在瑞士日内瓦湖的湖水中，一条“鱼”正以独特的节律游动着：它猛地摆尾几下，然后舒展身体静静滑行，如此循环往复。

这不是普通的鱼，而是一条长约80厘米的“钢铁小鱼”——ZBot，一台受斑马鱼幼体启发的仿生机器人。

通过深入研究它的游动规律，来自瑞士洛桑联邦理工学院（EPFL）研究团队在Science Robotics上发表的最新研究揭开了一个困扰生物学家多年的谜题：为什么这么多水生动物都采用这种“爆发-滑翔”的游泳方式？

在生物学研究中，斑马鱼幼体可以说是个“明星选手”。

它们身体几乎透明，科学家可以直接观察其大脑活动；体积小巧，易于在实验室大规模饲养；更重要的是，它们拥有完整的神经网络，能执行从简单反射到复杂决策的各种行为。

最引人注目的是它们的游泳方式。

不同于我们印象中鱼类流畅的连续游动，斑马鱼幼体更喜欢“爆发-滑翔”模式：短暂而有力的尾部摆动（持续约几百毫秒）将身体向前推进，随后进入被动滑翔阶段，身体保持笔直，如箭般在水中穿行。

这种间歇性游泳策略在自然界中广泛存在，从仅几毫米长的幼鱼到长达十几米的鲸鱼，都在不同程度上采用类似模式。

生物学家提出了多种假说来解释这一现象：有人认为滑翔阶段有助于稳定方向、提升感知能力；更多人相信这能提高能量效率，因为直尾滑翔减少了水的阻力。但这些假说难以在活体动物中直接验证，更无法系统性地测试不同神经机制如何影响游泳行为。
 

这正是瑞士洛桑联邦理工学院（EPFL）的研究团队开发ZBot的初衷。他们希望建造一个既能模仿斑马鱼形态和运动，又能让研究团队自由“编程”神经控制系统的研究平台。

ZBot机器人的身体由头部和六节尾部组成，每节尾部都由独立的伺服电机驱动，可以精确控制弯曲角度和频率。它将斑马鱼幼体放大约200倍，达到80厘米长——这一尺寸既能容纳所需的传感器、电池和控制器，又便于维护和实验操作。

ZBot 的概述与设计特点

更重要的是，ZBot搭载了完整的传感器系统：摄像头提供“第一人称视角”，让研究人员像鱼一样观察世界；惯性测量单元感知姿态变化；功率计实时监测能量消耗。通过遥控器，科学家可以指挥ZBot执行前进、转弯等动作，所有数据都被同步记录。

但ZBot真正的“灵魂”在于其神经控制模型。研究团队基于对斑马鱼幼体的观测，开发了一个计算模型，模拟控制游泳的关键神经组件：

中央模式发生器：能产生有规律的尾拍信号，驱动ZBot进行冲刺

碰撞门机制：决定何时启动和停止摆动，控制每次爆发的强度和持续时间

腹侧脊髓投射神经元：负责在转弯时让尾部偏向一侧

运动神经元：将神经信号转化为具体的电机指令

游泳与滑翔运动的神经模型

这个模型不仅能让ZBot复现斑马鱼的典型游泳模式，还能通过调整参数生成多种变体，就像鱼根据情况选择不同的“步态”。

鱼类在不同生命阶段和环境中会遇到截然不同的水动力条件。

一条微小斑马鱼幼体（约4毫米）游动时，周围水流相对“粘稠”，物理学家用雷诺数（Re）描述这一特性：Re值低表示粘性主导，高则表示惯性主导。斑马鱼幼体的Re值在60-1400之间，处于“中间流”状态；而成年鱼类或大型海洋生物则生活在“湍流”状态，Re数可达数万甚至百万。

为了探究水动力条件如何影响游泳行为，研究人员没有重新制造不同尺寸的机器人，而是改变了ZBot所处的液体环境。他们在水池中分别测试了三种介质：普通水（1厘泊）、中等粘度液体（214厘泊）和高粘度液体（457厘泊）。

不同粘度下的游动实验

实验结果显示，随着粘度增加，ZBot的滑翔距离急剧缩短。在水中，一次爆发后的滑翔距离可达体长的3倍；而在高粘度液体中，几乎完全没有滑翔阶段。然而，粘度对转弯角度的影响却小得多。这一发现表明，在不同水环境中，动物可能需要调整游泳策略以适应变化的水动力条件。
 

长久以来，科学界主流观点认为，“爆发-滑翔”游泳之所以节能，主要是因为滑翔阶段身体保持笔直，减少了水的阻力。EPFL团队通过ZBot的实验数据证实了这一“流体力学假说”在水中确实成立。

但他们提出了一个同样重要甚至更基础的新假说——“执行器效率假说”：间歇性游泳之所以高效，是因为它让执行器（鱼的肌肉或机器人的电机）在更高效率的工况下工作。

我们知道，无论是生物肌肉还是电机，其能量转换效率都随负载变化。伺服电机的效率曲线呈山丘形，在中等负载时效率最高，而在负载极轻或极重时效率下降。连续游泳时，电机需要持续工作在较宽负载范围，包括低效率区间；而间歇性游泳通过集中发力，让电机更多时间处于高效率的中高负载状态，从而提高整体能效。

滑行游泳提升了ZBot的能量效率

研究团队量化了运输成本（CoT，即移动单位距离消耗的能量），发现了一个有趣的现象：ZBot在“爆发-滑翔”模式下的CoT曲线呈U形，存在一个最佳速度区间（约0.18体长/秒），此时能量效率最高。相比之下，连续游泳的最佳效率速度更高（约0.3体长/秒），但在低速和中速区间，其能量效率明显低于间歇性游泳。

研究团队设计的粘稠液体实验直接支持了他们的假说。在高粘度环境中，滑翔距离几乎为零，这意味着传统的“阻力减小”机制几乎不起作用。然而即便在这种情况下，实验结果显示，间歇性游泳仍比连续游泳更节能。

此外，ZBot的神经模型还展示了生成游动多样性的潜力。通过调节几个关键参数，例如尾部摆动幅度、摆动频率、爆发频率、爆发持续时间和尾部偏置程度，研究人员让机器人复现了多种斑马鱼典型的游泳步态。这为理解神经系统如何协调产生复杂行为提供了工程学视角。

通过作神经模型参数，机器人控制器产生多样化的运动学输出

特别值得关注的是，这一神经架构可以与感觉处理模块无缝整合。在团队的另一项研究中，他们将视觉处理回路与游泳控制模型结合，使ZBot能够像真实斑马鱼一样对光流刺激作出反应，展现出视觉引导行为。

ZBot的故事是现代仿生学的缩影，通过建造一个“可编程的生命体”，科学家们得以用前所未有的方式探索自然设计的逻辑。

那条在日内瓦湖中优雅滑翔的钢铁小鱼，正改变着我们理解生命运动的方式。它提醒我们，在亿万年的进化中，自然已经找到了无数巧妙的解决方案，等待着我们用开放的心灵和精巧的技术去发现、理解和学习。

当我们下一次看到鱼群在水中游弋，或许会多一份理解：那些看似简单的摆动与滑翔，背后可能隐藏着关于效率、适应性和智能的深刻原理。而这些原理，正通过像ZBot这样的仿生使者，逐渐向人类揭示它们保守已久的秘密。