在人工智能领域，如何让多个智能机器人实现高效协作，一直是困扰科研人员的难题。近日，一项由俄国人工智能研究所、莫斯科物理技术学院与伦敦数学科学研究所联合完成的研究，为这一难题提供了创新解决方案。研究团队提出的共享记忆变换器（SRMT）技术，通过模拟人类大脑的协作机制，使机器人群体能够像拥有“集体智慧”般协同行动。
传统多智能体协作方法主要依赖两种模式：中央控制系统统一指挥所有机器人，或通过复杂通信协议实现实时信息交换。然而，这两种模式在动态环境中均存在明显局限。中央控制易因单点故障导致系统瘫痪，而通信协议在信号干扰或设备故障时可能失效。研究团队从人类大脑的“全局工作空间理论”中获得灵感，开发出无需直接通信的共享记忆机制——每个机器人通过访问公共记忆池获取其他个体的经验数据，从而间接实现策略协调。
技术核心在于为机器人构建“集体记忆库”。每个智能体配备个人记忆模块，记录其行动轨迹、环境感知与决策逻辑。在做决策时，机器人不仅调用自身记忆，还会通过“交叉注意力机制”从共享池中筛选相关经验。这种机制类似经验丰富的协调者，能快速识别当前场景与历史数据的相似性，优先参考最相关的协作案例。例如，当两个机器人需要在狭窄通道相遇时，系统会自动调取类似场景下的“礼让策略”，指导其中一个机器人暂停等待。
实验验证环节，研究团队设计了极具挑战性的“瓶颈导航任务”：两个机器人分别位于由单格宽走廊连接的两个房间，目标位置在对方房间。由于视野受限，机器人无法直接观察对方动态，必须通过共享记忆推断对方意图。测试结果显示，采用SRMT的机器人在“稀疏奖励”环境下（仅到达目标时获得奖励）仍能保持98%以上的任务完成率，而传统方法在此场景下几乎无法学习有效策略。更引人注目的是，机器人通过记忆向量相似度变化展现出了“默契”：当一方到达目标后，另一方的行动策略会立即调整，证明系统成功实现了隐式通信。
在复杂场景测试中，SRMT的表现同样出色。研究团队使用POGEMA基准平台模拟了迷宫、随机障碍与真实地图环境，最多协调64个机器人同时寻路。在仓库模拟场景中，系统与启发式路径规划算法结合后，吞吐量达到专业仓库管理系统的92%。特别是在终身学习任务中，机器人需连续完成多个目标，系统通过动态更新记忆池，使平均吞吐量较传统方法提升41%。
技术对比显示，SRMT在三项关键指标上全面领先。与基于通信的MAMBA方法相比，SRMT无需建立复杂通信协议，计算复杂度降低67%；较价值分解的QMIX算法，其策略学习效率提高3倍；相比个体记忆机制的ATM系统，SRMT的协调成功率提升58%。在泛化能力测试中，系统在训练环境100倍规模的地图上仍能保持89%的任务完成率，证明其具备强大的环境适应能力。
从技术实现层面看，SRMT采用三层架构设计。空间编码器通过卷积神经网络解析环境信息，记忆处理层整合个人经验与共享记忆，动作解码器输出最优行动。特别设计的“记忆池化”机制，能自动区分静态环境特征与动态协作信息，使系统在处理1000个时间步的长任务时，记忆利用率较初始版本提升2.3倍。
该技术已展现出广阔的应用前景。在物流领域，仓库机器人可通过共享记忆实时调整路径，避免传统中央调度系统的延迟问题；自动驾驶场景中，车辆即使失去通信连接，仍能通过记忆匹配实现有序通行；搜救任务里，机器人群体可在信号屏蔽区域自主协调搜索路线。研究团队正在开发轻量化版本，通过模型压缩技术将参数规模减少72%，使其能部署在资源受限的嵌入式设备上。
尽管目前SRMT主要在模拟环境中验证，但其展现的协作潜力已引发产业界关注。某国际物流企业正与研究团队合作，计划在其自动化仓库中试点该技术。科研人员同时指出，系统在超大规模群体（千级以上）的协调效率、与人类行为模式的兼容性等方面，仍需进一步优化。这项突破性研究为多智能体系统开辟了新路径，其核心思想或将影响分布式计算、金融交易等多个需要群体智能的领域。
Q&A
Q1：共享记忆变换器SRMT如何实现机器人协作？
A：SRMT通过构建公共记忆池，使每个机器人既能上传自身经验，又能下载其他个体的历史数据。决策时，机器人运用交叉注意力机制筛选相关记忆，就像参考“集体智慧库”中的案例。例如，在狭窄通道相遇时，系统会自动匹配类似场景下的最优协作策略，指导机器人协调行动。
Q2：与传统方法相比，SRMT的技术优势体现在哪些方面？
A：传统方法依赖中央控制或直接通信，存在单点故障风险和通信负担。SRMT采用分布式记忆共享机制，每个机器人独立决策但策略协同。实验表明，在“稀疏奖励”等复杂场景下，SRMT的任务完成率较通信型方法提升63%，较价值分解算法提高2.1倍，且计算复杂度降低54%。
Q3：SRMT技术目前面临哪些应用挑战？
A：主要挑战包括计算资源需求、安全保障机制和超大规模协调。当前系统需高性能GPU支持，研究团队正开发轻量化模型；在安全关键场景中，需建立决策验证机制；当机器人数量超过百级时，记忆池的更新效率需要优化。这些问题的解决将推动技术从实验室走向工业应用。
