新智元报道 多模态基础模型正在扩大机器人的能力边界。语言理解、视觉感知与动作生成逐渐进入统一的学习框架，机器人能够执行的任务越来越多。 但当研究走向开放环境与长期部署，一个更深层的问题随之浮现——这些能力，如何组织成一个能够持续自主工作的系统？ 真实世界始终在变化。物体会移动，接触会失败，任务条件会在执行过程中改变。 机器人需要在不完整的信息下作出决策，在行动后验证结果，在偏离目标时调整策略，并把可靠的经验带入下一次交互。任务持续得越久，这种贯穿感知、决策与行动的组织能力就越重要。 围绕这一转变，清华大学团队以智能体视角重新梳理具身智能研究，将模型能力、计算基础设施、安全、数据与评测放进同一幅系统图景，讨论通向更高自主性的技术路径与开放问题。 项目链接：https://agenticei.github.io/AEI-Survey-page/ 从技能学习到认知闭环 具身智能如何走到今天 具身智能的发展贯穿一条持续演进的主线，即如何通过身体与环境的交互形成智能行为。从早期的反馈控制，到模仿学习与强化学习驱动的技能获取，再到深度视觉运动策略，研究不断扩大机器人能够学习和执行的行为范围。多模态基础模型进一步带来跨任务的语义理解与知识迁移，推动通用机器人策略的发展。 论文首图｜回顾了从反馈控制、技能学习、深度视觉运动策略，到通用机器人策略与 Agentic Embodiment 的发展脉络。 在这一基础上，Agentic Embodied Intelligence（AEI）把研究问题推进到任务级的自主组织。系统需要理解目标、主动补充信息、安排子任务、调用技能，并依据物理反馈决定继续、重试、重规划或求助。 这一视角也让不同技术路线有了共同的讨论坐标。VLA、世界动作模型和程序化技能组合可以承担闭环中的不同功能，其价值需要结合它们如何支持完整任务来考察。通用策略提供越来越丰富的行为能力，AEI 则进一步追问这些能力如何在持续交互中被有效组织。 把模型放回系统 重新理解自主能力的来源 综述的 Figure 1 给出了一个系统级框架。模型负责具身理解、规划、行动与反思，基础设施连接技能调用与机器人控制，本体在物理或仿真环境中执行动作，新的观察和状态再回到模型。这个在线交互过程构成自主系统的运行核心。 论文图1｜Agentic Embodied Intelligence 的系统关系。在线交互连接模型、基础设施、本体与环境，数据和评测支持能力改进，安全与可信要求贯穿整个系统。 围绕这一核心，环境持续产生交互经验，数据支持模型训练，评测暴露能力缺口与失败模式，再反过来影响模型和系统的改进方向。安全要求则贯穿模型检查、运行时防护、控制限制和人类监督。 这意味着，面向部署的能力提升需要多层协同。高层推理必须与低层控制共享足够准确的状态，技能接口需要返回执行结果与异常，端侧、边缘和云端的分工要满足时延约束，数据与评测也要覆盖真实运行中出现的困难。 一个环节的进步，只有通过这些连接才能转化为整套系统更可靠的行为。 自主性的尺度 是机器人能够承担多少任务责任 当「自主」被用于描述不同系统时，一个必要的问题是，人类究竟还承担着哪些工作？谁来拆解任务，谁来监控过程，谁在失败后接管，谁来判断任务已经完成？ 综述以 L0—L5 的概念框架讨论人机责任的变化。从 L0 的连续遥操作、L1 的辅助技能、L2 的受控任务自主，到 L3 的条件自主，人类逐渐从直接控制动作转向监督和按需介入。L4 进一步指向限定领域中的持续任务执行、结果验证与失败恢复，L5 则指向开放世界中的通用自主能力。 论文图2｜以人机责任分配刻画自主性层级。L4与L5在综述中被列为研究目标，其实现需要持续运行、恢复能力与边界识别等证据。 这个框架将「能完成什么」与「需要多少人工支持」放在一起考察。机器人能否识别自身能力边界、在异常情况下安全停止或请求帮助，也成为自主能力的一部分。 对研究而言，它提供了一把分析系统进展的尺子，推动评价从任务覆盖范围延伸到自主完成任务所需承担的责任。 在线认知闭环 物理交互会改变下一次决策所依赖的条件。在部分可观测的环境中，机器人依据有限信息采取行动，行动又会改变环境状态和后续观测。 随着任务时程延长，早期的状态估计误差可能逐步累积，使原本可行的计划失去执行条件。 综述从智能体视角审视具身智能，将Agentic Embodied Intelligence（AEI）的模型核心概括为四项相互耦合的功能，考察系统如何利用物理反馈持续修正面向目标的行为。 感知与具身理解 将任务意图与环境中的实体、空间关系和物理属性对应起来，为决策提供对当前状态及其不确定性的估计。 推理与规划 依据这些信息分解长程目标，比较候选方案，并将子目标表示为机器人策略能够执行、系统能够核验的步骤。当观测不足