清华团队提出AEI框架：具身智能如何走向任务级自主
以智能体视角，清华首发具身智能综述：从端到端策略到自主系统
新智元报道
新智元报道
语言理解、视觉感知和动作生成正被纳入同一个学习框架，多模态基础模型不断拓宽机器人的能力边界，能做的任务也越来越多。
可一旦把研究放到开放环境和长期部署里，问题就变了：这些能力该怎么拼成一个能持续自主运转的系统？
真实世界一直在变，物体会挪位置，接触可能失败，任务条件也会在执行途中改掉。机器人得在信息不全时拿主意，做完再验证结果，跑偏了就调策略，还要把靠得住的经验留到下一次交互用。任务拖得越久，这种把感知、决策和行动串起来的组织能力就越关键。
针对这一变化，清华大学团队换了个角度，以智能体视角重新梳理具身智能研究，把模型能力、计算基础设施、安全、数据与评测摆进同一张系统图里，探讨走向更高自主性的技术路线和还没解决的问题。
项目链接：https://agenticei.github.io/AEI-Survey-page/
这条演进主线，说到底就是智能行为怎么靠身体与环境的交互长出来。早先靠反馈控制，后来用模仿学习和强化学习获取技能，再往后是深度视觉运动策略，能学、能做的行为范围一步步扩大。多模态基础模型又补上了跨任务的语义理解和知识迁移，通用机器人策略由此被推着往前走。
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。
沿着这个思路，Agentic Embodied Intelligence（AEI）把问题推到任务级的自主组织：系统要读懂目标，主动去补信息，排好子任务，调用技能，再根据物理反馈决定接着做、重试、重新规划还是求助。
这个视角也给不同技术路线提供了共同的讨论坐标。VLA、世界动作模型和程序化技能组合在闭环里各管一段，值不值得看它们怎么撑起一整个任务。通用策略给出的行为本事越来越丰富，AEI 接着追问的是：这些本事在持续交互中怎样才能被有效组织起来。
综述的 Figure 1 摆出了一个系统级框架：模型管具身理解、规划、行动与反思，基础设施把技能调用和机器人控制接起来，本体在物理或仿真环境里执行动作，新的观察与状态再回传给模型。自主系统的运行核心，正是这个在线交互过程。
论文图1｜Agentic Embodied Intelligence 的系统关系。在线交互把模型、基础设施、本体与环境连在一起，数据和评测支撑能力改进，安全与可信要求贯穿整个系统。
围着这个核心，环境不断产生交互经验，数据用来训练模型，评测把能力缺口和失败模式暴露出来，再反过来影响模型与系统的改进方向。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得靠多层配合。高层推理要与低层控制共享足够准确的状态，技能接口要能返回执行结果和异常，端侧、边缘和云端的分工得满足时延约束，数据与评测也要覆盖真实运行中冒出来的困难。
单个环节的进步，只有通过这些连接，才能变成整套系统更可靠的行为。
当「自主」被用来描述不同系统时，有个问题绕不开：人类到底还担着哪些活？任务由谁拆解，过程由谁监控，失败后谁来接管，任务完成与否又由谁判断？
综述用 L0—L5 的概念框架来讨论人机责任的变化。L0 是连续遥操作，L1 是辅助技能，L2 是受控任务自主，到 L3 的条件自主，人类逐步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 则指向开放世界里的通用自主能力。
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。
这个框架把「能完成什么」和「需要多少人工支持」放在一起考察。机器人能不能识别自身能力边界、在异常情况下安全停下或请求帮助，同样算自主能力的一部分。
对研究来说，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。
物理交互会改变下一次决策所依赖的条件。环境只能部分观测，机器人依据有限信息行动，行动又会改变环境状态和后续观测。
任务时程一拉长，早期的状态估计误差可能逐步累积，原本可行的计划就失去了执行条件。
综述从智能体视角审视具身智能，把 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。
感知与具身理解把任务意图对应到环境中的实体、空间关系和物理属性上，为决策提供对当前状态及其不确定性的估计。
长程目标怎么拆、候选方案怎么比，推理与规划都靠这些信息来完成；拆出来的子目标，还要写成机器人策略执行得了、系统也验证得了的步骤。碰上观测不够、判断不了行动是否可行的情况，主动去拿信息本身也能算作规划的一环。
动作执行把子目标转化为受本体动力学与安全约束的运动，并返回实际状态变化。
闭环演进利用执行证据比较预期与实际后果，判断偏差出在哪个环节，进而调整动作、修订计划或更新经验。
这四项功能，既可以交给一个统一模型来扛，也能拆到多个模块里分别做。架构不同，卡住的地方却是同一个接口问题：规划需要的信息，感知留没留下来？下一次决策要改，执行又交回了哪些够格的证据？
论文图 3｜在线认知闭环。感知为规划提供状态依据，执行产生可观测的物理后果，结果核验驱动后续决策。
单次任务内的恢复与跨任务层面的更新，验证标准并不一样。
落到一次任务里，反思有没有用，要看后续干预的效果——同样的重试预算下，改过的行动方案能不能把执行拉回来。
如果还想说系统攒下了可复用的经验，那就得把当前任务的临时上下文拿掉，换到新任务上看收益。一旦牵涉策略或模型更新，原有能力是否保得住，也得一并评估。
物理交互重置起来代价高，传感反馈又常有歧义，加上仿真和真实部署之间存在差距，失败到底该归因到哪一环，难度不小。
综述据此把更新对象和证据要求对应起来：控制层面的调整，当前回合就能验证；持久记忆和技能更新，需要跨任务的证据；涉及更大范围的系统修改，则要靠独立的版本比较和部署监测。
论文图 7｜数字智能体到具身智能体的闭环演进。这两类系统都会拿执行反馈来找出偏差，可验证环境、重置成本、部署条件三方面差别明显。
在线认知闭环讲的是智能体怎么做决策，系统层要回答的则是另一件事：这些决策到了物理环境里，能不能及时执行、安全修正，并留下可以独立检验的证据。
综述由此把计算基础设施、安全机制、交互数据与评测协议放进同一个分析框架。
云边端协同与实时执行。
具身系统身上同时跑着多个时间尺度的闭环。底层控制和动作策略卡着严格的响应时限，长程规划则能用掉更大的计算预算。推理到底放在机器人本体、现场边缘服务器还是云端，要看各环节对算力、能耗和时延的要求。
快速控制场景下，平均时延特别容易把问题盖住：偶发一次长延迟或者断连，返回的指令就可能照着过期状态去执行。所以混合部署还得把状态同步、指令有效期和本地接管机制协调好。
论文图 9｜本体、云端与混合部署。本体受功耗与散热约束，云端受通信条件制约，混合部署还需确定计算分工并保持状态一致。
安全与可信。
安全约束要贯穿感知、规划与控制三段。感知阶段识别出的风险、规划阶段设定的前置条件、执行阶段施加的限制，必须指向同一个对象，而且依据的状态与授权得仍然有效。
任务结束之后，残余风险也要核验。如果经验要写进记忆或者拿去更新策略，安全判断就得延伸到后续任务，看原有约束在新版本里是否继续成立。
面向智能体的具身经验。
综述提出Agentic Embodied Experience，用目标、上下文、决策理由、子目标、可供性、运动、反馈与反思来组织交互记录。
这种表示把决策时能拿到的信息，和实际发生的运动及其物理后果对应起来。研究者因此可以追溯偏差最早出在哪个环节，以及后续干预有没有改变结果。
论文图 13｜具身数据来源如何走向交互经验表示。数据金字塔讲的是各类来源的规模与针对性，经验表示讲的则是一次决策怎么跟行动、反馈、修订挂上钩。
数据分布还受智能体自身行为的影响。探索策略怎么选、什么时候求助、失败后怎么恢复，都会决定哪些状态被记录下来。把评测中暴露的能力缺口反馈给任务选择和数据采集，再用独立任务检验更新收益，就能形成一个由能力诊断驱动的数据循环。
面向自主性的评测。
综述从任务要求的认知能力出发，归纳出五类评测情境：目标消歧与主动理解、工具发现与可供性推理、在线扰动处理与恢复、开放环境中的长程任务，以及社会交互与多智能体协作。
这五类刻画的是任务难度从哪来。前文的自主性分级看的是另一个维度：在给定运行边界内，目标解释、决策、执行监控和异常处置，人和系统各自承担多少。
想凭实验结果去判断一套系统的自主能力，评测协议就得交代清楚：仿真环境里保留了哪些物理状态和语义状态，工具接口事先备好了哪些技能，运行过程中又允许多大程度的人工介入。
只有把任务结果、决策质量、执行质量、恢复过程和安全表现放在这些条件下一并报告，才看得出观测到的收益究竟来自智能体的哪一项能力，也才说得清结论能用在什么样的环境里。
论文图 15｜具身基准中的五类认知要求。这几类任务对主动获取信息、管理中间状态、适应环境变化各有不同要求，对应的测量盲区也不一样。
通用策略让机器人能做的任务变多了。但要往更高水平的自主性走，研究还得回答：这些能力在不确定环境里如何持续配合，系统又该在什么时候恢复、求助或者停下来。
论文把限定运行域内的持续任务自主性和开放世界自主性，列为两个不同层次的研究目标。
衡量进展的尺子，是看在明确的运行范围、任务时程和人工支持条件下，系统能不能一直担起相应的决策责任，并且为自己的行为及后续更新拿出可以复核的证据。
参考资料：
https://agenticei.github.io/AEI-Survey-page/
