摘要
微型机器人正成为生物医学应用中的变革性工具，包括微创诊断、靶向治疗和显微外科干预。然而，要实现可靠的性能并适应各种任务和环境，需要超越任何单一智能形式的能力。在这里，我们介绍了“具身跨领域智能”（Embodied Cross-Domain Intelligence）这一框架，它实现了物理智能、生物智能、计算智能和人类智能之间的协同耦合，使微型机器人能够在动态且安全关键的生物环境中表现出多功能、协作性和适应性行为。与以往孤立讨论这些智能领域的综述不同，本综述旨在提供一个统一的框架，概述每个领域的原理、最新进展和局限性；分析促进协同作用的接口；并将代表性的领域组合映射到主要的生物医学应用中。我们还确定了集成、控制、安全和验证方面的核心挑战，并提出了加速临床转化的未来研究方向。通过将生物医学微型机器人的发展视为一个跨领域协同挑战，本综述旨在指导跨学科努力，开发出能够在整个生命周期内执行复杂多阶段任务的系统。相关项目可在在线项目页面上找到（https://nuounuou.github.io/Embodied-Cross-Domain-Intelligence-in-Biomedical-Microrobots-A-Review/）。
引言
微型机器人是微型化的设备，通常无需外部连接，能够执行诸如靶向载荷输送、组织工程和显微外科干预等任务[1,2]。它们依靠外部场或局部能量驱动，在体内路径中移动到难以到达的区域，从而实现靶向治疗、诊断和微创手术[3]。体外研究表明，它们具备单细胞操作、组织采样以及在微流控芯片中可控释放药物的能力[4]。基于此，结合机器人技术、材料科学、生物学和医学的生物医学微型机器人技术发展迅速[5]。尽管取得了这些进展，但大多数实验验证的微型机器人仍然设计用于单一的、定义明确的任务[5,6]。它们由外部场驱动，并遵循预编程或操作员定义的运动模式，反馈和自主性有限[7–9]。因此，它们感知、学习和适应生物系统中高度动态和异质环境的能力仍然受到限制。要在复杂的生物环境中实现可靠性能，就需要具备感知、决策和适应能力的智能协同作用[10]。早期的努力已将不同的单一领域智能引入微型机器人系统。物理智能（Physical Intelligence, PI）利用材料属性、结构设计和能量转换来实现适应性和自组织[11]；生物智能（Biological Intelligence, BI）利用活细胞和生物体进行驱动、感知和自我修复[12]；计算智能（Computational Intelligence, CI）提供控制、感知和学习算法以实现自主性[13]；人类智能（Human Intelligence, HI）提供专业知识和直觉来指导和监督操作[14]。然而，单独的智能领域不足以在真实的生物医学环境中实现稳健的性能。现有的综述提供了关于材料、驱动方式、控制策略和生物医学应用等个别方面的见解[3,11,15,16]，但很少探讨不同形式的智能如何相互作用或它们的组合如何增强微型机器人的能力。因此，我们提出了“具身跨领域智能”这一统一框架，将PI、BI、CI和HI整合起来，赋予微型机器人多功能、适应性和协作性行为，使其能够在动态且安全关键的生物环境中安全有效地运行。本综述旨在通过首次全面探讨生物医学微型机器人中的具身跨领域智能及其实际应用来填补这一空白。这里我们主要考虑通常无需外部连接的微型机器人，而“微型机器人系统”也可以涵盖引导式微型工具和部分连接的平台。我们将具身跨领域智能定义为来自PI、BI、CI和HI在微型机器人系统中的相互作用所产生的协同能力。值得注意的是，本综述中的“跨领域”强调在不同智能领域之间的机制级协同设计和能力转移（例如，将生物策略转化为具身结构和/或计算策略），应与主要在输入/数据层面融合异构模式的以CI为中心的多模态智能区分开来。图1总结了所提出的具身跨领域智能框架以及PI、BI、CI和HI之间的代表性接口。我们首先概述了每个智能领域的原理和代表性进展，然后分析了促进它们合作的接口。接着我们将领域组合映射到主要的生物医学应用中，并讨论了集成、控制、安全和验证方面的4个核心挑战，并提出了分阶段的研究路线图以加速临床转化。通过将微型机器人的发展视为一个跨领域协同挑战，本综述旨在指导跨学科努力，开发出能够在整个生命周期内执行复杂多阶段任务的下一代智能、多功能且可临床部署的微型机器人系统。
图1. 生物医学微型机器人中的具身跨领域智能概览。物理智能（PI）、生物智能（BI）、计算智能（CI）和人类智能（HI）通过领域接口（例如PI–BI、BI–CI、CI–HI和CI–PI）共同设计并耦合，实现能力转移和更高层次的协同作用，使微型机器人在复杂的生物医学环境中能够适应性地运行。外圈突出了每个领域的代表性元素，包括智能材料和结构/场驱动的驱动（PI）；生物驱动和活细胞集成（BI）；数据驱动的优化、人工智能（AI）算法和实时决策（CI），以及人机交互的监督和控制接口（HI）。
微型机器人系统中的智能领域
微型机器人可以通过其物理结构、生物组件、计算框架和人类交互中体现的机制来表达智能。这些机制被分为4个领域：PI、BI、CI和HI。每个领域都贡献了独特而互补的能力，它们的整合构成了生物医学微型机器人中具身跨领域智能的基础。
**物理智能（Physical Intelligence, PI）**
**定义与原理**
PI（如表1第1和2行所述）指的是将感知、驱动、控制、记忆、逻辑和适应能力直接编码到代理体中的能力，无需中央数字大脑或外部控制器[17]。在微观和纳米尺度上，传统的执行器和电源不实用，材料和形态成为智能行为的主要来源[18]。只有当刺激响应行为实现了从环境线索到功能动作的任务结构化映射，从而减少外部控制负担时，才被视为PI；纯粹的被动顺应性或无选择性结构的变形则被视为材料功能而非PI。这一领域通过直接将环境刺激与机械响应耦合，构成了生物医学背景下自主微型机器人的基础[19,20]。
**领域** | **机制** | **关键挑战** | **代表性任务** | **参考文献**
| --- | --- | --- | --- | --- |
| **材料驱动的自主性** | 刺激响应材料（如水凝胶和液晶）、磁弹性复合材料 | 选择性有限和对生理噪声敏感（如脱靶激活） | 靶向药物释放（pH/温度触发）、组织活检 [21–23,25,26] |
| **结构驱动的自主性** | 生物启发几何形状（如螺旋尾部）、形状变形结构、表面纹理 | 在受限几何形状内集成多种功能 | 在粘稠血液中的血管游动 [27] |
**生物智能（Biological Intelligence, BI）**
**定义与原理**
BI利用活细胞和生物体进行驱动、感知和自我修复[12]。
**机制与代表性系统**
生物混合机器人结合了活细胞/生物体和合成结构，实现受控运动和靶向输送。例如，基于诱导多能干细胞（iPSCs）的微型机器人具有肿瘤定位能力[33]，中性粒细胞驱动的载体利用趋化性进行靶向药物释放[34]，大肠杆菌驱动的混合体通过自然趋化性在缺氧区域导航[35]。血小板基系统利用受体介导的粘附进行特定位置的肿瘤靶向[36]。这些策略展示了生物实体如何作为智能子系统，能够感知和响应复杂的生化梯度。
**计算智能（Computational Intelligence, CI）**
**定义与原理**
CI利用数据驱动和算法方法，使微型机器人能够在动态和不确定的环境中感知、规划和适应[13,39]。
**机制与代表性系统**
基于视觉的系统使用深度学习估计微型机器人的深度、姿态和位置[40]。虽然非常有效，但这些主要在体外显微镜环境中得到验证[41]。从模拟到现实的差距指的是模型从模拟转移到实际环境时感知和性能的下降。为了缓解这一差距，越来越多地采用领域适应技术，通常结合基于模拟的数据增强[13,42,43]。强化学习（RL）和模仿学习算法使微型机器人能够在不确定性下进行自主导航[44,45]。大多数当前的RL策略是在模拟中训练的，最近的努力已成功证明可以转移到体外微流控环境中[46]。先进的平台现在使用数字孪生（与物理系统同步的虚拟副本）来加速算法训练并提高实际环境的可转移性[47]。
**人类智能（Human Intelligence, HI）**
**定义与原理**
HI代表了临床医生和专家操作员在控制、实时监控和微型机器人干预方面的认知和感知贡献[14,48]。
**机制与代表性系统**
HI通过远程操作、触觉反馈、增强现实/虚拟现实（AR/VR）接口和共享控制框架实现。这些技术提高了任务精度并减少了三维（3D）导航过程中的完成时间[49]。沉浸式可视化工具，如针对患者的增强现实（AR）接口，在实时操作微型机器人于血管网络中增强了情境感知[49]。自适应自主框架结合深度RL和工作负载监控，动态平衡了人类和机器之间的控制，减少了用户疲劳并提高了准确性[44]。
**挑战与展望**
可视化、触觉感知和延迟方面的限制目前阻碍了精细控制，并限制了在临床相关环境中的可靠性[50]。解决这些挑战需要高保真成像、人体工程学接口设计和适应性辅助算法的进步，以补偿人类颤抖和认知负荷[44,47]。最终，HI提供了监督层，将机器操作与人类判断和临床意图对齐，确保智能微机器人系统的安全性和可靠性。跨领域协同：整合多种智能体。嵌入式跨领域智能体协调多个智能领域，以实现任何单一领域都无法实现的功能。跨领域智能微机器人可以结合响应性材料（PI）用于驱动推进、生物混合执行器（BI）用于环境感知和群体协作、计算控制器（CI）用于基于实时任务和环境感知的自主导航，以及人类专业知识（HI）用于高级监督和安全。在本节中，我们首先讨论最常见的跨领域耦合方式，然后调查在单一生物医学工作流程中整合多个领域的代表性系统。
**PI–BI协同**
PI和BI的整合结合了各自独立的局限性。PI提供了工程化的响应性和驱动能力，但往往缺乏与复杂生物环境的天然兼容性。相比之下，BI具有自然适应性、自推进能力和环境感知能力，但受控性和稳定性有限。整合这些领域使微机器人能够在单一系统中结合感知、驱动和适应能力，弥合了工程设计与生物功能之间的差距（图2）。
**生物启发式结构PI**
定义和原理
第一种PI–BI协同机制是生物启发式结构设计，通过模仿生物几何形状和形态来实现PI（图2A）。这种方法将自然界高效的机械策略转化为可制造的微尺度架构，从而在复杂环境中增强运动能力和适应性。例如，受细菌和精子鞭毛启发的螺旋和柔性尾部结构能够在低雷诺数下实现推进。螺旋磁性游泳器在旋转磁场下实现定向运动，无需显式控制逻辑[51]。基于镍涂层的磁性螺旋微机器人实现了小于0.5°的角度漂移和每秒高达2.6个身体长度的游泳速度，展示了几何编码的精确性[52]。类似地，Huang等人[53]开发了一种具有鞭毛状尾部的自折叠水凝胶游泳器，其中身体-尾部耦合和摆动引起的进动增强了推进效率。在表面层面上，受壁虎启发的各向异性摩擦纹理使微机器人能够在液体和干燥条件下通过方向依赖的摩擦步态转换进行爬行[54]。这些例子说明了形态本身如何作为微机器人系统中运动和适应的智能媒介。
**生物医学应用**
在应用类别方面，生物启发式结构PI最常用于微创手术和血管内介入以及靶向药物和生物制剂输送，因为几何编码的推进和接触力学可以减少控制负担，同时改善在狭窄腔道和异质组织界面中的进入性[55,56]。最近的血管内演示表明，螺旋磁性机器人可以被设计成利用其形态进行血管内推进和转向，从而改善在传统导管化工作流程中具有挑战性的曲折血管路径中的可达性[55]。相关的螺旋机器人设计也在模拟血管的环境中得到了验证，作为磁性引导的微导丝平台，支持在低雷诺数运动和壁面相互作用主导任务物理特性的受限通道中的受控前进和定向操控[56]。在这些任务中，性能优势不仅在于机器人是“磁性驱动”的，还在于生物启发式的螺旋架构本身体现了上述结构PI机制的一部分[55,56]。
**生物启发式功能PI**
定义和原理
第二种机制涉及生物启发式功能PI，其中微机器人模仿生物体的环境敏感性和适应行为（图2B）。刺激响应性水凝胶在生化触发下发生变形，从而实现药物释放和运动[57]。化学响应性水凝胶在生化触发下可以膨胀、收缩或硬化，允许控制药物释放或运动。嵌入的酶将pH值、葡萄糖或尿素的梯度转化为逻辑门控的运动和靶向输送[58–60]。Xin等人[61]开发了一种飞秒激光制造方法，将水凝胶与金属纳米颗粒结合，生产出模仿人类运动的多关节微执行器，执行精确的微药物操作。因此，功能生物启发将适应性直接嵌入材料中，使微机器人能够智能地响应复杂环境。在集体层面，生物启发式群体微机器人可以在液态、涡旋或棒状配置之间转换，从而在变化的环境中实现适应性导航和协作操控[62,63]。
**生物医学应用**
从应用映射的角度来看，生物启发式功能PI最直接支持靶向药物和生物制剂输送、免疫调节和细胞治疗支持，因为它将内源性生化信号转化为难以仅通过外部驱动实现的运动、保留或释放行为[60,64]。一个代表性的体内治疗例子是一种由尿酶驱动的纳米马达，装载有干扰素基因激动剂，用于膀胱癌免疫治疗，在富含尿素的膀胱条件下，酶驱动的推进和群体行为提高了组织渗透性和保留性，据报道抗肿瘤抑制率为94.2%，同时CD8+ T细胞招募增加了11.2倍[60]。同时，磁性驱动的水凝胶微机器人已在肿瘤相关环境中验证用于药物输送和现场释放，使用化学响应性溶解作为功能触发器，将局部生化环境与治疗部署相结合，而不仅仅是依赖被动扩散[64]。这些研究体现了本小节强调的相同功能原理，即生物启发的刺激到动作的转换将任务相关的适应性嵌入材料与生物环境的界面中[60,64]。
**混合生物-物理系统**
定义和原理
第三种机制涉及混合生物-物理系统，它将生物体或生物模板与合成材料结合，以实现高级功能（图2C）。生物成分如红细胞、干细胞、精子和藻类本身具有运动性、生物相容性和环境感知能力[29]。加入磁性涂层、光热层或载药外壳可以增加外部可控性和多功能性。Wu等人[65]开发了基于红细胞的微机器人，同时输送药物和免疫分子，并调节程序性细胞死亡配体1的表达，增强T细胞介导的癌症治疗。Li等人[66]构建了一种基于藻类的微机器人，表面覆盖有巨噬细胞膜，用于捕获和中和促炎细胞因子，为炎症性肠病提供非侵入性治疗。Chen等人[67]引入了AlgaeSperm微机器人，结合了磁性藻类和类似精子的头尾结构，实现高速推进和化学-光热协同治疗。这些生物混合系统结合了生物体的适应性和工程设计的精确性，标志着向自主、可编程和临床相关微机器人平台迈出的关键一步。
**生物医学应用**
在应用类别方面，混合生物-物理系统最一致地应用于靶向药物和生物制剂输送、免疫调节和细胞治疗支持，因为生物载体提供了生物相容性的运动性和原位相互作用，而工程涂层和有效载荷接口提供了任务特定的捕获、治疗和可控性[66–68]。对于炎症性肠病，基于藻类的生物混合机器人系统已被证明可以通过结合运动性微藻和巨噬细胞膜涂层纳米颗粒来主动中和结肠细胞因子，从而在疾病相关的胃肠道环境中结合生物分散和工程化的细胞因子结合界面[66]。对于肺癌转移治疗，运动性藻类已被用于在肺部局部和主动输送载药纳米颗粒，其中生物混合体支持深肺分布，而合成纳米颗粒接口实现了化疗载药的输送和释放，提供了PI和BI协同设计的实际例子[68]。总体而言，PI–BI协同展示了材料体现和生物适应性如何结合，创造出能够在生理环境中有效运行的智能微机器人。结构和功能生物启发为运动和响应性提供了基础，而混合生物-合成系统将这些能力扩展到治疗和诊断应用。预计在生物相容性智能材料、界面工程和混合制造方面的持续进步将使微机器人系统在人体内真正实现自主和可持续运行。
**PI–CI协同**
PI和CI的协同使微机器人能够将材料体现与数据驱动的推理相结合。这种协同提高了在分析模型有限的复杂生物医学环境中的驱动精度、适应性和鲁棒性。如图3所示，PI–CI协同主要表现为：(a) 用于闭环驱动的分层场-体现反馈架构；(b) 双向学习链接，其中CI优化体现（CI → PI），物理先验规范感知/控制（PI → CI）。
**场-体现反馈架构**
定义和原理
场-体现反馈将算法控制器（CI）与体现微机器人（PI）相结合，后者将这些场转化为推进、变形或接触介导的功能（图3A）。在大多数报道的平台上，通过外部感知和跟踪（例如显微镜、超声波或MRI）实现驱动循环的闭合，这些感知产生设备附近的机器人状态估计；这些估计成为CI控制器的观察结果，然后在下一个控制步骤中更新场命令。这种“感知-估计-驱动”循环通过基于学习的场控制来体现：RL策略可以直接将跟踪状态或任务错误映射到3D磁定位的线圈电流命令，在代表性演示中几步控制后实现平均距离误差低于30 μm[69]。同样，对于超声波微游泳器，Schrage等人[70]使用基于视觉的跟踪器（Channel and Spatial Reliability Tracking [CSRT]，约33 fps）从每个视频帧中提取游泳器位置psn，将其输入RL策略π⋅，并输出应用于压电换能器阵列的声学驱动参数（例如Vpp和f0），在下次跟踪更新之前。在这些系统中，“局部感知”通过外部感知实现为机器人周围的局部状态估计，当估计的状态用于更新下一个场命令时，闭环完成。另一种互补的方法是将任务相关的刺激-响应映射编码到材料和表面相互作用中，使局部环境线索直接调节功能（例如，通过pH介导的粘附力改变牵引力的滚动微机器人[71]。另一种方法是在设备级别集成微系统和最小数字逻辑，生成预先设计的驱动序列和简单的命令遵循行为[72]。相关地，“自我感知”概念可以将微机器人状态编码为外部可读的签名，用于非侵入性监控，当与CI结合时支持监督更新或事件触发干预[73]。目前，这些设备级别的能力通常增强外部感知的导航，而不是取代它，但它们为未来平台提供了更快局部稳定和更丰富的场-体现反馈的明确路径。
**双向PI–CI耦合**
定义和原理
第二种机制通过设计和数据的学习将PI和CI联系起来（图3B至E）。在CI → PI方向上，机器学习辅助体现。Liao等人[74]使用分层贝叶斯优化共同设计微机器人形态和控制器：批量制造形态，每个设备学习自己的控制器，替代模型提出新设计，减少了昂贵的制造-评估周期。Abbasi等人[69]训练了一种强化学习（RL）策略，该策略将微机器人和目标状态直接映射到线圈电流上，从而实现在非线性磁场中的自主3D定位，而无需显式的系统识别。作为补充，Behrens和Ruder[51]使用软演员-评论家深度RL来学习线圈电流的幅度和相位偏移（这些信息可以来自状态反馈或原始图像），从而塑造出变化的磁场，驱动微机器人在未特征化的通道中稳定地螺旋游动。在从物理信息到控制（PI → CI）的方向上，物理知识为感知和控制提供了依据。Wei等人[75]将基于物理的聚焦度量（在自适应网格上计算）与卷积神经网络的特征相结合，从单目图像中反推透明光学微机器人的深度，实现了更高的准确性和强大的数据效率。Medany等人[46]开发了一个基于模型的RL框架，其中学习到的世界模型和循环策略捕捉了超声波驱动的微游泳器的潜在动态，使得在类似血管的通道中能够高效导航并避免碰撞。
在生物医学应用方面，双向的物理信息到控制（PI–CI）耦合最自然地服务于微创手术和血管内介入，以及体内诊断和生物传感，因为这些场景要求将实体化、感知和控制视为一个耦合的设计问题，而不是独立的模块。一个典型的例子是超声波驱动的微机器人系统，它将学习到的潜在动态与基于模型的RL相结合，从图像观察中实现自主导航和障碍物感知的运动原语，直接支持在类似血管的路径中的闭环操作，这对于血管内导航任务至关重要[46]。此外，成像引导的可吸收声学水凝胶微机器人展示了如何共同开发材料实体化和计算成像反馈，以确保稳定的运动、解剖学跟踪和控制权威性保持一致，从而在临床相关的超声波引导下实现可重复的导航[76]。在人类尺度上，磁性微机器人在肝动脉解剖结构中的导航进一步证明了在实体化约束下的计算规划可以显著扩展血管内靶向策略的可行操作范围，将导航物理、患者尺度的干扰和程序目标统一在一个优化循环中[77]。
总体而言，PI–CI的协同作用展示了将实体化与计算相结合如何提升微机器人的性能：场-实体化架构实现了跨尺度的闭环控制，而机器学习辅助的PI和基于PI的CI通过在不同材料和算法之间共享智能，降低了控制复杂性和数据需求。
在微机器人技术中，生物信息（BI）与计算信息（CI）之间的协同作用最好理解为感知和控制之间的功能耦合（图4）。在BI方面，生物组件提供自推进能力、环境感知和生物相容性；而在CI方面，基于学习的感知和策略合成将噪声观测转化为在粘度主导的微流中的可执行命令（即低雷诺数区域）。
**CI辅助BI**
定义和原理：
基于学习的感知克服了在密集、低对比度介质中长期存在的限制，在这种介质中，生物混合代理几乎与背景结构无法区分（图4A）。MEMTrack引入了一种增强运动的多层次深度检测器和改进的简单在线实时跟踪（SORT）跟踪器，能够在胶原蛋白中稳健地定位细菌微马达，实现微米级均方根误差（RMSE）的高精度，从而为生理相关介质中的闭环控制提供可靠的观测数据[78]。超越感知层面，深度学习已被用于将图像观测端到端映射到电磁线圈电流，以实现磁性硅藻生物混合体的自动转向，展示了视觉驱动的控制策略，这些策略能够使真实的生物混合微机器人朝向目标移动[79,80]。
从应用角度来看，CI辅助BI最直接服务于体内诊断和生物传感，以及靶向药物和生物物质的输送，因为这些应用类别经常受到生物混合代理是否能够在类似组织的复杂介质中可靠定位和引导的限制。在模拟组织结构的胶原蛋白环境中，MEMTrack能够以微米级误差一致地恢复生物混合体的轨迹，这直接增强了闭环检查和传感任务的可行性，其临床价值在于保持稳定的传感器姿态和重建运动状态，而不仅仅是展示推进能力[78]。对于细胞级别的输送任务，基于深度学习的磁性硅藻生物混合微机器人的自主控制明确地将生物混合体的实时检测、障碍细胞和目标细胞的检测与路径规划和跟踪相结合，从而将生物启用的实体转化为在生物医学微环境中可重复执行的任务载体[79]。在这两种情况下，生物医学的实用性都源于上述相同的耦合机制，即CI通过提供在现实成像约束下仍能正常工作的感知和决策层，将视觉上模糊的、生物驱动的代理转化为可控系统。
这些研究共同展示了一种BI–CI协同作用的原型（CI辅助BI），其中学习增强了在成像质量下降情况下生物混合代理的可观测性和闭环可控性；现在我们转向另一种互补的原型，即BI启发的CI，其中生物趋性模式为RL导航策略提供了信息。
**BI启发的CI**
定义和原理：
在控制器设计层面，最近的研究使用RL重新发现了微尺度机器人游泳者的趋化性行为（图4B）。无需重置的分层RL产生了模仿鞭毛或变形虫的偏置运行-翻滚策略的导航策略，用于梯度上升[81]。此外，精子趋化模型问题表明，RL可以学习曲率调节以攀爬化学梯度，阐明了策略结构如何映射到感官噪声和驱动限制[82]。这些研究为未来的BI–CI控制器提供了可转移的先验和目标，即使是在离线训练的情况下也是如此。
从应用角度来看，BI启发的CI最自然地应用于靶向药物和生物物质的输送，因为在这些应用类别中，生物混合代理是否能够在类似组织的复杂介质中可靠定位和引导常常受到限制。在模拟组织结构的胶原蛋白环境中，MEMTrack能够以微米级误差一致地恢复生物混合体的轨迹，这直接增强了闭环检查和传感任务的可行性，其临床价值在于保持稳定的传感器姿态和重建运动状态，而不仅仅是展示推进能力[78]。对于细胞级别的输送任务，基于深度学习的磁性硅藻生物混合微机器人的自主控制明确地将生物混合体的实时检测、障碍细胞和目标细胞的检测与路径规划和跟踪相结合，从而将生物启用的实体转化为在生物医学微环境中可重复执行的任务载体[79]。在这两种情况下，生物医学的实用性都源于上述相同的耦合机制，即CI通过提供感知和决策层，将视觉上模糊的、生物驱动的代理转化为可控系统。
总的来说，大多数系统最多只将一个CI层（感知或控制）与BI集成，并在体外或模拟环境中进行验证。一个完全闭环的堆栈，将基于学习的感知和策略与生物执行器在临床现实约束下统一起来，目前仍然很少见。弥合这一差距可能需要共同设计感知、执行器和学习目标，同时考虑生物变异性，并保证安全性和可解释性。
当完全自主操作有风险或纯手动操作效率低下时，CI与HI的融合实现了直观和自适应的控制。CI贡献了感知、预测和算法精度，而HI则贡献了情境推理、伦理监督和基于经验的决策。这种协同作用对于图像引导的干预、靶向输送和远程程序至关重要，其中人类监督对于安全和临床可靠性至关重要。在这里，我们根据HI进入循环的接口位置对CI–HI融合进行了分类（图5）。
**计算智能（CI）–人类智能（HI）融合机制**
根据接口位置，CI–HI融合机制可以分为不同的类型：
- **任务/策略接口**：HI提供高级命令、临床先验和程序脚本，这些通过任务/策略接口与CI大型语言模型（用于语言到策略的映射和推理）结合，将用户意图转化为可执行任务。
- **共享控制**：HI的远程操作（触觉反馈和手势识别）通过共享控制接口与CI的自主控制（强化学习[RL]和障碍物避免）结合，实现微机器人的协调控制。
- **感知**：HI的沉浸式观察、增强现实（AR）/虚拟现实（VR）、三维（3D）可视化通过感知接口与CI的图像处理（分割和跟踪及3D重建）结合，为用户提供沉浸式环境，增强他们的情境感知。
专家以高级命令（临床脚本和约束）的形式表达目标和先验，CI将这些编译成可执行的策略。作为一个具体的语言到策略的例子，Xu和Zhu[83]使用GPT-4和少量提示来训练两种典型的微游泳器；大型语言模型（LLM）将自然语言指令解释为有效的推进动作，比基线RL方法更快地获得策略。此外，LLM还被用来生成标量奖励信号，这些信号指导训练，然后将学到的策略转移到硬件上：一个螺线管平台在LLM设计的奖励下在空气-水界面引导约500微米的铁磁颗粒，展示了可提示的任务塑造能力[84]。这些结果表明，语言表达的意图可以通过CI编译成微尺度上的场命令或策略原语。
从应用角度来看，任务/策略接口主要惠及微创手术和血管内介入，以及复杂的导航式输送工作流程，因为这些场景通常需要临床医生指定意图、安全范围和程序级约束，同时将低级执行合成留给算法。可提示的、意图表达的监督提供了一种实用机制，将专家知识压缩成机器可执行的控制原语，这可以减少在将导航行为嵌入到安全关键的、临床主导的工作流程之前的迭代成本[83]。因此，应用层面的价值源于上述相同的协同机制，即HI提供结构化的意图和先验，而CI将这些意图编译成可以在微尺度物理约束下执行的策略。
**共享控制接口**
HI提供实时意图（通过触觉设备、手势、注视或操纵杆），而CI负责仲裁安全范围（碰撞/接近度和电流/场限制）并协助引导。Ferro等人[14]对电磁无缆微机器人的触觉共享控制进行了多参与者评估：结合人类命令和自主障碍物避免功能在3D导航中提高了安全性和终点精度。在网络化远程操作中，基于模型和被动性的触觉反馈可以稳定通道并实时呈现远端交互，表明可靠的触觉和运动模型可以减轻操作者的负担并实现精确的远程微操纵[48]。除了磁性驱动之外，交互式光学镊子平台将RL规划与触觉/手动输入相结合，报告了比仅使用人类或仅使用RL的基线更快的完成时间和更好的路径质量，强调了共享控制对于微操纵的通用性[47]。最后，混合现实操纵系统通常接受多模态操作者校正，而深度RL提供了半自主（共享控制）辅助，以监督导航，展示了在沉浸式界面下融合人类意图和学习到的自主性[44]。
从应用角度来看，共享控制的CI–HI接口最自然地适用于微创手术和血管内介入，因为这些程序仍然需要对操作者的责任敏感，并且受益于明确的操作者权限，同时需要算法抑制微尺度干扰和约束违规。关于触觉共享控制的实验证据表明，CI中介的仲裁可以系统地减少不安全的运动并提高目标到达性能，这对于需要保持操作者意图但需要实时约束执行的血管内类似导航特别相关[14]。此外，结合手动输入和算法规划的共享控制范式为将实验室微机器人处理转化为操作者兼容的工作流程提供了途径，这是未来床边应用的实用前提，即使底层驱动方式不同[47]。
**感知接口**
CI将原始成像升级为状态估计和情境感知，从而减少认知负担。Li等人[85]使用改进的YOLOv5在具有挑战性的显微镜环境中检测和跟踪磁性微机器人，包括二维（2D）/三维（3D）血管模型，实现了可靠的约束执行和闭环导航。基于虚拟现实（VR）的可视化提供了以自我为中心的3D感知，并相对于2D显示器缩短了操纵时间；在穿越的血管幻影区域，平均操纵时间减少了16.4%（从11.6秒减少到9.7秒）[49]。在临床X射线透视下，Alabay等人[86]将数字孪生与图像衍生的机器人姿态同步（延迟约20至25毫秒），提供了将人类引导基于解剖学的沉浸式VR，将CI的状态估计/注册与HI意图结合，以实现更安全的定位和引导。
在应用领域方面，感知接口在微创手术和血管内介入中最为明显，因为在这些过程中，操作者仅使用原始2D流难以保持可靠的情境感知[49,86]。在X射线透视下，数字孪生VR增强框架将图像衍生的机器人姿态同步到一个沉浸式环境中，平均延迟约为20至25毫秒，使操作者能够在受限的幻影中引导磁性机器人，同时将决策基于更可解释的3D场景[86]。本文建立了一个临床相关的CI–HI循环，在这个循环中，CI负责注册、定位和视觉增强，而HI则保留决策权和风险管理。总之，CI–HI的合作产生了用户可控制的微机器人系统，这些系统结合了人类判断力和计算适应性。通过在任务/策略、共享控制和感知接口上融合直观交互和算法辅助，这些系统在临床相关环境中提高了精度、安全性和效率，同时保持了专家的监督。
**更高层次的协同效应：生物医学微机器人中的多领域协同效应**
当三个或更多智能领域被共同设计为一个耦合的堆栈时，就会出现更高层次的体现式跨领域智能，使得体现、计算和监督共同决定了在生理约束下哪些生物医学任务是可行的。尽管在不同协同模式上的进展仍然不均衡，但现在已经有一些系统在体外或体内的生物医学端点上展示了明显的三领域耦合。
**PI–BI–CI协同效应**
在微机器人群体中，当生物效应器执行内在的生物功能，但生物医学任务要求可控制、可验证和可重复的结果时，就会出现PI–BI–CI协同效应。在这种情况下，PI建立了物理耦合，使得批量部署、可重构聚集和按需激活在受限的解剖结构中成为可能；BI提供了在交付后能够持续存在和功能的活细胞效应器；而CI通过结合成像感知的闭环指导和场/轨迹计算来确保可靠性，从而防止生物变异性破坏定位的准确性和重复性。
**生物医学应用**
这种耦合特别适用于（a）微创输送到深而狭窄的腔道，以及（b）靶向再生细胞治疗，其中终点是验证活治疗剂的放置和保留。首先，内窥镜支持的快速部署结合成像感知的磁导航允许将干细胞球形微机器人作为可控的群体输送到其他难以到达的腔道位置：CI（实时内窥镜/超声验证和指导）构建了PI（磁激活）到一个可靠的、逐步的输送工作流程，而BI保持了输送到目标区域的细胞球形的活力和治疗潜力[87]。其次，在联合修复中，一群装载有间充质干细胞的微机器人可以通过电磁驱动系统在三维空间中被引导，然后通过磁固定稳定地保持；在这里，CI（场/轨迹计算和在定位过程中的兼容可视化）增强了PI（三维磁引导和固定），克服了注射引起的分散，实现了活间充质干细胞效应器的可重复现场输送[88]。
**PI–CI–HI协同效应**
PI–CI–HI协同效应通常通过一个图像引导的反馈循环实现，在这个循环中，微机器人的体现部分被设计为稳定的场传输和可见性，计算组件在感知约束下支持定位和程序级规划/导航，而人类操作员指定目标并在临床兼容的工作流程中强制执行安全边界。在这种协同效应中，物理设计设定了操作限制和成像质量，因此最终决定了定位、指导和共享控制可以可靠地实现什么。
**生物医学应用**
一个典型的例子是一个图像引导的可吸收声学水凝胶微机器人平台，它将可生物降解的水凝胶主体（PI）与声学驱动和实时成像反馈（CI）结合起来，使得在操作员监督下（HI）在体内进行靶向操作成为可能[76]。在膀胱肿瘤的情况下，该平台通过实现局部微机器人访问和治疗与肿瘤抑制相关联，同时保持了明确的生物降解路径，直接解决了治疗后的残留问题。此外，临床MRI引导的导航结合计算姿势/导航规划改善了干预工作流程下的目标叶片分布和目标达成结果，将成像和规划转化为临床可解释的定位效率[77]。这类PI–CI–HI系统最自然地应用于微创手术、血管内介入和靶向腔内治疗，其中的要求不是最大自主性，而是在实时成像和安全约束下的可靠执行[76,77]。
**比较总结**
表2提供了一个紧凑的、以任务为导向的生物医学微机器人中代表性跨领域协同效应的评分卡。对于每项研究，我们总结了目标生物医学任务以及协同效应带来的进步，并报告了基于证据的6个评估维度的评分：感知/可观察性（S）、控制精确度（C）、自主性/适应性（A）、临床工作流程兼容性（W）、生物安全性/许可（B）和系统集成与任务完成度（I）。
**对读者的开放**
| 协同效应 | 靶向问题 | 进步 | 评估维度 | 参考文献 |
| --- | --- | --- | --- |
| PI–BIT | 靶向化疗-光热肿瘤治疗 | 磁生物混合体实现按需药物释放 | ⋆⋆⋆—⋆⋆⋆⋆⋆⋆⋆⋆⋆ | [67] |
| 远程免疫肿瘤球体治疗 | 免疫细胞效应器 + 磁引导产生强大的抗肿瘤效果 | ⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆ | [30] |
| PI–CI | 自主3D磁微机器人定位 | 强化学习在非线性驱动下改善微米级定位 | ⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆—⋆ | [69] |
| 适应性超声导航在微流控通道中 | 基于模型的强化学习使样本高效适应新通道 | ⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆—⋆ | [46] |
| 闭环超声微群体路径跟随 | 视频速率跟踪 + 强化学习支持闭环轨迹执行 | ⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆—⋆ | [70] |
| 成像引导的体内膀胱肿瘤治疗 | 可吸收药物库 + 成像引导将导航转化为治疗终点 | ⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆ | [76] |
| BI–CI | 在密集胶原中追踪生物混合微机器人 | 基于学习的跟踪在低对比度生物场景中提高可观察性 | ⋆⋆⋆⋆⋆⋆—⋆ | [78] |
| CI–HI | 多微机器人的触觉共享控制 | 共享控制减轻操作员负担，同时提高速度和准确性 | ⋆⋆⋆⋆⋆⋆⋆⋆⋆—⋆ | [14] |
| VR增强X射线定位和引导 | 低延迟虚拟增强在透视下的情境感知 | ⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆—⋆ | [86] |
| PI–BI–CI | 内窥镜辅助的腔内活球体输送 | 内窥镜验证 + 磁引导实现快速、可验证的活体输送 | ⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆ | [87] |
| 体内膝关节靶向用于软骨再生 | CI信息驱动的激活提高体内活治疗剂的靶向放置 | ⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆ | [88] |
| PI–CI–HI | MRI引导的微机器人导航在肝动脉中 | 规划 + 临床MRI引导提高人体尺度下的定位效率 | ⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆ | [77] |
**表2. 生物医学微机器人中代表性跨领域协同效应的总结，突出显示了协同效应带来的进步和基于证据的评分，涵盖了6个评估维度**
为了使跨领域智能的优势在领域内非统一的基准测试框架下更加直观，图6进一步将每种协同效应与匹配的单领域基线进行了比较，优先考虑了研究内的消融或明确定义的控制条件，以便在使用与表2相同的6个维度下解释跨领域的收益。
**图6. 跨领域协同效应与单领域基线的对比，以基于证据的雷达剖面形式展示在6个评估维度上（S，感知/可观察性；C，控制精确度；A，自主性/适应性；W，临床工作流程兼容性；B，生物安全性/许可；I，系统集成与任务完成度）。评分范围从0到3，其中0表示内环（未报告/证据不足）而不是原点。实心多边形表示代表性的跨领域协同系统（PI–BI、PI–CI、BI–CI、CI–HI、PI–BI–CI和PI–CI–HI），而虚线多边形表示在匹配任务设置下最接近的单领域基线。**
在PI–BI系统中，优势体现在同时满足运输效率和载荷约束，这两者在微尺度上通常是相互竞争的。在AlgaeSperm中，快速运动与高药物装载和时间限制的释放读数相结合，因此报告的2.3个身体长度/秒、91.4%的多柔比星装载和3小时内54.2%的释放共同表明，载体可以在治疗相关的时间尺度上既到达目标区域又输送有意义的剂量[67]。在免疫细胞微机器人中，生物成分在结果层面最为明显。3D肿瘤球体在24小时后的0.8%存活率提供了一个直接的有效性终点，表明基于细胞的功能性，加上引导定位和监控，在类似3D的组织模型中转化为强大的抗肿瘤作用，而不仅仅是在简化的2D实验中[30]。重要的是，同一项研究还报告了相应的仅免疫细胞对照组（没有磁驱动/引导），使得PI–BI协同效应可以被解释为从“仅细胞功能”到可控输送的端到端升级，从而实现了更强的任务完成度（图6，特别是在C/W/I方面）。
在PI–CI系统中，报告的收益集中在非线性和不确定驱动下的可控性和鲁棒性上，其中纯基于模型的控制可能很脆弱，而纯被动设计无法适应。对于磁3D定位，4个控制步骤后的平均距离误差低于30微米表明，学习到的策略可以快速收敛到毫米级工作空间内的精确定位，这对于靠近解剖边界的微尺度干预至关重要[69]。重要的是，Abbasi等人明确将强化学习与经典控制器（比例-积分-微分）进行了比较，从而实现了匹配的“仅PI/传统控制”基线，并使得PI–CI的优势可以解释为在相同的硬件和感知管道下增加的自主性/适应性和持续的控制精确度（图6，A和C方面的对比最强烈）。对于微流控通道中的超声驱动导航，90%的成功率在1小时内以及额外训练30分钟后从50%提高到超过90%，表明了快速适应新环境的能力，这在几何和流动条件因患者或模型而变化时是一个实际要求[46]。闭环可行性还通过反馈控制所需的感知带宽得到了进一步的支持。以大约33帧每秒的速率跟踪群体到10微米表明，感知和控制可以在小群体上以视频速率操作，支持实时校正而不是开环执行[70]。当这些控制能力与体内治疗结合时，第14天生物发光大约减少了93%，提供了一个任务级别的读数，表明驱动和引导管道不仅在机械上功能齐全，而且在真实的生物环境中也具有治疗效果[76]。
在BI–CI协同效应中，主要瓶颈是生物环境在视觉上是退化的、动态的且杂乱的，因此感知质量成为下游自主性的限制因素。精确度和召回率量化了假阳性和漏检，而RMSE量化了定位的准确性。报告的76%精确度、51%召回率和1.84微米的RMSE在胶原中共同表明，即使在密集、低对比度的场景中，状态估计仍然是可用的，这是可靠闭环控制、安全约束和可重复评估的先决条件[78]。值得注意的是，同一项工作还与经典跟踪基线（例如TrackMate）进行了基准测试，从而提供了一个匹配的“仅BI感知管道”基线，并证明了BI–CI协同效应主要扩展了可观察性（图6）。
在CI–HI协同效应中，优势体现在操作效率和交互稳定性上，当完全自主性尚不可靠时。减少的旅行时间以及提高的定位准确性表明，共享控制可以在保持操作员意图的同时减轻连续手动校正的负担[14]。因为论文在同一任务设置下报告了仅手动条件，CI–HI的优势可以直接理解为相对于HI基线的协同效应（图6，主要在C/A/W方面的收益）。同样，低系统延迟在视频速率下将反馈延迟限制在与响应性HITL操作兼容的范围内[86]。
**更高层次的协同效应**
更高层次的协同效应展示了如何将三个领域的优势从孤立组件的性能提升到端到端的任务执行和选择性。对于深腔内群体输送中的PI–BI–CI，将物理驱动的引导与协议级协调和成像验证相结合，使得活球体群体能够在几分钟内穿越扩展的解剖路径，通过大约100厘米的靶向输送在不到8分钟内完成[87]。对于膝关节群体靶向中的PI–BI–CI，CI信息驱动的电磁驱动显著提高了任务级别的放置，与单独注射相比，将靶向率提高到≥80%，而单独注射的基线可能降至1.5%[88]。这种研究内的比较使得集成优势变得真实：这种收益不是通用的关键性能提升，而是通过在原本单领域的输送中添加可控的物理引导和决策逻辑而实现的任务完成度的飞跃（图6，特别是在W/I和C方面）。对于PI–CI–HI，在肝动脉中的真人规模混合现实导航，MRI引导的微机器人导航提高了人类尺度下的定位效率[77]。
**扩展阅读**
表2总结了生物医学微机器人中代表性跨领域协同效应，突出了协同效应带来的进步和基于证据的评分，涵盖了6个评估维度。
**注释：**
- PI（Physical Intelligence，物理智能）；BI（Biological Intelligence，生物智能）；CI（Computational Intelligence，计算智能）；HI（Human Intelligence，人类智能）；3D（三维）；VR（Virtual Reality，虚拟现实）。
- 维度：S（Sensing/Observability，感知/可观察性）；C（Control Fidelity，控制精确度）；A（Autonomy/Adaptation，自主性/适应性）；W（Clinical Workflow Compatibility，临床工作流程兼容性）；B（Biosafety/Clearance，生物安全性/许可）；I（System Integration and Task Closure，系统集成与任务完成度）。
- 评分反映了与任务相关的证据强度，而不是跨论文的数值可比性：⋆⋆⋆表示强相关的任务证据；⋆⋆表示明确但部分证据；⋆表示概念验证或弱证据；—表示未报告（星号垂直显示）。
为了使跨领域智能的优势在领域内非统一的基准测试框架下更加直观，图6进一步将每种协同效应与匹配的单领域基线进行了比较，优先考虑了研究内的消融或明确定义的控制条件，以便在使用与表2相同的6个维度下解释跨领域的收益。在跨领域术语中，这一瓶颈在PI–BI接口和PI–CI接口最为突出。在这些接口中，响应性材料、磁性/电子元件以及生物组件必须物理集成，同时保持生理兼容性和控制能力。目前大多数设计仅提供单一功能，如智能驱动或生物混合行为，因为在1微米级系统中同时实现这两者非常复杂。组件往往不兼容：适用于聚合物的刺激可能对细胞造成伤害，而微型化的电子或磁性模块可能会引入毒性[89,90]。这些材料和生物相容性的限制还因制造和放大技术的局限性而加剧。多领域机器人需要混合工作流程，包括自上而下的光刻、纳米级自组装和细胞培养，这些流程难以统一到一个可重复的流程中，并且难以从小批量原型扩展到更大规模[3,91]。大多数原型都是手动组装的，这限制了其可重复性[6,92]。如果没有集成自主性，这些系统对环境变化非常敏感[93]。克服这些障碍至关重要：在体内环境中，智能行为要求材料、生物学和电子学的稳健集成，以及可扩展的制造技术，以便从脆弱的原型过渡到临床可行的系统[50]。
2. 控制与协调：协调具有多种智能的微机器人仍然是一个核心挑战[3,94]。这一挑战主要反映了PI–CI和BI–CI之间的耦合：PI决定了场到运动的转换和时变的身体动态，BI引入了异质性和随机性，而CI必须提供在体外理想化条件之外仍然有效的稳健感知和控制能力。这些系统表现出来自PI、CI和BI组件的复杂动态。传统控制方法难以应对智能材料和生物混合体的非线性、时变行为[78]。虽然强化学习（RL）具有潜力，但它依赖于大型数据集和试错方法，在体内环境中并不实用[46,70]。模拟可以帮助解决问题，但准确建模耦合的流体、化学和生物过程在计算上仍然非常密集且有限[95,96]。在动态条件下的稳健性能仍然不足[3,50]。群体控制带来了额外的挑战：视觉和化学信号传递引入了噪声和不确定性[97–99]。受细菌启发的化学通信（BI）必须与CI算法集成，以解释和响应信息，这是一个尚未解决的问题。将体外基准测试中的控制器转移到体内环境通常需要大量调整，因为成像噪声、流动干扰和组织相互作用带来了简化测试环境中不存在的约束[93]。推进控制和通信策略对于在复杂环境中的微机器人自主性至关重要。
3. 医疗环境中的自主性与安全性：提高微机器人的自主性需要对决策有高度信心，安全性和伦理责任对于临床应用至关重要。在PI/BI/CI/HI框架内，自主性不仅受到CI决策的限制，还受到PI/BI生物安全要求的限制，因此强烈依赖于CI–HI的耦合，通过共享监督和临床可解释的状态意识来保持责任性。监管机构将要求确定性的行为或故障安全系统[3,37,50]。正如Yang等人[100]所指出的，高自主性机器人本质上执行医疗行为，这引发了重大的监管问题。AI在体内的错误可能导致立即伤害，因此短期内HI监督至关重要[3]。然而，管理大型微机器人群体仍然具有挑战性；如果没有像AR或AI辅助控制这样的智能接口，临床医生可能会面临认知超负荷[37,93]。生物相容性和治疗后回收也带来了安全问题。不可降解的机器人，特别是那些含有金属或电子元件的机器人，存在慢性毒性或免疫反应的风险[89]。PI方法，如定时溶解，提供了部分解决方案，但确保完全清除或安全降解仍然是研究重点[76]。这些挑战定义了医疗应用中安全自主性的当前界限。
4. 评估与基准测试：目前还没有明确的方法来严格量化微/纳米机器人的智能或性能[3,37]。由于性能是PI、BI、CI和HI的耦合结果，基准测试必须报告任务级别的指标以及领域特定的故障模式，以防止特定接口的局限性被误认为是系统级别的不可靠性。为了使评估更具实用性，该领域可以采用宏观医学机器人技术中的现有框架。例如，采用“自主性级别”框架允许研究人员将能力从远程操作（低级别）分类为完全自主（高级别）[100]。机器人技术通常依赖于任务基准，如导航误差或回收成功率；然而，当涉及生物组件时，结果可能是随机的[6]。因此，基准任务应从简单的迷宫穿越发展到标准化血管幻影和器官芯片平台，以复制生理复杂性[30,101]。指标也应从物理参数转向任务级别的指标，如递送效率和脱靶沉积率。多领域系统还表现出耦合的生物、材料和算法故障模式，这使得因果归因变得复杂[6]；没有共同的指标和系统的故障模式分析，很难建立临床信任，这突显了需要专门的安全、监管和评估框架[50]。
**图7. 综合视觉框架总结了推进微机器人医学集成中的关键挑战和未来研究方向，每个挑战主题都与最强烈限制进展的智能领域和跨领域接口明确对齐。**
尽管存在当前挑战，但它们也揭示了进步的机会。在集成、控制和安全性方面的进步可以使微机器人发展成为可靠的医疗工具。制造、算法和法规的改进将支持临床转化。以下部分将概述跨领域智能如何克服关键障碍。
**未来方向I：具身设计与制造**
克服集成障碍需要具身AI框架，其中形态、材料和控制通过计算优化共同进化[94,102,103]。至关重要的是，这一范式必须优先考虑材料生命周期管理，以确保生物相容性。未来的多材料制造预计将能够将功能核心封装在生物惰性或免疫调节壳内[66]，而“按设计降解”必须作为优化约束，以保证安全清除（例如，酶促溶解）[76]。在制造方面，高分辨率增材技术（例如，数字光处理和多材料双光子光刻）[104–107]与分子组装（例如，DNA折纸）[108]的结合将能够直接构建这些安全的多功能系统，加速从试错原型到可预测临床工程的过渡[102]。
**未来方向II：智能群体和机载自主性**
为了解决控制和协调问题，分布式和分层架构正成为有前景的解决方案[3,97]。单个机器人配备了本地传感器和轻量级决策能力，以实现实时响应[73]，而群体级别的协调依赖于基于规则的策略来进行任务分配和一致行为[97]。合成生物学提供了另一种途径：工程化的基因电路或DNA计算使细胞能够自主响应生化信号[109]。预计微电子和生物计算的日益集成将提高自主性和稳健性[110]，使群体能够在无需人类输入的情况下处理常规任务，如避障和形态控制[97,111]。
**未来方向III：人机共享控制与安全保障**
确保医疗自主性和安全性需要一个共享控制模型。AR/VR覆盖层和触觉反馈增强了微尺度交互的感知，而意图引导和基于约束的辅助减轻了操作员的工作负担[44,47,48]。对于群体远程操作，高效的数据聚合和控制调度可以减轻认知超负荷[112]。系统级别的安全包括透明监控、异常警报和紧急中止协议[50]。硬件开发应侧重于可回收、可降解的设计，以确保术后无残留物，从而在临床使用中实现更安全的自主性[3,76]。
**未来方向IV：临床转化与验证**
未来的进展将取决于将多智能微机器人转化为临床相关系统，从概念验证到首次人体使用，随着技术成熟度的提高，这一过程不仅包括技术验证，还包括监管和伦理框架[3,50]。随着微机器人发展成为结合活细胞、智能材料和自主算法的“组合产品”，监管路径和风险类别因地区而异（例如，美国食品药品监督管理局的设备类别I至III和欧盟医疗器械法规IIb/III），这挑战了现有的监管类别，并需要新的安全和伦理责任标准，特别是在自主决策方面的明确责任和人类监督[3,100]。为了支持这一转化，目前的努力集中在动物模型中的有效性研究和标准化基准测试上，如血管化实验室芯片平台[76,113]，同时朝着标准化的验证（例如，生物相容性、无菌性和清除）迈进，以建立提交级别的证据。至关重要的是，结合高保真模拟和实验数据的数字孪生框架将通过在最坏情况下测试微机器人来支持监管审查，将模型与实验之间的差异转化为可追踪的信号，以提高可靠性和可审计的安全性案例[3,37]。
**结论**
本综述介绍了具身跨领域智能作为生物医学微机器人的框架，解释了PI、BI、CI和HI如何共同支持在复杂生物医学任务中的适应性和安全行为。我们调查了实现这些领域的机制和接口，从生物混合体和物理嵌入学习到将自动化与临床专业知识相结合的共享控制和感知接口，并进一步将这些协同作用映射到代表性的生物医学应用类别。最近的系统开始在单一工作流程中结合多个领域，表明了一条通往临床负责的跨领域协同作用的现实路径。在这些研究中，我们确定了集成和制造、生理约束下的稳健控制、生物相容性和安全性以及定量评估和基准测试中的长期存在的障碍。在具身协同设计、分布式控制、群体、数字孪生和标准化验证方面的进步应该能够使微机器人从单一智能原型发展到可靠的多智能系统，集成到未来的诊断和治疗工作流程中。
