28所顶尖机构联合综述：软体机器人的未来，是让“身体”自己学会思考

当负责理解和思考的大脑越来越聪明，下一代机器人还需要什么？

一个越来越清晰的答案是：一个真正参与智能的“身体”。

近年来，大模型让机器获得了越来越强的语言、视觉和推理能力。与此同时，机器人也正在从传统的刚性机械系统，走向更加柔软、灵活、感知丰富的形态。

于是，一个值得关注的交汇点正在出现：Physical AI × Soft Robotics。

这正是软体机器人正在发生的一场变化。

过去，这个领域更关注如何让机器人变得柔软、灵活和安全；现在，问题开始往前走一步：能不能让材料、结构、力学和感知系统本身，也参与机器人的智能？

2026年，国际顶级期刊《ACS Nano》联合世界28所科研机构（包括新加坡南洋理工大学、耶路撒冷希伯来大学、麻省理工学院、苏黎世联邦理工学院、清华大学、康奈尔大学、美国西北大学等）的37位来自不同背景的科学家发表关于从智能机器到物理智能的未来技术路线文章：《Emerging Frontiers and Technological Challenges in Soft Robotics》

本论文部分作者

文章汇聚机器人、材料、力学、纳米科技、人工智能、生物制造等多个领域的研究观点，系统梳理了软体机器人正在经历的范式转变，并进一步提出面向未来的关键科学问题与技术挑战。

这篇文章所描绘的，并不仅仅是一张“软体机器人技术地图”。它实际上指向了一个更大的未来——从Soft Machines走向Embodied Physical Intelligence（从以柔顺机构和仿生运动为核心的领域，走向更广义的具身物理智能）。

换句话说，未来的机器人，可能不再只是“用AI控制身体”。身体本身，也开始成为智能的一部分。

图1｜从基础科学到智能机器人技术实现的研究框架该图展示了一个由基础科学、新兴研究方向和技术发展三个层次构成的框架，将基础科学问题与软体机器人的前沿研究及技术实现相联系。外层聚焦于与智能、感知、功能、适应性相关的基础科学问题，以及物质、计算与生命之间的关系。这些基础问题推动了一系列新兴研究前沿，包括具身力学、自适应材料、分布式感知、物理融合人工智能（physics-integrated AI）以及生物混合与可持续系统。上述领域的进展有望推动解决软体机器人在驱动、制造、系统集成以及实际环境部署等方面面临的关键技术挑战。

01.

软体机器人：从“柔软”走向“智能”

软体机器人最初解决的问题，是传统刚性机器人难以解决的一个基本矛盾：真实世界并不刚性。

人体会变形，水果会损伤，水下环境不断变化，农业环境复杂而不可预测，人体内部则充满柔软、狭窄和动态变化的组织。

自然界早已发展出一套非常有效的解决方案。章鱼的触手、大象的鼻子、蠕虫、海星，以及人体肌肉骨骼系统，都没有依赖大量精密刚性关节来完成复杂运动。它们依靠的是，柔顺材料 + 分布式感知 + 形态适应 + 环境耦合。

因此，早期软体机器人关注的是柔顺性、大变形、安全交互、环境适应和生物启发。可变形的身体可以主动贴合不确定环境，简化抓取和运动，也能够降低与人和脆弱物体接触时的风险

但今天，问题已经发生变化。

过去我们问：机器人能不能变软？现在我们开始问：机器人能不能让自己的身体参与感知、计算和决策？

关于软体机器人的发展，论文给出了一条很清楚的发展路线：Soft Machines→ Integrated Soft Systems→Embodied Physical Intelligence。

图2｜软体机器人发展路线图该路线图展示了软体机器人从以材料为核心的软体机器，逐步向具有具身智能的系统演进。这类系统能够针对复杂环境进行自主适应与交互，体现了软体机器人从材料与结构层面的柔顺性，向高度集成、智能化和自主化方向发展的趋势。

具体来说，第一阶段，机器人解决柔顺、驱动和安全交互；第二阶段开始把柔性器件、嵌入式感知和混合结构集成进身体；再往后，则走向Physical AI、可编程物质、自适应系统和生物混合机器人。

所以，软体机器人正在发生的关键变化，可以浓缩成一句话：身体正在从被控制的对象，变成智能系统的一部分。

02.

最重要的变化：身体开始“计算”

传统机器人通常遵循一条清晰的信息链：传感器 → 数据 → CPU/GPU → 算法 → 控制器 → 执行器。

机器人身体本身，主要承担机械功能。而具身物理智能提出了另一种可能：让身体本身参与计算。

例如，一个柔性结构受到外力之后发生特定变形，这种变形本身就可以携带信息。如果通过合理设计材料和结构，机械系统甚至可以完成过滤、放大、记忆、状态转换和模式识别。

这就是：形态计算（Morphological Computation）以及物理储备池计算（Physical Reservoir Computing）。它们背后映射出的共同问题其实很简单：为什么所有计算都必须发生在电子芯片里？如果机械结构本身能够完成一部分计算，那么机器人就不需要把所有信息都采集下来，再交给中央处理器统一处理。

例如，一个软体抓手面对未知物体。传统机器人可能需要视觉识别 → 建模 → 路径规划 → 控制 → 力反馈。而高度具身化的软体机器人，可以利用材料响应 + 形态自适应 + 分布式触觉 + 机械反馈，直接完成一部分“计算”。

也就是说，机器人不是先把世界“算明白”再行动，而是在与环境的物理互动过程中完成一部分计算。

图3｜关于力学、具身性与物理智能的新兴科学视角(a) 从传统机器人向具身机器人或机-智融合机器人的概念转变。在传统机器人中，感知、计算与控制主要集中于中央系统，机械结构主要作为被动的身体载体；而在具身机器人或机-智融合机器人中，柔顺形态结构通过与环境持续耦合，主动参与感知、计算、驱动与适应过程。(b) 实现基于力学的智能的代表性范式，包括力材料（mechanomaterials）、机械超材料（mechanical metamaterials）、形态计算（morphological computation）、物理储备池计算（physical reservoir computing）以及机械逻辑（mechanical logic）。这些范式展示了信息处理与控制如何直接从材料和结构的动态行为中涌现。(c) 软体、刚性及软刚混合架构之间基本权衡关系的示意图，比较其在适应性、柔顺性、力输出与传递能力以及精度性能等方面的特点。(d) 软刚混合机器人系统作为未来机器人发展的潜在方向，通过结合柔顺材料的环境适应能力与刚性结构的力传递能力、运动精度和结构鲁棒性，实现两者优势的协同。例如，外骨骼机器人和灵巧机器人手均体现了这一发展方向。

但这并不意味着计算、算法或者AI会消失。论文反而提出了一个更难的问题：未来应该怎样在形态、材料、感知和数字计算之间重新分配计算？

与此同时，身体也不是“越软越好”。软体机器人的优势与局限，往往来自同一个物理特性：柔顺性。

柔软可以带来环境适应、安全交互和大变形，但同样会带来力传递困难、结构稳定性下降、定位精度降低以及负载能力有限等问题。论文明确指出，高柔顺结构难以有效传递较大的横向力和扭矩，也更容易出现分布式形变和机械不稳定。

因此，未来真正重要的方向不是非此即彼的选择，而是Soft + Rigid，即软硬融合。

人体本身就是这种结构。骨骼负责支撑，肌肉提供动力，肌腱传递力量，柔软组织负责缓冲和适应，神经与皮肤承担感知。

论文也将软硬混合架构视为下一代机器人的重要方向：在不同区域有意识地分配刚度、柔顺性和控制能力，在适应性、力输出、精度和稳定性之间寻找平衡。

所以，软体机器人的未来很可能不是把机器人“全部做软”。而是让机器人知道哪里应该软，哪里必须硬。

03.

身体要参与智能，先得会“感知”

如果机器人身体越来越柔软，就会出现一个非常重要的问题：机器人知道自己的身体现在是什么状态吗？

刚性机械臂的运动可以用有限数量的关节描述，但软体机器人可能拥有近似连续的无限自由度。它的身体一直在变形，同时还会受到材料滞后、黏弹性、摩擦、接触、环境扰动、传感器漂移等因素影响。

因此，软体机器人的核心科学问题之一就是：本体感知（Proprioception）

机器人不仅需要“看见外界”，还必须知道：“我自己现在是什么样子？”

这推动了一个重要趋势——从“少数传感器”走向“全身感知”。未来机器人身体可能分布大量压力传感器，应变传感器，温度传感器，接近传感器，触觉传感器，光学传感器，化学传感器等，形成真正意义上的：分布式感知（Distributed Perception）。

图4｜迈向多功能机器人材料与自主机器人系统(a) 当前软体驱动器所面临的基本性能权衡，包括力生成能力、带宽、能量效率、耐久性、可制造性和便携性。这些因素相互制约，共同限制了软体机器人实现真正自主运行的能力。(b) 生物肌肉的层级结构，可作为集成感知、驱动、能量传输和结构组织的典型生物学模型。(c) 对未来多功能软物质的构想：将驱动、感知、计算、控制和能量管理在多个尺度上以物理方式嵌入材料与结构之中。此类受生物系统启发的架构有望实现无缆软体机器人，使其具备分布式智能、更高的能量利用效率以及自适应行为。

这也是论文特别强调多功能材料的原因。

传统机器人通常把功能拆开：材料负责结构，执行器负责运动，传感器负责感知，芯片负责计算，电池负责供能。

而未来软体机器人希望尽可能减少这种功能分离。自感知弹性体、导电水凝胶、液晶弹性体、多功能复合材料等正在让材料同时拥有机械、电学、光学、热学或化学响应能力。

但这里也不能简单理解成“找到一种万能材料”。

论文明确指出，把感知、驱动、导电等所有功能塞进一种均质材料，往往会带来功能之间的相互干扰。更现实的方向可能是一种分层、多尺度的多功能结构：不同区域承担不同任务，但最终被集成成一个整体。

这和生物体的逻辑很接近。肌肉、神经、血管和结缔组织各有分工，但它们不是后来拼上去的模块，而是共同“长”成了一套身体。

在这些感知路线里，论文尤其关注了光学感知。例如，光纤布拉格光栅可以通过局部应变引发的波长变化，推断软体结构的曲率、形变和空间状态；视觉触觉系统则可以通过柔性表面的图像变化，进一步识别接触几何、压力分布、滑移和表面纹理。

所以真正重要的，不是“光为什么重要”。而是软体机器人正在从几个传感器，走向全身都在感知。

图5｜从感知到智能：软体机器人中的信息处理与具身智能(a) 分布式多模态感知是可变形机器人系统实现环境感知的基础，通过在整个机器人本体中整合机械、光学、电学、热学、化学和声学等多种信息，实现对复杂物理环境的全面感知。其中，光学感知因具有高灵敏度、与柔顺结构良好的兼容性以及实现大面积分布式感知的潜力，正成为一种尤其具有发展前景的感知方式。(b) 借助机器学习、深度学习和基础模型架构，人工智能能够对高维度感知信息进行解析与理解，从而逐步提升对可变形物理交互过程的认知和解释能力。(c) 对未来物理感知型具身智能（physics-aware embodied intelligence）的构想：人工智能模型与力学规律、本构关系、接触物理以及环境交互实现紧密耦合，从复杂感知信息中推断潜在的物理状态，并在存在不确定性的环境中支持自适应决策。

04.

AI要理解的，是一个不断变形的身体

但机器人有了越来越多传感器以后，问题还没有结束。甚至可以说，新的麻烦才刚刚开始。

软体机器人产生的数据和传统刚性机器人很不一样。它们通常具有几个特点：高维、非线性、多模态、噪声大，而且会不断漂移。

同样一个动作，材料老化以后可能产生不同信号；同一套控制算法，换一批制造出来的机器人，力学响应也可能发生变化。

因此，软体机器人的感知问题，不只是“采集更多数据”。还要回答：如何从这些不断变化的数据里判断机器人真正的物理状态？

机器学习正在进入这里。

论文讨论了自监督学习、多模态融合、物理信息神经网络以及基础模型等方法，希望机器人能从不完整、有噪声的传感信息中推断隐藏的物理状态。

但作者同时提醒，纯数据驱动路线并不够。软体机器人的数据集通常规模较小、标签不足、噪声较大，而且材料老化、制造差异和传感器漂移都会降低模型在不同平台间的迁移能力。

模型如果只“记住数据”，很容易在物理条件变化以后失效。因此，论文认为未来更可能依赖一种混合路线：AI + 物理。包括physics-informed learning、持续学习、自监督表示学习和仿真增强训练等方法，将材料、力学、接触和环境规律纳入学习过程。

更准确地说，对于软体机器人，AI不仅要从数据中找规律，还要理解这些数据来自一个真实、连续变形的物理身体。

这也是Physical AI里的“Physical”真正困难的地方。它处理的是一个摩擦、碰撞、变形、材料滞后、疲劳和误差始终存在的现实世界。

05.

3D打印正在从“制造机器人”走向“编程机器人”

还有一个经常被漂亮Demo遮住的问题：软体机器人很难制造。

实验室可以花几天甚至几周手工做出一台样机，但“做出一个”，和“稳定制造一万个”，完全不是一回事。

论文把规模化制造列为软体机器人至今仍未解决的重要瓶颈。软材料不仅要够柔软，还要同时满足韧性、疲劳寿命、环境稳定性和可加工性；不同材料之间还可能发生脱层、残余应力积累和界面失效。很多现有软体机器人依然需要大量人工装配、后固化、校准和对准。

也正是在这里，3D打印和4D打印开始拥有了不同于传统制造的意义。

传统制造通常是：设计 → 加工 → 装配 → 调试。但软体机器人高度依赖复杂的材料分布、微结构和多材料界面。

3D打印因此提供了一种新的可能——直接把结构、材料和功能打印进去。进一步发展到4D打印之后，机器人甚至可以在制造完成后继续改变自己的形状、刚度、结构和功能。

制造于是开始具有“编程”的意义，把部分智能直接写进材料和结构。

图6｜制造作为软体机器人功能与智能的来源(a) 可规模化制造仍然是软体机器人发展面临的主要瓶颈之一。这是因为软体机器人的性能依赖于跨越多个尺度、彼此紧密耦合的结构特征，其范围从分子层面的组织与界面键合，一直延伸至多材料架构和系统级集成。 (b) 4D打印将增材制造从静态几何结构进一步拓展至可编程物质，使机器人结构能够响应外部刺激，动态调节其形状、刚度和功能。(c) 未来的软体机器人系统有望通过设计、材料、制造与运行的闭环协同优化实现。在这一过程中，数字孪生、逆向设计、多物理场仿真、感知以及自适应制造相互持续反馈，共同推动系统迭代与优化。

当然，这并不意味着4D打印本身就是“智能”。

更准确的变化是，过去是先设计机器人，再把它制造出来；未来可能进一步变成：材料、结构、制造过程和机器人行为一起设计。

数字孪生、逆向设计、多物理场仿真和AI优化，也可能把设计、制造、测试和反馈连接成一个闭环。

但即使解决制造问题，真正走出实验室依然还有很长一段路。

今天大量软体机器人仍依赖空压机、泵、外部电源、外部计算设备、运动捕捉系统，甚至人工监督。软执行器要同时做到高输出、高效率、快速响应和便携依然很困难；软材料还会经历疲劳、撕裂、蠕变、漂移和老化；真正的机器人还必须把传感器、执行器、电源、通信、计算和AI塞进一副持续变形的身体里。

所以，论文最后把问题拉回了一个非常现实的判断：下一代真正可部署的软体机器人，决定其价值的不会只是“有多软”。它还要同时做到感知、自主运行、无缆化、耐久、可制造、智能，并能够长期适应真实环境。

这也意味着，软体机器人的竞争正在从单个部件创新，进入系统集成阶段。材料、力学、制造、能源、传感、控制和AI，越来越难各做各的。

06.

结语：从“机器”走向“智能物质”

软体机器人正在经历一次重要的范式转变。

最早，人们关心的是：机器人能不能变软？后来开始研究：机器人能不能更好地感知和适应环境？现在，一个更深的问题正在出现：能不能让材料和结构本身，也参与感知、计算和控制？

这正是软体机器人与Physical AI真正发生交汇的地方。

未来的机器人更可能是一套高度融合的物理系统——材料具有功能，结构参与计算，身体拥有感知，AI理解物理，机器人在与环境的交互中不断适应。

从这个角度看，软体机器人真正重要的贡献，在于提出一种不同的机器人设计逻辑：智能不一定只存在于“大脑”中，也可以存在于身体、材料与环境之间。

而这，或许正是下一代 Physical AI 最值得探索的方向。

论文链接：https://doi.org/10.1021/acsnano.6c13106