一个软的
机器人连接在一个气球上，它潜入到一个透明的水柱中，潜入水底，浮出水面，然后再潜入水底，再浮出水面，就像一条在追逐苍蝇的鱼。软机器人以前也做过这种把戏，但与大多数软性机器人不同，这款软机器人的制造和操作过程均没有硬的部件或电子部件。在机器人的气球内部，一台柔软的橡胶电脑正在指挥气球要在什么时候上升或者下降。这是软机器人首次完全依赖于软数字逻辑。
在过去的十年里，软机器人已经进入了以往以金属为主的机器人领域。橡胶硅胶材料制成的夹持器已经在生产线上得到了
应用：这些缓冲爪可以处理番茄、芹菜和香肠等脆弱的蔬果，也可以从板条箱中取出瓶子和毛衣。在实验室里，这些钳子可以捕捉粘滑的鱼、活老鼠，甚至昆虫，减少更多的人类活动。
软机器人需要的控制系统已经比硬机器人的更简单。软机器人的爪非常地柔软，它们甚至不能施加足够的压力来破坏一个物体，因此软机器人没有必要校准压力，一个简单的开关就足够了。但到目前为止，大多数软机器人仍然会依赖于一些硬件：一个用于控制空气通道的金属阀门(这个空气通道负责控制橡胶爪和手臂)，以及一个告诉这些阀门什么时候开关的计算机。
现在，研究人员只用橡胶和空气就制造了这样的一台软计算机。“我们只使用软材料和气动信号来模拟电子计算机的思维过程，用压缩空气代替电子，”丹尼尔·j·普雷斯顿(Daniel J. Preston)说，丹尼尔是在美国国家科学院院刊发表的论文的第一作者，同时他还是一名博士后研究员，与乔治·怀特赛兹(George Whitesides)一起进行研究工作，乔治是哈佛大学威斯生物启发工程研究所的创始核心教员，也是哈佛大学化学和化学生物学系主任伍德福德·l·弗劳尔斯和安·a·弗劳尔斯大学教授
为了做出决定，计算机会使用数字逻辑门，即接收信息(输入)并根据编程确定反应(输出)的电子电路。我们的神经回路与此相比也并没有太大的不同：当医生击打我们膝盖骨下的肌腱(输入)时，神经系统就会按设定“抽搐”(输出)。
普雷斯顿的软计算机使用硅胶管和压缩空气模拟了这个系统。为了达到复杂操作所需逻辑门的最小类型(在这个例子中是“否”，“和”，“或”三个)，他对软阀进行了编程，使其能对不同的空气压力做出反应。例如，对于“否”的逻辑门，如果输入是高压，输出将是低压。普雷斯顿说，有了这三个逻辑门，“你可以复制在任何电子计算机上发现的任何行为。”
例如，在水箱中漂浮着的像鱼一样的机器人，使用一个环境压力传感器(一个改进的“否”逻辑门)来决定采取什么行动。当回路感应到水箱顶部的低压时，机器人会下潜;当回路感应到水箱深处的高压时，机器人会上浮。如果有人按下外部的软按钮的话，机器人也可以根据指令浮出水面。
全身只有软部件的机器人有几个好处。在工业环境中，如汽车工厂，大型金属机器以盲速和功率运行。如果有一个人挡道，一个硬机器人可能会造成无法弥补的伤害。但是如果一个软机器人撞上了人，普雷斯顿说，“你就不用担心受伤或者出现灾难性的事故了。它们只能施加有限的力量。”
但软机器人不仅更安全：它们通常也更便宜，制作也更简单，重量更轻，抗损坏和耐腐蚀并且还耐用。加上人工智能智能和软机器人可以做的不仅仅是处理西红柿。例如，机器人可以感知用户的体温，并发出轻微的挤压来表示用户有可能发烧，当水压过高时向潜水员发出警报，或者在自然灾害后清理废墟，以帮助寻找受害者并提供援助。
软机器人也可以冒险进入电子产品不能应对的领域：高辐射领域，比如核故障后产生的辐射领域或外太空辐射领域，以及核磁共振成像机内部。在飓风或洪水过后，一个强壮的软机器人可以应对危险的地形和有毒的空气。普雷斯顿说：“如果它被汽车辗过，它还是会继续前进，这是我们用硬机器人所做不到的事。”
普雷斯顿和他的同事并不是第一个在没有电子设备的情况下控制机器人的人。其他研究团队业已经设计了微流体电路，它可以使用液体和空气来创建非电子逻辑门。一个微流体振荡器可以帮助一个柔软的章鱼形机器人拍打其所有8条手臂。
然而，微流体逻辑电路往往依赖于玻璃或硬塑料等硬材料，它们使用的是非常细的通道，一次只能通过少量空气，这减慢了机器人的运动速度。相比之下，普雷斯顿的通道更大——直径接近1毫米——这使得空气流速更快，他的气爪可以在几秒钟内抓住一个物体。
微流体电路的能源效率也较低。即使在休息的时候，这些设备也会使用一个气动电阻(它将空气从大气中输送到真空或压力源)，以保持静止状态。而普雷斯顿的电路在休眠时则不需要能量输入，在机器人远离可靠能源的紧急或灾难情况下，这种节能可能至关重要。
这种柔软的气动机器人还提供了一种诱人的可能性：隐形。根据普雷斯顿选择的材料，他可以设计出与特定物质指数匹配的机器人。所以，如果他选择了一种能在水中伪装的材料，机器人在水下就会显得透明。在未来，他和他的同事希望创造出肉眼甚至声纳探测都看不见的自主机器人。“这只是关乎到选择正确材料的问题，”他说。
对普雷斯顿来说，合适的材料是弹性体或橡胶。当其他领域用机器学习和人工智能来追求更高的能力时，Whitesides团队却避开了日益增加的复杂性。普雷斯顿说：“这里面有很多功能，但退一步想想是不是有一种更简单的方法可以让你得到同样的结果也是件好事，尤其是如果它不仅更简单，而且也更便宜的话。”
