问题——传统材料和多数工程结构通常采用"给定刺激-固定响应"模式：系统按照预设方式对外力或信号作出反应；即使是可编程材料和部分软体机器人，也需要依赖集中控制和明确指令来完成动作，复杂环境中的适应能力有限。当环境变化或任务调整时，系统往往需要重新编程或改变控制策略，灵活性和鲁棒性受到限制。 原因——研究人员从生命体的"无中心化"协同机制获得启发：许多行为并非由单一"中央大脑"控制，而是通过局部单元相互作用产生整体功能。基于此思路，团队开发了由相同电动铰链组成的链式超材料。每个铰链内置微控制器，可记录运动状态、保存历史数据并与相邻单元通信。关键在于分布式架构：控制指令不由中心下发，而是由局部单元根据邻近信息调整扭矩、刚度和预设位置，通过交互实现全局协同。 影响——实验表明，该系统能够通过训练形成"可学习的形态响应"。研究人员以弯曲特定铰链作为输入信号，引导其他铰链达到目标形态，并在每次训练后更新施力策略。经过重复训练后，材料在接收到相同输入时能自动重现目标形态，表现出类似"记忆-调用"的功能。更需要指出，系统不仅能覆盖旧形态，还能存储多种形态并实现切换，使材料具备根据经验调整行为的能力。研究人员表示，这种学习能力使材料研究从"可编程"向"实时自适应"迈进了一步。 对策——要实现工程化应用，还需解决三个关键问题：提高分布式单元间通信与协同的效率和容错能力，防止误差在链式结构中累积；建立清晰的训练和验证机制，确保材料在不同任务间的行为可解释、可预测；加强真实环境测试，评估摩擦、碰撞和材料疲劳等因素对学习效果和寿命的影响，形成可行的工程设计规范。 前景——研究团队计划突破"静态形态学习"的限制，让材料能够学习随时间变化的行为模式，比如在爬行和滚动等运动方式间自主切换。同时，他们还将测试系统在噪声和不确定环境中的学习表现，使其反应机制更接近现实场景。业内人士认为，这类自适应材料如果在能耗、可靠性和规模化生产上取得突破，有望应用于软体机器人、可穿戴设备、环境响应结构和柔性执行器等领域，推动"材料即系统"理念的实现。
这项突破不仅拓展了人类对智能的理解，也标志着材料科学正从"制造工具"向"培育生命"转变。当无生命物质显示出学习和进化能力时，我们或许需要重新思考智能的本质：是精心设计的程序，还是简单规则下的涌现现象？这个科学哲学问题的探索，可能引领下一轮技术革命。