美国弗吉尼亚理工大学的一个研究小组，从大脑神经元的工作机制中汲取灵感，研发出一种名为"储备池计算"的全新计算方法。该方法成功攻克了软体机器人的控制难题——首次实现了对高速柔性软体机械臂的有效操控，并在类脑芯片上将能耗压缩到原来的1/75。这一突破有望推动软体机器人朝着更小型化、更自主化的方向演进，未来在医疗、农业、灾害救援及基础设施检测等领域均有广阔的应用前景。
软体机器人在灵活性上远超传统金属机器人，但恰恰是这种"类生物般柔软"的特质，让其控制变得异常棘手。不同于传统机器人依赖固定关节和预设指令运行，软体机器人由柔性材料制成，运动模式更为复杂：一个局部的弯曲就可能改变整体的受力分布，因此难以用一系列明确指令实现精确操控。
为此，研究团队借助三维虚拟工具，设计了一款模拟蛇类身体结构的机械臂。这条机械臂以中央弹性核心为骨架，外设多组类似人体肱二头肌与肱三头肌的合成肌肉。这些"肌肉"相互重叠、协同发力，驱动机械臂完成弯曲、扭转和伸展等复杂动作。
然而，现有的控制方法很难适应这种高度柔软且变化迅速的结构。针对这一挑战，团队引入了"储备池计算"这一神经计算方法。他们将机械臂的运动数据输入系统，在设定目标动作后，通过大量虚拟实验让系统反复学习不同"人工肌肉"之间的协同方式。随着实验结果不断反馈，一个描述软体机械臂行为的新模型逐步建立起来。
该方法不仅突破了传统人工智能与机器学习在软体机器人控制方面的瓶颈，还展现出显著的能效优势。当研究团队将系统部署在一种模拟大脑神经元"脉冲"工作方式的神经形态芯片上后，能耗最高可降至原来的1/75。
目前，这款"肌肉型"机械臂尚处于虚拟仿真阶段。团队下一步打算制造实体原型机，进一步检验该控制方法在真实软体机器人上的实际效果，期望未来的软体机器人能像章鱼等柔软生物一样，具备更加自然、灵活的运动能力。