前幾天佛蒙特大學研究者推出的第一個「活體」機器人xenobots，相信讓很多人吃了2020年的第一驚。全青蛙基因、可在水中存活、自我驅動、可「編程」……這一系列關鍵詞聽起來似乎是無機體已經出現，屬於生物學的21世紀終將到來，指不定哪天生化危機就會在科學家的一次手抖下誕生……
當然經歷了幾天的各種解讀和消化，相信大家對於整個事件的態度也趨於冷靜。而今天我們的話題就是，從所謂活體機器人的成功中，是否能找到一些具有普適性的新進展呢？
《孢子》尚未成為現實：科學家在實驗室里繡花
關於這個充滿了奇幻氣息的話題，當然要從祛魅開始。
如果用一句話來解釋這件事就是，科學家們通過非洲爪蟾的胚胎，分離出了幹細胞並進行培養，將一伸一縮具有自主運動能力的心肌細胞和用作槓桿的表皮細胞組合在一起，實現持續移動能力，再通過超算進行無數次實驗模擬，最終選擇了組合形式，讓兩種細胞組合出來的複合細胞能夠實現定向移動。
這種「機器人」最關鍵的優點就是可以隨著壽命耗儘自然降解，不會造成污染。當然各位看客也不必擔心，沒有生殖系統讓這些機器人不具備繁殖的可能，基本沒有可能出現想像中的一個操作不慎，世界被「腐肉」占領的克蘇魯畫面。而細胞也不具備神經系統，別說思維了，就連反射的邊兒都碰不到，人造生物覺醒攻擊人類的夢也可以醒一醒。
除去這些想像中的負面影響，活體機器人的應用價值恐怕也沒那麼容易實現。
在論文中，研究者提到了清理海洋中微塑料垃圾、為細胞設計囊袋在人體中精準給藥、清理血管斑塊等等作用。從理論上來講，如果有一種可生物降解、能夠通過編程改變形態、自我驅動運動的細胞生物存在，似乎確實能夠實現上述能力。
但從現實情況來看，這種未來還是比較遙遠。就拿為細胞設計囊袋實現精準治療來說，為細胞設計囊袋這件事情雖然在計算模擬中實現了，但科學家卻無法在現實中重現。至於清理血管甚至清理廢水，則需要海量這樣的細胞機器人才能夠實現。
那麼科學家是如何製作這些細胞機器人的呢？
答案並非是像大家想像中，如同遊戲《孢子》一樣輸入幾行代碼就能生成不同的細胞組合，而是像繡花一樣，在顯微鏡下用鑷子捏。如此以來無法實現囊袋的設計，就無需意外了。
工程能力上本身的限制，決定了細胞機器人在短時間以內沒法批量生產，更別提有關平衡成本收益的商業化應用了。
從細胞機器人，到細胞編輯系統
總的來說這一科學研究成果更多還處在學術、實驗性質，只是因為「活體機器人」這個概念太過令人咋舌，因而引起了媒體和普通人的過度反應。實際上不論是為此恐慌或是過度興奮，都沒有什麼必要。
其實在這次實驗中，還有一位主角被大家忽略，那就是背後提供計算能力的超級計算機深綠。
不難發現，讓複合細胞動起來的原理並不困難——天生會收縮運動的心肌細胞加上槓桿力量。那麼為什麼這一實驗成果在今天才出現呢？
原因就在於類似複合生物學實驗在工程上的難度，如上文所說，想把細胞組合在一起，需要科學家在顯微鏡下手動操作。使得實驗的時間成本、金錢成本和人力成本都十分之高。這也決定了，在上層設計上要儘可能精準，從而在工程層面要儘量減少「嘗試」。
而在上層設計上，以何種「姿勢」和「配比」組合不同的細胞，細胞又將如何在不同質地的介質中以怎樣的模式進行活動，這樣無數種的可能性，就全要靠進化算法下的海量的計算了。實驗中最終呈現的運動形態，就來自進化算法下無數次模擬的結果。
而佛蒙特大學研究成果的另一個關鍵重點就在於，這一模擬細胞運動和環境的系統是具有通用性的，換句話說，如果想模擬另一種細胞在另一種環境裡的表現，只需要對計算系統進行模塊化更改即可。
這種方式如同把工業領域的數字孿生概念引入了生物科學，避免了無數次失敗實驗的發生，也減少了複雜的實驗設計流程。極大的提升了生物科學研究的效率。建立在強大的計算能力，和逐漸累積下來的成果案例之上，未來引入更豐富的算法能力，通過神經網絡的黑箱來模擬出更強大的複合細胞模式也未嘗不可，即使短時間內無法在工程層面上實現，最起碼為未來指出了一種方向。
而這一實驗，僅僅是超算與生物科學合作的第一個典型案例而已。
人類的生物數字夢，正在從黑到甜
我們常常能從生物老師口中聽到一些不太嚴謹的說法，像是「再精密的機械複雜程度也不如一個細胞」或是「人是最高級的智能體」，其實這些言論的核心觀點就是一個——生物的複雜程度，導致其很難被以數字化的方式重現和模擬。
在計算機科學發展的歷史，其實有無數人前赴後繼的試圖用數字化的方式對生物進行模擬。其中有2014年開始的眾籌項目Wormsim，因為算力有限，於是科學家們選擇了秀麗隱杆線蟲只有約300個神經元和1000個細胞的生物，對於其大腦和神經系統進行了數字化模擬，實現蠕蟲式遇到障礙物會轉向的基本神經反射運動。又比如在對AI的追逐中，聯結學派的思想之源就一直建立在對於人類大腦中無數相互連接的神經元的模擬上。而在2013年，歐盟還牽頭攜手26個國家和135個科研機構打造了「人類腦計劃」，試圖通過超算完全模擬人類的大腦。
當然以上這些計劃，往往都是在腦科學、算力、存儲能力等等方面的限制之下，淺嘗輒止或徹底失敗。
目前以xenobots為代表的生物+超算，大多選擇了一種折中方案，不去模擬過於複雜的大腦或神經元系統，轉而選擇相對更加簡單的細胞、基因等等。與其說注重實驗成果應用性，不如說更注重實驗計算過程的模塊化和可復用，為整個行業提供更有價值的參考。
這種模式已經在一些生物科學尤其是合成生物科學領域中開始了應用，像是北德克薩斯大學的研究團隊，就通過德克斯高級計算中心的超算設備對於基因編輯進行全原子分子動力學模擬，讓基因編輯切割DNA時可以更加可控。相信經歷過這次新聞的洗禮後，會有更多超算中心向生物科學展開懷抱，推動雙方的合作。
在這種時刻，與其說未來會發生所謂活體機器人被「邪惡科學家」利用毀滅人類之類的事件，其實真正正在到來的，是生物學科與超算、AI之間交叉學科的人才需求。超算平台如何打造更便利的開發工具、生物科學中是否會湧現出一批智能計算人才、是否會有AI企業去挖掘生物研究場景所需要的數據支持，這些都是值得我們思考的問題。
那些能改變世界的創新，通常不會在一個默默無聞的實驗室中突然脫穎而出，而是一整個甚至無數個產業的互相配合共創，最終齒輪轉動起來。
Xenobots的出現，僅僅是在萬里長征中走過幾百米而已。