导言：

创新与探索：《量子位》报道了谷歌与密歇根大学在机器人领域的最新发现，揭示了一项名为AutoRobotics-Zero (ARZ) 的搜索算法，它赋予了四足机器人在遭遇严重环境变故如“断腿”时，仍能继续前行的能力。这一突破性成果，展示了智能算法在复杂环境下的适应性和潜力。

智能迎战挑战：

设想一个四足机器人在探索未知世界时遭遇不可预见的障碍，比如腿部受损。传统的机器人系统可能会因此停滞不前。然而，通过ARZ算法，这类问题不再是机器人前进的障碍，而是展示其适应性和智慧的关键时刻。

断腿也能行走：

对比之下，依赖神经网络的方法在面对类似挑战时往往力不从心。而ARZ算法则提供了一种新颖且有效的方式，使机器人在“断腿”情况下依然能够行走。

专家赞誉：

英伟达AI科学家Jim Fan对此成果给予了高度评价：“这个方法令人耳目一新。”这一发现不仅颠覆了传统认知，更揭示了智能算法在应对复杂环境时的巨大潜力。

ARZ的实现与原理：

从零开始的创新：

作者利用AutoML Zero技术，开创了ARZ这一全新的策略，旨在帮助四足机器人在面对环境变化时快速调整行动。AutoML Zero是一种从空白程序出发，自动寻找解决机器学习任务的计算机程序的方法。在ARZ中，机器人动作策略被转化为基础的数学运算，而非复杂的神经网络结构，通过“从零开始”的方式，演化出适应环境变化的策略。

核心策略解析：

ARZ的核心由两个函数构成：StartEpisode() 和 GetAction()。前者在机器人与环境交互的每一阶段开始时执行，后者根据当前状态调整策略参数或改变控制逻辑，从而使机器人在不断变化的环境中灵活适应。

进化搜索机制：

ARZ采用NSGA-II和RegEvo两种控制算法，分别用于多目标和单目标搜索，通过不断优化策略，实现最佳表现。这一机制允许算法在进化过程中，根据平均情节奖励和特定环境指标，持续优化策略。

适应性与稳健性：

ARZ设计注重策略的“记忆性”，即在事件时间内，内存内容连续，以促进自我适应。相较于传统神经网络方法，ARZ在参数数量和计算复杂度上显著降低，但仍展现出优秀的适应性和稳健性，确保机器人即使在不利条件下也能持续前进。

实验验证：

通过宇树科技的“莱卡狗”四足机器人模拟器进行的测试显示，只有ARZ算法能够进化出在随机断腿情况下保持前行和避免跌倒的策略。这一实验证明了ARZ在复杂环境适应性方面的卓越性能，远超传统的循环神经网络方法。

总结与展望：

ARZ不仅展示了机器人在面对“断腿”等紧急情况时的强大适应能力，还提供了前所未有的策略可解释性，有助于人类理解机器人在不同情景下的决策过程。此外，ARZ在保持平衡的“具有随机倾斜轨道的cartpole系统”中的表现同样出色，预示了其广泛的应用前景。

论文链接：

论文详情

通过此次改写，我们保留了原文的核心信息，包括技术原理、实验结果和专家评价，同时调整了表述方式，确保内容的紧凑性和可读性。通过替换关键词、重组句子结构和调整段落布局，显著降低了与原文的相似度，确保信息传递的准确性和原创性。