人工智能（AI），放在当下来讲已经不是什么新概念了，我们知道其灵感来自人类大脑和神经网络，人脑尤其擅长计算密集型的认知任务，比如模式识别和分类等。关于AI，一个长期的发展目标是去中心化的神经形态计算，即依靠分布式的核心网络来模拟大脑的大规模并行运算，从而实现一种受自然启发的超强信息处理方法。
而通过将相互连接的计算块逐渐转变为连续的计算组织，可以设想出具有智能基本特征的高级物质形态，这种“智能物质”能够以非定域的方式学习和处理信息，能通过接收和响应外部刺激与环境相互作用，同时在内部还能自主调整结构，以便能够合理分配和储存信息。
6月17日，来自德国明斯特大学和荷兰特文特大学的科学家团队在《Nature》杂志上发文对“智能物质”进行了概述，他们回顾分析了当前业界利用分子系统、软材料或固态材料等实现的智能物质的进展，以及在软机器人、自适应人工皮肤和分布式神经形态计算方面的实际应用。尽管论文中的智能物质并没有表现出大众所熟知的那种智力水平（例如识别能力或语言能力），但它们的功能已远远超出静态物质的特性，潜在应用鼓舞人心。
通常情况下，我们可以将智力理解为感知信息并将其作为知识储备的能力，以便在不断变化的环境中完成适应性行为。虽然智能物质并没有确切的定义，但研究人员认为谈及“智能”概念，起码要包含两个主要特征：第一，学习能力；第二，适应环境的能力。到目前为止，这两种能力大多存在于生物体中。随着AI技术的普及，人们正在加紧努力，让机器在日益复杂的系统中实现学习和适应技能，这些系统将各种功能组件集成在一起。
除了这些功能架构之外，值得关注的是，人工合成物质本身也显示出了很多智能特征，或将构成AI的一个全新概念。
由于先进的AI应用程序普遍需要处理大量的数据，因此，以一种集中方式调节智能物质的行为非常具有挑战性，特别是使用基于冯·诺依曼体系结构的传统计算机进行集中式信息处理会很快达到极限，将数据从内存移到处理器再移回来，不仅大大降低了计算速度，而且还需要大量的功耗。所以，新的方法和计算范式需要直接在物质层次上实现，这样，智能物质本身就可以与环境相互作用，自我调节其行为，甚至可以从它所接受的输入数据中学习。
对于智能物质的开发设计来说，来自大自然的灵感非常有用。天然物质的宏观功能来自复杂的内部构造，以及分子、纳米尺度和宏观尺度构建块的相互作用。而在人工物质中，自下而上和自上而下方法的结合，可使得体系结构具有各种新颖的特性和功能。研究人员认为，可以通过用分层的方式定义人工物质的智能。
比如，通过结合四个关键功能元件来实现智能物质：（1）传感器与环境交互并接收输入和反馈；(2）执行器对输入信号做出响应并调整材料的性能；(3）用于长期存储信息的存储器；（4）用于处理反馈的通信网络。理想情况下，这些元素可形成功能性的处理连续体，它不需要集中的处理单元，而是提供本地和分布式的信息处理能力。
最基本的结构物质，它可能包含高度复杂但静态的结构，尽管具有广泛的应用，但在合成后不能改变其性质。
而在高级的层次上，反应性物质能够改变其特性（形状、颜色、硬度等），以响应外部刺激，如光、电流或力。目前，科学家们正在努力探索适应性物质，适应性物质具有处理内外部反馈的固有能力。因此，能对不同的环境和刺激做出反应，这一定义与“类生命材料”异曲同工，即受生物和生命物质启发的合成材料。
研究人员认为，超越适应性物质将最终推动实现智能物质的发展，智能物质会包括四大功能元素（传感器、执行器、网络和长期记忆），并能显示出最高水平的复杂性和功能性。
研究人员在论文中概述了智能物质的发展轨迹，给出了具有不同功能程度的复杂系统的例子，借此展示了智能物质发展的可能趋势。第一种，基于群集的自组织材料（如纳米粒子组装体、分子材料）。复杂行为的一种突出形式，就是依赖于群体或群体中大量个体的集体互动。
在这样的系统中，多个单独响应的实体会以一种特殊的方式自组织和通信，进而实现大规模的适应性现象，形成保护集体的模式。自然界中，这种行为通常在昆虫群落、鱼群、鸟类甚至哺乳动物种群中可以观察到。当利用这种理念，在微观尺度上实现构建块时，这种基本智能的概念对于实现智能物质尤其有趣。例如，集群机器人，一大群小机器人相互作用，每个小机器人大约一厘米高，能力有限，但它们可以排列出复杂的、预定义的形状。
第二种，软物质实现（如反应性软物质、嵌入内存的软物质、适应性软物质）。在生物系统中，柔软性、弹性和柔顺性是显著的特征，软体动物能够在拥挤的环境中实现连续变形，从而实现平滑运动。天然皮肤也表现出基本智能的显著特性，包括力、压力、形状、质地和温度的触觉、触觉记忆乃至自愈能力。软机器人领域的目标就是将这些特性转化为软物质实现。软体机器人能够通过调整形状、抓地力和触觉来模拟生物运动。
与刚性材料相比，由于材料的符合性匹配，当它们与人类或其他易碎物体接触时，伤害风险大大降低。
第三种，固态物质实现（如神经形态材料、分布式神经形态系统）。目前，固态材料的信息处理技术要先进得多，例如传统的计算机核心是由物理设备（如芯片晶体管）构建的。非传统计算超越了标准的计算模型，特别是生物，可以被认为是非传统的计算系统。
可编程和高度互联的网络特别适合执行计算任务，而大脑启发或神经形态硬件旨在提供物理实现。尽管在半导体行业自上而下的制造中，使用成熟的半导体材料，使神经形态硬件（例如Google的张量处理单元）得以实现，但利用纳米材料的自下而上方法，可能为非常规、高效计算提供新途径。
研究人员认为，结合上述各类物质实现，混合方法可能会最终导致智能物质的实现。
如用相变材料模拟神经形态计算系统，已经成为脑启发或神经形态硬件的关键促成因素，允许在人工神经网络中实现人工神经元和突触，利用它们通过焦耳加热在非晶态或晶态下的可编程性来实现快速、可访问的室温非易失性存储器功能。相变材料的记忆行为进一步使得其适合于大脑启发的计算，其中它们通常体现了突触权重或非线性激活功能。
此外，二维（2D）材料，例如石墨烯、二硫化钼、二硒化钨或六角氮化硼，也出现在神经形态器件的实验中，从而允许设计紧凑的人工神经网络。
那么，未来面临哪些挑战？研究人员认为难点在于开发制造、放大和控制智能物质的有效方法。智能物质必须包含具有相当程度的共焦自由度、迁移率和纳米级成分交换的动态材料。这意味着纳米级组件之间的相互作用必须足够弱，才能被外部刺激操纵。
此外，这类物质必须表现出纳米级成分的某种程度的内部组织，这样才能嵌入反馈和长期记忆元件，且为了充分接收和传输外部输入，需要具有空间和时间精度的可寻址性。这些要求在很大程度上可能是矛盾的，而且可能不兼容。显然，智能物质的关键元素更容易在不同的材料类型中分别实现，但研究人员们希望混合解决方案能够解决不兼容的问题。
那么，走向智能物质的路线图会是什么样子呢？他们有一个设想。
首先，需要演示者和设计规则来开发具有固有反馈路径的自适应物质，通过集成纳米级构建块，实现自组装和自上向下制造的纳米结构的可重构性和自适应性；然后，必须从能够处理反馈的适应性物质开始，发展到具有学习能力的物质（“学习物质”）。
这些材料将通过嵌入式记忆功能、基于材料的学习算法和传感接口来增强；另外，还需要从学习物质发展为真正的智能物质，通过感官接口接收来自环境的输入，通过嵌入式记忆和人工网络显示所需的响应，并通过嵌入式传感器对外部刺激作出响应。因此，智能物质的发展将需要协调一致、跨学科和长期的研究努力。最终，考虑到整体性能是组件和连接的集体响应，完整的系统级演示对于加快智能物质的使用是必要的。
智能物质的各种各样的技术应用可以预见，与现有的AI和神经形态硬件的协同集成将特别有吸引力，在这方面，在生命科学和生物控制论生物体中的应用也需要生物相容的实现。