科技博主 Tim Urban 在他有关于 AI 未来的文章里分享的手绘图，在有生之年我们这一代人至少有机会见证地球上诞生与人类平齐或者超过人类的智慧体。
受到 Tim Urban 这张图的启发，我也在笔记本上手绘了一张我眼中智能的未来，未来属于 “ human-AI-machines-organisms ” ，人-人工智能-机器-生物体的共生与协作。我选择相信看起来 utopia 的乐观未来，而不是 dystopia 人机对立的未来。机器的进步也会帮助人类变成更有适应力，身心和感知更高维的版本，得对得起我们自称为叫做 “智人”。
今天的 AI 越来越强大，但还缺少一个时代需要的意义，
这个意义应该是帮助真实世界可持续创造，和人类身心的和谐到超越。
我相信在未来的一二十年，生命科学与人工智能的叠加进步，将会改变每一个人对科技的观念还有许许多多的行业（大部分人今天理解的 technology 是过去几十年发展由半导体，到个人计算机，到互联网和软件应用所定义的，每一个时代也都会有新的公司引领科技的全新观念 ），还有塑造我们生存的环境和自然。
这一篇文章是上一篇《 生物是人工智能改变世界的拍档 》的延续，英文原文来自人工智能研究者 Sebastian Risi 在自己技术博客的分享，他是丹麦 IT University of Copenhagen 研究人工智能与机器人技术的教授， 也是 modl.ai 的联合创始人，用人工智能开发未来的游戏制作的公司。
Sebastian Risi 在他研究的自我介绍里提出的两个问题很吸引我：
1. Can we create lifelong learning machines that continuously acquire new knowledge and skills?
我们能否创造出终身学习的机器，不断自己获得新的知识和技能？
2. Can we grow machines that learn from and work together with humans to solve tasks that neither humans nor machines can solve by themselves?
我们能否培育 “生长” 出向人类学习并与之合作的机器，以解决人类和机器都无法单独解决的任务？
这篇技术交流文章涉及到数学语言的部分我不太能看懂，但是其中的多学科研究视角，以及受到自然启发、向生物机制学习、如何设计自组织和自组装系统非常值得学习。
如果你不想阅读硬核的正文，我想再分享一些也许对你有价值的有关 AI 的认知，来自于我的学习与研究，以及与 MIT, Google 里面的机器学习研究者的交流探讨的共识：
1. 从商业世界的角度去看，ChatGPT 很酷，以 ChatGPT 为代表的当下的 AI 产品足可以证明人工智能可以创造越来越多的价值和魔法。但是在加速到来的 intelligence 巨量涌现充斥在整个科技世界以后，创造价值的就不是技术本身，而是 Systems of intelligence, 各个领域智能化系统的创立，甚至技术（人工智能）还会降低很多行业创造价值，捕捉价值的能力（可以参照如今的互联网作为技术基础设施）。
只靠软件和算法不能真正改变世界亟待改变的很多体系，人工智能在商业领域的真正机会来自于各个有专业深度，有市场广度的工业和消费行业。就像特斯拉初步证明过的一样，未来 10-20 年，在真实世界充分利用人工智能这些新技术工具箱的工业/消费品公司，将会超过任何一家纯 AI 驱动的公司的体量以及增长速度。
2. 从科研世界的角度来看，AI4Science 越来越成为热点，解决能源问题和未来的太空探索问题 AI 当然也会发挥巨大的价值，但是人工智能和生命科学应该才是宿命中的一对。
数学和物理学是上一个时代科学探索的顶点和圣杯，非常的“干净” “纯粹”，而相比之下，人类都还没有真正理解生命科学和人工智能这两个学科底层的机制，也缺少通用的研究准则，相比于数学和物理，显得很混乱和脏（messy and dirty)。
我想两个 messy and dirty 的学科走到今天，就注定应该在一起，结婚以及创造宝宝。在分别的混沌中继续碰撞，互相启发，互为镜子，也许就会大力出奇迹，诞生新的东西。引用我的朋友 AI researcher 刘子铭的看法，“用魔法可以打败魔法。”
以上两个观点我会继续验证和在今后的文章里分享，如果你在生命科学，机器学习，先进材料科学等领域做交叉学科和工程研究，也欢迎找到我交流。
原文链接：
https://sebastianrisi.com/self_assembling_ai/
The Future of Artificial Intelligence is
Self-Organizing and Self-Assembling
人工智能的未来是自组织与自组装
作者：Sebastian Risi
原文写作日期：2021年12月13日
翻译：Helen Ying Han
编辑：范阳
这是我计划撰写的关于我们小组和其他一些业内人士的工作系列的第一篇文章，这会是一系列将深度学习的一些想法与自组织（self-organization）和集体系统（collective systems）的一些想法相结合的文章。在第一篇文章中，我们将研究一些已开发的方法及其应用领域，内容将横跨不断增长的软体机器人（soft robots）与Minecraft 机器到自组装模块机器人（self-assembling modular robots），还有创建更具弹性和适应性的强化学习智能体（reinforcement learning agents），这些想法的结合最终可能让我们的 AI 系统跳脱当前的局限，比如不稳定、死板和无法处理新情况这些局限。然而，这些结合也带来了新的挑战，我们需要找到创新的训练方式才能尽可能高效地工作。
自然界最迷人的地方之一就是，它拥有数百万甚至数万亿个元素组成的群体，可以只基于局部交互和表现，自组装成各种复杂的形式，这就是所谓的集体智慧（ collective intelligence )。例如，蚂蚁可以联合起来搭建桥梁或木筏来穿越复杂的地形，白蚁可以在没有任何外部斜坡的情况下建造出几米高的巢穴，成千上万的蜜蜂可以作为一个整体做出明确的决定，是该寻找食物还是新建一个巢穴。令人惊讶的是，这些难以置信的能力是通过遵循相对简单的行为规则和自组织的过程来实现的，Camazine等人 (2001) 将其定义为：
“作为一个过程，在这个过程中，系统全局级别的模式完全来自系统内较低级别组件之间的大量交互。此外，指定系统组件之间交互的规则仅通过局部信息进行执行，不会参考全局模式。简而言之，模式是系统的涌现属性，而不是通过外部命令强加给系统的。”
自组织系统源于多个组件之间高度的互联互通。由于缺少中心控制，它们可以快速适应新的刺激和不断变化的环境条件。此外，由于这些集体智能系统由许多更简单的个体组成，因此具有与生俱来的冗余度，具有高度的弹性和鲁棒性。集体系统中的个人可能会失败，但不会导致整个系统的崩溃。
多细胞生物学会了利用自组织原理进行自组装，从单个卵细胞开始，只依靠胚胎发育过程中的局部细胞相互作用进行自组装。类似于生物群的鲁棒性，细胞群的自组织对扰动非常稳健，对于某些动物而言，这一点发展到甚至能够再生出完整的身体部位，例如蝾螈的尾巴。这种类型的自我修复是自组织系统的一个普遍特征，有趣的是它完全不会涉及到任何额外的过程：
“建立初始模型的自组织过程可以用来修复模型。”
— Camazine等人(2001)
“The same self-organization process that built the initial pattern can operate to repair the pattern.” — Camazine et al. (2001)
自组装与工程化
Self-assembly vs. Engineering
虽然进化能够利用自组织过程来创造极其复杂的人造物（artifacts），但人工设计（human-made designs）通常是一块一块地拼接在一起，在受到损坏时需要外部干预才能再次运作（Edelmann等，2007）。事实上，自我组装的过程与典型的建造概念（如工程学上）非常不同（Davies 2014）。要建造一座建筑，建筑师首先需要制定一个具体的计划来展示预期结果，对执行砌砖、油漆等工人安排不同等级的命令。另一方面，在生物建造中，没有明确定义的蓝图来展示最终结构，取而代之的是，我们的基因包含了通过控制在形态发生（morphogenesis）过程中一系列事件来构筑结构的信息。
当你听到机器这个词，你会想到世界上最精妙没有之一的机器是这个吗？
生物神经系统的自组装过程也与目前的人工神经网络的设计和训练方式截然不同。随着生物网络的发展，人工神经网络的结构通常由人来完成构建，并通过外部和人类设计的优化算法（例如随机梯度下降，stochastic gradient descent）进行微调。虽然神经网络式的方法在许多不同领域都展现出了惊人的性能，从大师级别的星际争霸 (Vinyals等，2019) 到蛋白质折叠 (Jumper等，2021)这样的例子，当前的机器学习算法在遇到训练期间未见过的情况下通常不能很好地泛化。的确，它们目前并没有表现出类似自然界中利用自组织和自组装原理的系统所展现出的鲁棒性。事实上，仅仅对一张图像进行轻微的修改，人工神经网络通常就会被愚弄而做出错误的预测（Nguyen等，2015；Su等，2019）。其他例子包括深度强化学习智能体 (Gleave等，2019)，如果在足球踢球和防守环境中遇到未知的球员策略（例如智能体自己扑倒在地 —— 一个在真实的足球比赛中看到会很有趣的那种策略），或者甚至只是在《打砖块》游戏上添加几个像素（Qu等，2020），它就会彻底崩溃。
虽然自组织并不是生物有机体可以表现出如此高水平的鲁棒性的唯一原则——在不同的环境下训练似乎是另一个重要因素（Stooke等，2021；Risi&Togelius，2020）——但它可能是一个关键因素。我们是否可以通过吸收自组织等集体智能系统的一些灵感，让我们的人工神经网络和人工智能体变得更具鲁棒性和适应性？敬请期待，我们稍后会回到这一点上。
一个可以更容易拥抱集体智能——例如自组装——灵感的研究领域是机器人技术。这个领域的研究人员已经开发了群体系统，机器人们必须协同工作来解决一些任务（Hamann，2018），例如组装以穿越具有挑战性的地形。一个开创性的案例是 Rubenstein 等人的工作 (2014)，一千个名叫 kilobots 的小型机器人组成的群体仅仅依靠它们之间的局部通信自组装成不同的目标形状。
1000个kilobots组成的群体自组装成不同的形状（Rubenstein等，2014）。
然而，在Rubenstein等人的工作中，机器人仍然依赖于特定的人类设计的算法来让它们确定自己在全局坐标系中的位置并组装成所需的形状。尽管我们距离自然界中那些复杂的自组装成各种形式的系统，或者在迪士尼电影《超能陆战队》那样还有很长的路要走，但随着强大的机器学习算法的出现，问题转化成：我们是否能够取代人工设计的自组装算法，去学习这些算法，从而让更复杂的形式有机会被创造出来？
由许多模块化机器人组成的自组装结构，《超能陆战队》片段。Learning to Self-assemble能够自然学习自组织和进化的系统的模型称为元胞自动机 (CA)。元胞自动机最初于1940年代提出（Neumann等，1966），元胞自动机可以模拟形态发生这样的多细胞生物体的发育过程。一个CA中包含结构相似的单元网格，这些单元网格以离散时间步长定期更新。在每个时间步长中，每个单元的状态都可以表示一个状态，然后按照更新的规则过渡到下一个状态。具体过渡过程取决于单元和相邻单元的当前状态。尽管单个单元很简单，但整个 CA 能够执行复杂的行为，下面是一个二维元胞自动机示例——康威生命游戏。元胞自动机可以帮助我们理解生物模式的形成（Wolfram，1984），格基物理系统（lattice-based physical systems）在渗透和成核过程的建模（Vichniac，1984）以及人工合成生命（Langton，1986 ）。区别于硬编码的 CA 规则，在神经元细胞自动机 (NCAs)中 (Wulff & Hertz, 1992)，神经网络依靠与局部邻居的通信来学习局部规则以更新其内部状态。换句话说，相同的神经网络作用于每个网格细胞，类似于卷积滤波器的迭代应用 (Gilpin 2019)。例如，在我们的工作中，我们从自然界中发育系统的进化中汲取灵感，并通过进化算法训练 NCA 以生成特定的二维图形 (Nichele等，2017)。在这里，进化算法训练 NCA 的神经架构和权重，网络的输入是相邻网格单元的状态，NCA的适应性取决于经过一定数量的生长（就像发育）步骤后生成的模式与目标模式的相似程度。NCA生成不同的目标图形（Nichele等，2017）。虽然进化能够找到那些可以成功生成特定类型图像的 NCA，但通过训练生成稍微复杂一些的目标结构（例如上图中的北欧旗帜）被证明是有难度的，原因可能是进化优化算法受困于发展系统强加的复杂适应性地形的某些局部最大值。为了解决这个问题，Mordvintsev 等人（2020）最近采用了一种方法表明，如果给定一个二维目标图像，则可以通过有监督的梯度下降法来有效训练 NCA 以生成这些图像。令人印象深刻的是，该系统经过训练可以对损坏具有超强弹性；几乎可以删除整张图像，系统仍能够重新生成，就像来源于生物的灵感那样 (Camazine et al. 2001)，生成初始图像的过程同样也能修复它。 二维图像生成和损坏恢复（Mordvintsev等，2020）。上面提到的 NCA 的一个缺点是它们只能生成（和重新生成）它们所受训练的单个人工图像(artifact)，缺乏当前概率生成模型的多样化生成特性。最近出现一种称为变分元胞自动机（Variational Neural Cellular Automata）的方法通过在 VAE（变分子编码器）使用 NCA 作为解码器来缓解这个问题，使其能够学习纯粹的自组织数据生成过程。From self-assembling static structures to functional machines最近我们将 Mordvintsev 等人的方法扩展了到了三维层面，将三维卷积应用到神经网络架构之中（Sudhakaran等，2021）。具体来说，我们开发了一个三维NCA，用于生成三维 Minecraft 结构和功能性 Minecraft 机器。NCA经过一系列重建任务训练，可以生成由多达3,584个方块和50种独特块类型组成的结构。Minecraft 被证明是测试我们的方法的一个很好的测试域（通常也用于开放式学习），在这里可以创建静态（例如橡树）和动态（例如移动的毛毛虫）结构。要生成动态结构，重要的是 “活塞” 和 “粘性活塞” 方块，如果其他方块与“红石”方块相邻，它们会推动/拉动其他方块。如果 “史莱姆” 块被 “活塞” 块推动/拉动，“史莱姆” 块会粘连到相邻的方块并拉动它们。我们的实验表明，在大多数情况下，NCA可以有效地扩展到三维，能够有单个单元生成复杂的实体。三维 Minecraft 人造物体和功能机器生成（Sudhakaran等，2021）。NCA 仍然具有其二维对应物相同的再生特性。例如，我们可以将一只长大的毛毛虫切半，另一半就会长成一条全新的健康毛毛虫！Minecraft 毛毛虫的再生（Sudhakaran等，2021）。在前面的例子中，NCA 的任务是生成特定的目标结构。我们是否能训练NCA生成具有特定功能的结构，而非预先设定的某个特定设计？在我们最近的工作中（Horibe等，2021），我们使 NCA 得到了进化，使其能够生成可移动的仿生软体机器人。在这个生成过程中，每个单元必须学会交流以决定它们应该变成四种不同材料中的哪一种。例如，红色体素可以被认为是主动收缩和扩张的肌肉，而深蓝色体素等其他材料则是僵硬的。除了能够找到可以生长出可移动的形态的 NCA 之外，这些机器人还能够通过局部单元间的相互作用实现部分再生其原始形态，使其从损伤中复原。 软体机器人形态的生成和再生 (Horibe等，2021)。范阳注：未来我们看到的 “智能机器人” 会以可以自我组装，自我组织和自我修复的 “智能材料” “生物软材料”组成。自组装方法不必局限与二维或三维的网格状结构（grid-like structures）。图神经网络 (Graph neural networks ，Wu等，2020) 将元胞自动机的概念类推广到任意图形结构 (Grattarola等，2021)。最近 Pathak等人(2019) 在探讨如何使用强化学习来训练智能体使用动态图形网络自组装其形态。这些模块机器人由小型原始智能体组成（有肢体和电机，类似于《超能陆战队》中的模块机器人），可以进行选择与其他智能体连接，组装机器人的最终形态可视为图神经网络，参数在四肢之间共享，自组装智能体被证明可以在从未见过的环境中更好地泛化，也可以更好地泛化到训练期间未曾见过的形态，加入了额外的模块。利用自组织的概念使 NCA 这样的方法能够创造图像和机器人形态，甚至可以创造对损坏和扰动具有鲁棒性的功能性 Minecraft 机器。如果跟随极其灵活和适应力强的生物自组织神经系统的原则，我们能否将这些构想融入我们的深度神经网络，以赋予它们类似的优势？将自组织原则与机器学习模型相结合的想法可追溯到1980年代；一个著名的例子是自组织映射 (SOM)，一种建立在生物网络和生物形态发生的抽象概念之上的无监督学习方法。最近，我们小组和其他人一些人开始在强化学习领域探索这些问题。例如，相比直接优化神经网络的权重参数，仅元学习针对突触的Hebb学习规则从而使网络在智能体的生命周期内持续自组织其权重（Najarro & Risi，2020）。我们发现，从完全随机的权重开始，进化的 Hebbian 规则使一个代理物体能够在一个动态的二维像素环境中导航；同样，该方法也允许一个模拟的三维四足动物学习如何行走，同时适应一些在训练期间没有看到的形态学损伤，并且在不到100个时间步长的情况下没有任何明确的奖励或错误信号。自组织权重允许智能体快速适应训练期间未曾见过的形态 (Najarro & Risi, 2020)。Parameter Sharing in Self-Organizing Systems to Increase Generalization直接指向我们复杂的大脑某个部分的路线所需的信息量远远大于基因组中所存储的信息。基因组不储存神经元突触的特定形态，而是编码数量少得多的规则，这些规则会控制自组织过程如何连接大脑以及突触应如何根据神经元的激活而变换，这种惊人的压缩也被称为“基因组瓶颈”（Zador，2019），神经科学表明这种有限制的容量具有正则化作用，可以使路线和可塑性规则很好地泛化。迭代着合并学习规则。受基因组瓶颈这个生物学现象的启发，再基于我们之前的元学习研究（Najarro & Risi，2020），最近我们证明了通过让神经网络中的多个连接共享相同的局部 Hebb 学习规则，有可能大幅减少可训练参数的数量，同时获得更具鲁棒性的智能体（Pedersen & Risi，2021）。在进化过程中，通过迭代使用简单的 K 平均算法来组合规则，我们称之为 Evolve & Merge 的方法能够在不增加训练迭代次数的情况下将可训练参数的数量从 61,440减少到了1,920。通过自组织学习学习规则。不同于以大量规则开始，然后逐步合并它们，还有一种可能是直接以共享参数的网络作为开始。在Kirsch & Schmidhuber (2020) 的研究中，多个较小的循环神经网络 (RNN) 进行自组织，逐步形成全局学习算法。这些RNN都具有相同的权重参数，但内部的隐藏状态可以不同，从而可以让网络逐步学习自己的学习算法。自组织属性和共享相同的权重使这些网络能够学习具有良好泛化能力的学习算法。这种方法展现了自组织深度网络（self-organizing deep networks）的巨大前景，但它目前仅适用于小规模问题，并且可能会陷入局部最优困境。这一事实指向了这类自组织系统的一个公开挑战：它们可能很难被优化。我们将在下一节中回到这个挑战上。学习对未曾有过的和置换感官输入保持鲁棒性。融合了自组织概念让神经网络对输入中断变得更具弹性。在Tang & Ha (2021) 的研究中，输入被送入独立但相同的神经网络，神经网络可以学习整合局部接收到的信息（通过注意力机制），而且即使输入的顺序被置换了也仍然有效。这篇论文指出了自组织系统的另一个有趣的研究方向，如何完美地结合局部和全局信息。研究人员最近还表明，可以直接使用NCA作为智能体的控制器（Variengien等，2021）；NCA输入单元从周围环境中接收信息，特定输出单元的值则用于控制智能体，这样的系统还对嘈杂的周围环境和未曾有过的感官输入表现出一定的鲁棒性。Controlling the Uncontrollable or How to train your Self-Organizing Systems在这篇文章中，我们已经看到人工自组织系统能够展示出其生物对应系统的一些优势。同时，越来越明显的是，这些类型的集体系统训练起来可能很困难，这背后主要有两个原因：（1）首先是这些系统很难控制， 因为没有一个实体统领，控制一个自组织系统就是试图轻轻将其推向正确的方向，或者正如 Kelly (1992) 所说：“ 引导蜂群系统只能像牧羊人驱赶羊群一样：通过在关键杠杆点施加力，扰乱系统的自然倾向从而到达新的目的地。”“Guiding a swarm system can only be done as a shepherd would drive a herd: by applying force at crucial leverage points, and by subverting the natural tendencies of the system to new ends.”(2) 这些系统是不可预测的，这意味着没有数学分析模型可以直接向我们展示自组织过程的结果。我们都知道我们甚至无法直接预测一个简单发展系统的结果，例如一些一维元胞自动机 (Wolfram，2002)，只能随着时间的推移（例如实际运行生成的模型的程序）逐步观察结果是必需的。简单的一维 CA 的情况也适用于生物神经系统，生物神经系统（biological nervous systems）需要时间和能量在算法过程中逐步展现 (Hiesinger，2021)。“The self-assembling brain knows no shortcuts.”因此，找到能生产特定模型的自组织系统的参数是一个困难的最优解问题，而试图使自组织可编程（make self-organization programmable）是一个单独的研究领域，称为形态发生工程（morphogenetic engineering ，Doursat 等，2012、2013）。早期的研究人员尝试使用不同类型的遗传算法 (Mitchell等 ，1996) 和遗传编程 (Miller，2004) 来寻找 CA 的规则。受生物系统开放式进化规则的启发，当进化算法的任务被设定为寻找生成的特定目标的规则时，可能会使其陷入局部最优（Nichele 等，2017）。基于梯度下降算法的优势是我们可以有效地训练这些系统来生成特定的目标结构（Mordvintsev 等，2020；Sudhakaran等，2021），但目标结构本身是固定的，不是 NCA 来发现的，换句话说，NCA 经过训练生成特定的结构，而不是发现新的结构。此外，使用基于梯度下降算法需要在整个开发步骤序列中后向传播梯度，因此，随着开发步骤的增加，这个过程在内存需求方面变得越来越不可能。最近有一个在复杂的动态系统中寻找自组织模型的更开放的搜索替代路径，比如说质量多样性 (QD) (Pugh等，2016)和内在驱动学习算法 (Baranes & Oudeyer，2013)。在这些方法中，逻辑并不是搜索一个特定的解决方案（在机器学习中很典型的方式），而是试图找到一组最具多样性的结果。例如，在 Earle 等人(2021) 的研究中，作者使用 QD 算法 MAP-Elites 的一个变体（Mouret & Clune，2015；Fontaine等，2020）来进化成整体迥异的NCA群体，这些NCA可以为《推箱子》和《塞尔达传说》生成游戏关卡。他们的方法搜索那些展现不同对称性和路径长度级别的游戏关卡的空间并尝试为这些组合找到也满足某些有效准则的关卡（例如，《塞尔达传说》中的关卡必须包含一名玩家、一把钥匙和一扇门）。MAP-Elites 的好处是发现的能够生成具有特定特征的关卡的NCA可以成为在搜索空间的其他部分生成高质量关卡的垫脚石。QD 算法可以在搜索空间探寻比传统的基于对象的方法更多的特性可能因为自组织系统自身复杂的适应度地形和多个局部最优变得尤为重要。作者还将他们的 NCA 方法与另一种称为复合模式生成网络(CPPNs; Stanley，2007) 的生成神经网络方法进行了比较，后者可以间接描述图案但不经过迭代的自组织过程。他们发现NCA允许对游戏关卡空间进行更大范围的探索，单个NCA具有更多样化的输出。虽然对不同领域进行更全面的比较对于得出明确的结论是重要的，但这些结果暗示了与其他生成方法相比，自组织表现形式所具备的一些额外优势。 另一个例子是Reinke等人（2020）提到的内在驱动深度学习算法，它可以在连续的《生命游戏》系统 Lenia (Chan 2020) 中找到有趣的图案。该方法最初是为学习机器人技术中的逆向模型而开发的，它结合了内在驱动目标探索和基于学习构成了有趣的模式特征的深度自动编码器的无监督学习方法。作者也使用了CPPN，但不像前面那些例子利用编码静态模式生成关卡（Earle等，2021），在这个案例中，CPPN 只针对系统的初始参数，然后让系统在后续的过程中自组织推出。在连续元胞自动机系统 Lenia 中自动发现自组织模式（Reinke等，2020）。基于进化机制的质量多样性方法和内在驱动学习算法都能够有效地发现有趣的模式，这表明这些类型的算法有望应用于难以定位的自组织系统搜索空间。未来一个重要的研究方向将是如何使对该搜索空间的探索更具样本效率。生命系统可以自我塑造和修复，从不同的感官数据中稳健学习，并且仍然可以在新的环境中发挥功能。深度学习与集体智能构想的结合（deep learning with ideas from collective intelligence）最近开始在更大范围的机器学习社区引起兴趣。如果想要全面了解，还可以看看 Ha 和 Tang(2021) 最近发表的关于深度学习的集体智能（collective intelligence for deep learning）的综述论文。这些想法的融合指向了一条通往更具鲁棒性和弹性的人工系统道路。我们现在可以生成复杂的三维 artifacts、可以从损伤中恢复的仿生软体机器人、泛化未曾见过形态的自组装模块化机器人，可以处理置换输入的神经网络。通过利用让生物系统存活的概念，我们将能够大幅度扩展我们可以应用 AI 算法的任务范围。然而，自组织系统也有其自身的挑战，例如通常情况下的效率较低、可控性较差、不可预测，更难训练。未来一个重要的研究方向是如何在利用它们的众多优势的同时最大程度减缓这些明显的缺点。