AI如何学习可变形机器人的物理特性？纯数据驱动方法在可变形系统中泛化能力弱，研究指出需通过物理信息神经网络、可微模拟器等混合学习框架将守恒定律和接触物理学嵌入学习架构中，以实现物理一致的模型。
6.3 软体机器人对物理AI的未来是否至关重要？研究认为，软体机器人通过将适应性物理嵌入形态本身，能够吸收不确定性并减少规划与控制计算负担，是实现实用且可扩展的物理人工智能不可或缺的基础范式。
7.1 软体机器人能否更像生命体？通过探索活性物质和生物混合系统，研究人员发现结合活体肌肉细胞与合成支架能实现自愈合和高效力生成，但维持生物活性和生化界面集成仍是巨大挑战。
7.2 可持续性如何成为设计原则而非事后补充？研究强调未来需从开发初期采用生物降解弹性体等环保材料，并在模块化架构、制造方法和全生命周期设计中融入可持续性，实现与自然环境的长期共存。
7.3 表面工程能否重新定义环境相互作用？通过受生物启发的自适应界面如肽基涂层和各向异性微结构，研究表明表面工程能动态调节附着力、摩擦力等，使表面成为机器人体的计算与功能组件。
8.1 软体机器人的真正杀手级应用是什么？分析表明，软体机器人在外科手术、可穿戴辅助、水下探测和灵巧操作等需适应性、安全性和顺应性交互的环境中具有变革性应用潜力。
8.2 为什么大多数软体机器人仍停留在实验室原型阶段？研究指出，耐久性、能量驱动限制、制造可扩展性、监管审批以及系统级自主性不足共同构成了转化鸿沟，阻碍了软体机器人从实验室走向现实部署。
8.3 什么将定义下一代可部署软体机器人？研究总结道，下一代可部署软体机器人将不再仅由柔软性定义，而是需将分布式感知、嵌入式驱动、机载能量管理与AI驱动的感知在高度可变形体内实现系统级集成。
总结讨论与结论部分，软体机器人学正经历深刻转变，从关注柔顺机构向具身物理智能的更广泛科学框架演进。未来机器人系统不仅依赖独立子系统，而是源于材料、形态、力学、感知、驱动、计算与环境交互的深度集成。力学不仅是结构框架，更是感知与控制的计算基板；多功能材料模糊了感知与驱动的边界；分布式感知与可编程物质使功能直接编码于几何与材料组织中；人工智能与具身形态深度结合。这一转变表明，软体机器人的最大贡献在于引入了智能与材料具身不可分割的自适应物理系统设计新原则。尽管面临耐久材料、可扩展制造等挑战，该领域的长期意义已超越机器人学本身，正为自适应物质、可编程机械生物系统和物理具身人工智能奠定基础，未来或将创造出全新的类生命工程物质。
