在人工智能领域，让机器识别人脸与理解人类行为之间，始终存在着一道难以跨越的鸿沟。过去，不同研究方向的研究者往往各自为战，人脸识别团队不关注动作生成，3D人体重建团队不关心机器人如何模仿人类动作。每个细分领域都有独立的数据集、评价指标和学术圈子，彼此之间缺乏有效沟通。这种碎片化研究模式，直到一篇由多所高校与科研机构联合完成的综述文章出现，才被系统性地串联起来。
该研究提出了“人类语境分类法”这一创新框架，将人机交互领域关于“人”的研究划分为六个递进层次。这一框架从三个维度切入：将人视为可观察对象、动态行动者以及有情境的智能体。六个具体层次包括视觉外观、空间几何、运动动力学、交互建模、世界模拟和具身智能，形成从“看懂”到“做到”的完整链条。以学车为例，这一过程如同从认识仪表盘开始，逐步掌握车身结构、驾驶动作、交通规则，最终实现独立上路。任何环节的缺失都会导致系统无法建立完整的因果链条。
技术发展经历了三个阶段：早期依赖人工设计特征，如手动定义肢体轮廓；深度学习时代让模型自主从数据中学习特征；当前基础模型时代则以大规模预训练、多模态接口和跨任务适应能力为特征。以装修房间作比，深度学习时代为每个房间单独聘请设计师，而基础模型时代则培养一位通晓多种风格的总设计师，通过局部调整满足不同需求。这种转变虽然提高了效率，但对数据质量和针对性的要求也显著提升。
在视觉外观层面，研究聚焦于姿态估计、皮肤纹理识别等可直接观察的属性。通用型人体感知技术通过单一模型实现多项任务，如Sapiens模型可同时处理姿态估计和人体解析。数据针对性被证明比单纯规模更重要，合成数据在特定任务中表现优于真实数据。判别式身份理解技术则致力于在外观变化中识别同一个体，SapiensID模型通过可变分辨率处理解决了姿态和尺度变化问题。可控人体生成技术已实现从生成整张图片到精确控制单个身体部位的跨越，虚拟试衣等应用成为典型场景。
空间几何研究将二维图像转化为三维模型，核心挑战在于恢复照片中不可见的人体结构。参数化人体模型SMPL通过少量参数表示不同体型，成为该领域基础工具。技术发展呈现三大趋势：扩大训练数据规模、从单人处理扩展到多人场景、结合语言智能生成参数。IDOL等前馈式生成技术实现了输入照片即可快速构建三维人体的突破，其原理类似于算法替代裁缝直接裁剪合身西装，但背面等不可见部分的生成仍依赖海量数据的群体先验。
运动动力学研究关注身体动作的描述与生成。MotionGPT将动作编码为离散token，统一了动作描述与序列生成的框架。数据规模与质量的关系在该领域得到验证，Being-M0系列研究表明单纯增加数据量提升有限，需注重数据的可控性。人体视频动画技术则致力于将结构化动作信息渲染为真实视频，OmniAvatar系统通过参数微调实现了音频与肢体动作的精准同步，解决了动作与内容因果关系对齐的技术难题。
交互建模扩展了研究范围，涵盖人与物体、场景以及其他人类的互动。HOI研究强调动作的物理合理性，当前大模型在语义理解上表现优异，但对接触真实性的判断仍依赖间接评估。TRUMANS数据集通过学习真实场景中的动态模式，使生成行为超越固定动作类别。社交互动研究引入互惠性概念，现有系统虽能处理多参与者信息，但难以根据对方反应动态调整行为，如同精通多国语言的翻译未必能主持好圆桌讨论。
世界模拟层试图预测人类动作对环境的影响，其核心在于区分视觉真实性与因果理解。视频生成模型可制作逼真画面，但未必掌握物理规律，如同特效师能制作爆炸场面却未必理解化学反应。具身智能层面临“具身鸿沟”挑战，人类动作数据无法直接转化为机器人指令，因两者身体结构存在差异。当前解决方案是学习中间层通用动作表示，再驱动不同结构的机器人，这需要准确判断哪些信息具有通用性。
该综述还系统整理了领域内的数据集、基准测试和评价指标，将评价标准分为重建精度、语义理解、生成质量、交互合理性和效率五大类。论文指出六个待解决方向：合成数据的可扩展性与可信度、物理约束应成为表示学习核心、评价体系需从碎片化转向系统化等。研究反复强调“物理合理性”的重要性，指出当前方法在语义层面已具说服力，但在接触合理性、力量可信度等物理层面仍存在短板。这种视觉说服力与物理真实性的差距，将成为未来技术突破的关键方向。
