博文
控制已死？——从机器学习到群体智慧
|
近年来，一场名为“具身智能”的风暴正席卷而来。当机器学习系统从虚拟走向现实，试图操控物理世界时，一个古老而尖锐的问题再次浮现：控制已死？
面对日新月异的AI演示，许多控制学人感到了前所未有的焦虑：我们建立在严谨数学之上的“屠龙之技”，是否真的正在被似乎大力出奇迹的数据模型所替代？本文正试图从这场焦虑出发，梳理从深度学习到世界模型的技术演进，剖析传统控制在泛化需求下面临的困境和机遇。本文的核心观点是：当AI越接近物理执行，“黑盒”模型越试图包揽一切时，我们对“安全”的需求就越刚性。AI的角色是高层“规划”，而控制理论的角色则是底层的“安全基底”与“执行闭环”。除此之外，面对日益复杂的被控对象和场景，我们控制理论也有自己的仗要打，我们将从AI的挑战谈起，以生物（鱼群）的启示作喻，最终试图探讨一个核心问题：在智能的新范式下，控制理论将如何演化？它不是要死亡，而是要在一个“AI-Control”协同的新架构中，扮演不可或缺的角色。
一、“控制已死”的又一次兴起先不管前几次的兴起因为什么原因，近两年来，看着各种机器人的演示demo，让多少控制理论研究者心神俱震，“控制已死”的声调越来越高。
遥想当年深度学习刚出来的时候，虽然也有类似的话，但各个控制大组稳坐钓鱼台，继续操练着比如各种攻击机制的改进，那个时候要是说XX组转了深度学习，那是新闻。 这两年，只要是参与相关学术会议，最常听到的是什么呢？“你听说了没，XX组转去具身智能了”。对于这种现象，有人会说，那是因为搞这个能申请到经费。但你要说深度学习突起的那几年，怎么就没有呢？
站在今天的角度回头看，大概率因为 深度学习只是一个“新工具”，解决的是感知（Perception）和拟合（Fitting）问题。控制学者们迅速发现了深度学习的价值，但属于拿来主义：作为超级传感器和高级拟合器。诚然在诸如无模型控制和系统性能分析上起到了一些推进，但不至于全部梭哈。
这些年来，我们看到各种名词层出不穷，眼花缭乱，但对于控制界的人来说，除了红极一时的神经网络控制，可能更多的是看看推送，直到计算机学界的主要焦点从纯虚拟环境到试图操控现实。为了更清楚的展开论述，我们先来回顾一下名词的演变。
这场风暴（具身智能），是技术演进与高质量需求交织下的必然结果。
我们可以清晰地看到一条主线：
神经网络 (NN)：其起因是模仿生物大脑，优点是实现了非线性拟合。但缺点是模型浅层，受限于“维度诅咒”和梯度消失，只能处理简单、结构化的数据。
深度学习 (DL)：起因是算力（GPU）和大数据解决了NN的训练难题。其优点（例如CNNs/RNNs）是成为了强大的“模式识别引擎”，在感知（Perception）上（如看和听）取得了超越人类的性能。但其缺点是，它本质上仍是一个“高级拟合器”，缺乏常识推理能力，且需要海量的标注数据。
大语言模型 (LLM)：起因是Transformer架构解决了长程依赖问题，其“注意力机制”和“缩放定律”（Scaling Law）使其得以吸收海量文本数据。其优点是涌现出了强大的“零/少样本”的常识推理和生成能力，成为了一个通用的“文本大脑”。但其缺点也极其明显：它是“缸中之脑”，不接地气，无法感知多模态信息，更无法与物理世界交互。
VLA (视觉-语言-动作) 模型：起因正是为了解决LLM的“缸中之脑”困境，使其“具身”。因此，VLA正成为这场风暴的中心，它们试图将（来自DL的）视觉感知、（来自LLM的）语言理解和（新加入的）动作执行统一到同一个大模型框架中。优点是它终于让AI“手眼协同”，能理解并执行物理任务。缺点是其“动作”部分是最大的短板：它要么是简单的“行为克隆”，需要海量的（动作）数据，且在未见过的场景下极其“脆弱”（Brittle）；要么它只是生成“文本规划”，严重依赖底层的控制器。它缺乏对物理动力学的深度理解。
世界模型 (World Model)：起因正是为了解决VLA的“数据饥渴”和“泛化脆弱”问题。因此，这场演变正从大语言模型（LLM）和VLA向世界模型（World Model） 快速推进。不再是简单地拟合（状态-动作）的表象，世界模型试图在内部学习一个物理世界的动力学模拟器。这种演进（指向世界模型）是革命性的，并直接激化了矛盾：一方面（优点）：它使得AI“学会了做梦”。由于它能在内部“预演”未来，它生成的策略（规划）会比纯粹依赖（LLM）推理或（VLA）克隆的策略更加完善和深思熟虑。它可以在“梦境”（内部模拟）中进行高效、安全的强化学习，这解决了VLA的数据效率低下和物理交互危险的缺点。另一方面（新缺点/矛盾）：也恰恰是这种强大的内部模拟能力，使其成为了“最强的自动测试工程师”。它会在自动生成的成千上万种繁多场景下（即“长尾场景”），迅速地、无情地暴露出现有策略（无论来自LLM还是RL）的任何微小不足。世界模型越强大，它能“想象”出的“极端工况”就越多，这对策略的可靠性（安全性）提出了近乎无限的挑战。
进一步描述这一重大冲击之前，我们先来看看当时控制理论主导下的机器人行业到了什么地步？ 用几个字总结来说，此时，控制理论和传统机器人学界，特别对于大众用户来说，弥漫着一种“大玩具”感：
举个例子，传统方法能做到“人类觉得难”的事：例如工业机械臂以微米级精度重复运动，航天器精准的对接，或者让“阿特拉斯”（Atlas）机器人完成后空翻（想象到波士顿动力那些惊艳的demo）。但它做不到“人类觉得易”的事：例如叠衣服、在杂乱的厨房里找到特定品牌的麦片、或者理解“帮我收拾一下桌子”。这就是“大玩具”感的来源： 它们很“强”，但很“笨”。像“大狗”（BigDog）或“阿特拉斯”这样的机器人，一方面是传统控制理论的巅峰（例如 ZMP、MPC 控制）。但另一方面，它们也暴露了传统方法的天花板：它们是“马戏团的动物”，在高度结构化的演示中表现完美，但极其“脆弱”（Brittle）。它们无法进入一个未经事先编程的未知环境，去“理解”并“执行”一个模糊的任务。
再举一个例子：我们印象中机械臂去取一个部件，就做一个简单的从a点移动到b点，1个机械臂。就这么一个简单场景，你可以用任何方法去做。而且我相信那些传统的，改进的，发挥到极限的方法，它一定比你大模型现学现卖要好的多。但是呢？你会买这种机器人吗？现在大众所希望的是什么呢？既能端茶送水，又能切菜炖肉，现在这个阶段大家考虑的仍然是：场景要越来越复杂，实现的功能要越来越好。而不是说你实现的某个功能有多好。 就像拿苹果一样，如果你知道苹果在什么位置，知道人在什么位置，你把苹果从那地方拿到人这里。这个过程你可以无限简化，无限细分，然后每个都用传统的方法。但是你现在的问题是苹果有可能在这个家的所有的地方，任何一个地方，而用户可能下一秒就说我想吃梨。这种对功能广度和场景泛化的极致追求，恰恰是世界模型试图解决的。它允许AI在内部想象出苹果在任何地方、或用户索要梨的场景，并预先训练一个应对策略。
所以说目前如果考虑机器人行业的发展的话，与其说某项技术有没有前景，倒不如说哪项技术更有可能实现当前所面临的主要任务，当前就是市面上没有一个非常全面的机器人。
这段时间有很多听众，有很多读者去各种平台上询问。说既然现在都是大模型，那么我们这个控制还有没有什么存在的必要性啊？或者说该怎么发展呀？我们要知道一件事情，控制上做的改进一般属于性能上的提升。某个具体具体不能在具体的任务上的性能的提升。 但现在我们的机器人行业面临是这种问题吗？ 现在的问题不是说在某项具体任务上发挥出色，而是说让机器人尽可能的完成许多任务。
而如果我们已经得到了很多市面上的产品，大家竞争到一片红海的时候，那你就可以说了，哎我们这里用了一种这个基于模型的方法呢，把这个性能又提高了一下，有可能之前呢拿着苹果的成功率是98%，我们能提高到99%，那这就是传统学科的用武之地。而不是说我这个机器人只能拿苹果，它不像其他的可以叠衣服，可以拖地，可以关门。虽然说每一项效果都不能全部如意。但是它至少功能多呀，它会的多啊。
如果说上面说的话比较模糊的话，那么这里就再清楚一些。不要对某项技术崇拜的很高。只要不符合目前所面临的主要任务，该搁置就搁置，不要觉得不学这个就是离经叛道。一个技术让你从5块钱能挣6块钱，和一个技术让你从5块钱能挣100块钱。你会选哪个？那当然是先从5块钱挣到100块钱，然后再往上提高的时候，看看怎么从100块钱挣到101块钱。
看到这，读者可能会有这么一种感觉，那完全可以高声宣布控制已死了啊，我们再回过头来看上面，其实隐含着一个不起眼但是致命的问题：“现在的问题不是说在某项具体任务上发挥出色，而是说让机器人尽可能的完成许多任务。”，这里隐含着一个用户假定：机器人虽然不能非常出色的完成所有任务，但是它能完成的任务一定保证可以完成，而不会出事。如果你的产品，会开车，但开车20%可能会出事，会拿东西，但是10%可能会一拳给你炫飞。那即使你的功能宣称的多，用户：我还是自己干吧。
这其实也算是从虚拟到现实的一个问题。比方说你用算法做推荐。大家可能刷到了不喜欢的内容也会一笑而过。但是如果用算法做自动驾驶路线跟其他的障碍物产生了一些接触，那么用户就没有下次体验的机会了。 而未来世界模型的演进，恰恰将会把这个安全问题推向了极致。它一方面通过内部模拟，可能将拿苹果的成功率从98%提升到99.9%；但另一方面，它也会在内部模拟中，自动发现那0.1%的“长尾场景”（Long-tail Scenarios）——比如''灯光昏暗时”、“苹果被部分遮挡时”或“机械臂关节轻微磨损时”——在这些场景下，原策略会100%失败。
因此我们可以看到，当前宣称基于大模型的工作主要分化为两条路径：
一是（也是较常见的）将大模型作为“轨迹生成器”，而把轨迹跟踪交给底层的（通常是手动设计好的）控制器。但为了安全考虑，很多工作也在底层控制器上做了安全保证。
我们也注意到，二是（也是更激进的） 有一些基于大模型的工作（比如VLA）则试图替代控制的主要作用，利用他们所称之为“动作专家模型”的部分，直接输出某个电机或者某个关节需要达到的状态。 这种“端到端”的黑盒策略，跳过了所有传统的手动控制器和安全规则，使得一个问题更加突出的摆在眼前：当一个黑盒模型试图包揽从语义到物理执行的一切时，它就必须在“绝对可靠”和“需要保底”之间二选一。而鉴于“绝对可靠”在数学上无法证明，这就使我们对“保底措施”的依赖变得更加迫切和刚性。
综合来看，无论是前者（生成轨迹）还是后者（直接输出状态），反而大大地加强了对于安全验证的迫切需要。 因为当“黑盒”试图包揽一切时，我们就越需要一个独立于它的、基于数学的“形式化验证器”来充当最后的“刹车”。 这就引出了控制理论的安全基底作用。这个基底的根本任务，就是在“语义规划”和“物理执行”之间建立一道防火墙，并明确二者的职责分工： 大模型只负责“做什么”，而控制理论（即这个安全基底）负责保证“怎么做”是可靠且安全的。那些所谓的“保底的操作”或“基于规则的保底操作”，在现代控制理论中有着精确的对应，包括但不局限于：
1、控制屏障函数 (Control Barrier Functions, CBFs) ，CBF 的作用就是定义一个“安全集”（例如“机械臂与人的距离必须大于0.3米”），并强制底层的控制器（无论是手动的还是学习的）绝不能让系统状态越过这个边界。
2、李雅普诺夫函数 (Lyapunov Functions) 。它则用来保证底层控制器在执行“停在目标点”或“跟踪轨迹”这类指令时，是真的稳定收敛的，而不会无限震荡或发散。
一方面，我们可以手工设定规则或者使用手工可以构造并保证稳定的控制器，这可以解决绝大多数问题，尤其是规划为主体，且控制系统知识较为完备的情况下。（这也是不少读者对于具身智能demo的惊艳和对控制感到失望的原因所在），但在复杂的现实世界中，某些情况下，手动设计这些 CBF 和 V(x)几乎和传统控制一样困难。因此，利用机器学习去自动发现和验证这些安全证书，无论是早期研究中的黑箱逼近，还是这两年的白盒寻找，都在这起到关键作用。特别对于那些期望大模型或者数据搞定一切的“数据驱动控制”，这是重中之重。
（这里补充一个笔记，有人说，用神经网络和形式化验证来做的这套思路已经好多年了啊，这算不得什么新鲜玩意，但我们回过头来看，我们一开始期望借助计算机去寻找李雅普诺夫函数，本意是为了启发人类设计。但早期的“黑盒逼近”方法只能证明稳定，却无法提供洞察， 所以我们“仍然不知道”为什么稳定。而如果我们能发现新的“白盒”解析形式，下一次就可以将其作为新的设计先验，这就是一个良性循环。 这个思路绕了一个小弯，但随着2024-2025年计算机学界的进展，从控制人的视角里，也算是回到了启发人类的正途上。）
一言以蔽之，我们可以将工程任务分成规划和控制两个层面。大模型（LLM/VLA/世界模型）充当了高层的“语义规划器”和“场景生成器”，而底层的“动力学控制器”则必须由我们讨论的、可被形式化验证的控制理论（如 CBF 和李雅普诺夫框架）来充当。 虽然大多数情况下是互相融合的，但有的工作是不断压缩控制的范围，有的工作是不断压缩规划的范围，两种技术路线各有各的好处，从这个角度理解，也许更能看清楚当前的技术进步。
那么我们这里就可以理解。为什么深度学习兴起的时候，控制学界的人比较淡定的。或者说大部分比较淡定。是因为深度学习在处理软件算法的时候有些小错误，错了就错了。不会造成什么影响。就说图像识别。有哪家敢宣称自己100%识别到吗？不还是照样使用了。更主要的是那点差距，你靠控制理论也没法给他保底。但是一旦接触到工程，那就要做周全的方案。尤其是目前这个产业需求之下。既要功能多，又要让用户体验到安全。这需要两方面都懂的人。
进一步，如果我们真正通过几年的努力，进入到那个：市面上很多成熟的机器人、每一种机器人都能完成许多许多的功能的局面。那么我们那个时候又将进入对于性能方面的提升时期，而不是对于功能方面的拓展。那么此时这个最优控制了或者其他形式的XX控制可能又要提上日程。当然是以什么样的形式进入？那我们也没法预测，只能按照这种需求上来判定。或者说竞争上来判定。一个经验是他不可能是丝毫不动的直接拿过去。而肯定要结合一些那个时候最新的进展来做一些演化。在历史书上也被称为螺旋式上升。当然了，这里只是举一个随意想到的例子。
既然是感悟帖子。那就属于比较散乱的记录。在近年的某次学术会议上，观众向来报告控制理论结果的报告人提出了这么一个问题。具身智能如此如此的迅速吸引了大家的关注，那么您认为控制理论该走向何方呢？
我们这里给出三个应对方式，
一，大力批判具身智能的黑箱效应，认为它不稳定，我们是保证稳定的。
二，积极承认目前的业内需求。承认目前的主要需求（功能广度）是由大模型/世界模型来驱动的。但同时要强调，这些模型越强大，它们自动暴露出的“安全漏洞”（长尾场景）就越多，因此对控制理论（作为形式化验证和安全基底）的需求就越刚性，而不是越少。
三，将目前的具身智能技术完全化为控制学科。或者其他形式试图消除问题的操作。
那么聪明读者如你，该如何做出回应呢？
这里扯点题外话，其实用户对于机器人的期望不仅仅在于它功能多和安全。还带着激进，比如跑的一定要比人类快，拿的一定要比人类稳。比如对于人形机器人运动会的一些评论，总要给技术进步一些耐心嘛。
二、什么是复杂场景？上面提到，用户实际上希望的是一款多功能的机器人，那么自然就有这么一个问题。设计者说了：我就要用控制理论，我认为只要我把这个机器人的功能我设计的非常全面，我让他能倒水，又能拿东西，又能搬东西，又能上楼，又能打扫卫生，又能巡逻，又能安保，又能巡检。大不了我做好几十套方案。然后我把感知那块做好，剩下就完事儿了。只要我感受到一个场景，我就自动调用某种方案。
这个场景看上去非常非常的复杂。但是呢，这是我们所期望的复杂场景吗？或者说这是控制的因素完成不了的复杂场景吗？
我们以叠衣服为例：
如果衣服的种类和大小已知且种类很少，且放置位置比较固定，只是样式多，那么适当的分类加传统方法 将以低成本的优势胜出，而且可以完全分离，识别器给出种类，系统执行该种类的方案。
如果衣服的种类和大小未知且种类很多，且放的到处都是。那么分开处理的技术思路就不再适用。识别结果将直接参与到操作方案生成。此时提前分类的问题不在于复杂，而在于不可能。
这里衣服种类和大小 属于 未知环境。而它的摆放位置 属于 非结构化环境
下面用个表格来说明
| 结构化 | 非结构化 | |
|---|---|---|
| 已知 | 场景 1: 棋盘 / 工厂流水线 分析: 规则完全固定，信息完全已知。这是最简单的场景，适用于传统的自动化算法。 | 场景 2: 你家杂乱的后院 / 熟悉的登山小径 分析: 你对环境了如指掌（已知），但环境本身充满变化和不规则（非结构化）。你需要的是适应性和泛化能力，而不是探索。 |
| 未知 | 场景 3: 首次进入一个陌生的、整洁的图书馆 / 新建的、路况简单的城区 分析: 环境有清晰的规则（结构化），但你缺乏地图（未知）。核心任务是快速建图和定位（SLAM），一旦地图建好，问题就转化为场景1。 | 场景 4: 首次进入一片原始雨林 / 首次对深海海床进行探测 分析: 你既没有地图（未知），环境本身又极端复杂多变（非结构化）。这是机器人和AI面临的终极挑战，需要同时具备强大的探索、学习、感知和泛化能力。 |
我们做控制，习惯于说复杂场景，这里最大的问题在于用“复杂”把不同的场景一概而论了。
经历了几年、十几年、几十年的运行和经验，在老师傅的帮助下，只要按照规则运行，很多我们所俗称的复杂工业场景其实是已知且结构化的，这里的复杂尽管按照操作规程要写厚厚一本，但只要能写出来就可以，只要不是为了复杂而复杂，（比如安全生产规则随意违反，生产场景人来人往，就要去跟机械臂比比会不会被给一电炮）。近几年这里闹了一些笑话。一些案例中看到复杂二字就想用具身智能，其实是已知且结构化场景，有点过于心急了。
有些场景则不满足，比喻来说没有“老师傅”，你跟机器人说去拿个苹果，苹果不会固定在一个地方刷新，你也不会在专门的接苹果区一直待着。苹果有可能在水池，在盘子里，在篮子里。你有可能站着看风景，躺着看新闻。等等。穷举这种场景是不可能的。所以，我们可以看到，复杂场景是说各种因素的混合叠加，还是你根本无法准确定义呢？
三、从生物学上看待控制：一个案例笔锋一转，如果我们承认“场景4”（未知且非结构化）是具身智能的终极挑战，那么在人类造出通用机器人之前，谁是这个场景下的“最优解”？
答案是：大自然。
让我们来看一个“活”的控制系统。（下面来自于今年对于鱼群的观察和一些相关论文的阅读总结，稍微提一提吧。）
请大家先在脑海里想象一个画面：在蔚蓝的大海中，成千上万条沙丁鱼，像一片流动的、闪着银光的云彩。它们同步移动，瞬间转向、分散、又在下一秒奇迹般地重新聚合。它们整齐划一，仿佛有一个“灵魂”在指挥。我们都会好奇：谁是“指挥官”？
这个问题，科学家们想了很久。最早，我们以为答案很简单。也许就像电脑程序一样，每条鱼的“出厂设置”里都写着三条简单的规则：
第一，别撞车（分离） 第二，跟上大部队的平均方向（对齐） 第三，别掉队，往群体中心靠（聚集）
这套规则听起来很有道理，在电脑上也能模拟出很像的动画。但问题是，当我们真正去观察大海里的鱼群时，我们发现大自然，可比我们的代码要“秀”多了。
首先，鱼的“传感器”就比我们想象的要高级。我们人开车，主要靠眼睛。鱼也一样，它们用视觉来“拉”近自己和同伴的距离，保持队伍。但它们还装备了一个我们人类没有的“超能力”——侧线。这就像一套遍布它们全身的“声纳”，或者说“远距离触觉”。它能感知到周围水流最细微的震动和压力变化。当旁边的邻居太近时，它们甚至不需要“看”到，就能“感觉”到对方的存在。
于是，一个极其精妙的“推-拉”系统诞生了：眼睛负责“拉拢”，侧线负责“推开”。这是一个多模态的、高度协调的感知系统。好，传感系统升级了。但更颠覆的，是它们的“算法”。
我们以前认为，一条鱼会很“平等”地“平均”所有邻居的影响。比如，左边的邻居往左，右边的邻居往右，那我就走中间，对吧？错了！生物学家发现，鱼根本不是在做“数学平均”。它们在做的是“社交决策”。我举个例子大家就明白了： 你和你最好的朋友A在一起，你可能很安静； 你和你另一个朋友B在一起，你可能很活泼。 但当A和B同时出现时，你不会变成“一半安静一半活泼”。你可能会开启一个全新的“社交达人”模式！1+1 不等于 2，而是等于 3！鱼也是这样。它们对“两个邻居组合”的反应，根本不是对两个单独个体反应的简单叠加。这是一种“高阶交互”，是一种真正的、涌现出来的群体智慧。这意味着，我们过去画的那种“一条线连着一条线”的简单网络图，如果要对于鱼群，从根本上就错了。我们需要全新的数学工具。
更有意思的来了。大自然不仅是位“算法大师”，它还是个“黑客”。在我们的工程系统里，有很多“敌人”，比如：信号延迟、数据丢包、网络拥塞、错误信息……我们想尽办法消除它们。你猜鱼群怎么看？它们说：“这些不是Bug（缺陷），这些是Feature（特性）。”
第一，“数据丢包”？ 在密集的鱼群里，你前面的鱼把你的视线挡住了，你“看”不到更远的地方了，这就是“丢包”。这很糟糕吗？ 不。鱼会立刻切换它的“传感器”，从依赖视觉，切换到更依赖侧线（水流感知）。这叫鲁棒性，或者叫“容错”。
第二，“网络拥塞”？ 当捕食者，比如一头海豚，冲进鱼群时，鱼群的目标是什么？ 不是跑得更快，而是让海豚的“CPU”死机！ 它们会瞬间炸开，形成一个信息“风暴”。成千上万个相似的目标在眼前晃动，让捕食者的大脑瞬间“信息过载”，根本无法锁定任何一个单独的目标。 这就是“拒绝服务攻击”（DDoS）！ 鱼群主动制造了“拥塞”，并把它变成了最强悍的防御武器。
第三，“错误信息”？ 如果有一条鱼“神经过敏”，看错了，它突然逃跑怎么办？整个群体会跟着它“自毁”吗？ 不会。鱼群启动了“投票机制”。 如果只有一两条鱼惊慌，大家会“无视”它，认为那是“假新闻”。只有当惊慌的邻居数量超过一个阈值（比如5条）时，大家才会一致认为：“狼真的来了！” 这是一个天然的“错误信息过滤器”！
所以，大家发现了吗？
鱼群的真正目标，可能不是“飞得整齐”，甚至也不是“跑得最快”。它们在追求一种非常“禅”的境界——“临界点”。请想象一个沙堆：你一粒一粒地往上撒沙子，沙堆在“有序”地堆高。但它总会达到一个点，一个极其脆弱的平衡点，你再加一粒沙，整个沙堆就会“哗”地一下崩塌，进入“无序”。鱼群，就常年把自己维持在有序与无序的边缘。
这有什么好处？ 反应最快！ 这就像一根拉满的弓。只要有一点点风吹草动（比如捕食者的信号），它们就能在毫秒之间，从一个“有序”的整体，瞬间“崩塌”成一个“无序”的逃逸状态，爆发出最强的生存能力。
我们再回头看那个问题：谁是“指挥官”？
答案是：规则，就是指挥官。
是那些在亿万年演化中“写”进鱼类基因的、精妙绝伦的感知和交互规则，创造了这个我们眼前的奇迹。而我们今天所做的一切，就是试图去“解码”大自然的这套“控制法则”。
这个解码有什么用？
一方面，我们向鱼群学习，可以创造出更聪明、更鲁棒的无人机集群。它们不需要一个中央指挥塔，也能在复杂的环境中协同作业。另一方面，我们也在尝试“反向工程”。我们正在用AI（人工智能）来“喂”给计算机一个目标（比如“活下去”），然后让AI自己去“学习”和“发现”鱼群的规则。我们甚至已经可以实现，造出一个“机器鱼”，或者干脆一个“投影”，让它混进鱼群，成为“领导者”，然后引导鱼群避开水电站的涡轮机，或者游向更安全的海洋保护区？
从解释自然，到模拟自然，再到与自然协同。鱼群给我们上的这一课，才刚刚开始。
四、最后的总结：解码“规则”让我们回头审视第一节的问题：“控制已死”吗？恰恰相反。
鱼群的“社交决策”与“高阶交互”（1+1=3），就是大模型试图在海量数据中学习到的高层策略（Policy）。它负责应对“通用性”和“非结构化”（场景2和4）。
鱼群的“侧线推开，视觉拉近”，就是底层的多模态反馈控制（Control）。它负责在毫秒间执行策略，保证系统不崩溃（即“安全性”）。
鱼群的生存奇迹，是两者完美结合的产物。“控制已死”的论调，本质上是混淆了“策略”与“执行”。
AI（大模型） 的角色，是成为那个“高阶”的指挥官，它负责理解意图（“我渴了”）和生成策略（“去厨房，找到水杯，倒水”）。这是传统控制做不到的。
控制理论 的角色，是成为那个“鲁棒”的执行者，它负责安全落地（“在移动时保持平衡，在抓握时精确施力，在遇到障碍时紧急制动”）。这是纯粹的AI保证不了的。
未来的机器人，既需要AI的“大脑”来处理“未知与非结构化”，也需要控制的“小脑”和“神经反射”来确保每一步的“稳定与安全”。
真正的问题不是“谁取代谁”，而是我们该如何设计一个“AI-Control”协同的架构，去解码并复现那套大自然已经迭代了亿万年的、精妙的“规则”。
https://blog.sciencenet.cn/blog-3387802-1510760.html
下一篇：这几年关于控制理论的一些记录
