清华大学研究团队完成了一项针对具身智能领域的系统性梳理。这项工作以智能体视角切入，将模型能力、计算基础设施、安全机制、数据体系与评测方法纳入同一幅技术图景，试图回答一个核心问题：机器人如何才能被组织成能够持续自主工作的系统。
多模态基础模型的发展，让语言理解、视觉感知与动作生成逐步汇入统一的学习框架，机器人可执行的任务清单持续加长。不过，当研究从实验室走向开放环境与长期部署，新的矛盾开始显现——单次任务层面的能力，与跨任务、跨场景的系统组织之间，仍存在明显断层。
物理世界从不静止。物品会被挪动，抓取可能脱手，任务条件在执行途中悄然改变。面对不完整的信息，机器人必须当下做出决策，行动之后核实结果，偏离目标时及时纠偏，并把可靠的经验带入下一轮交互。任务持续得越久，这种贯穿感知、决策与行动全程的组织能力就越显关键。
从技术脉络看，具身智能的演进始终围绕一个主题：如何借助身体与环境的交互产生智能行为。反馈控制是最早的形态；模仿学习与强化学习随后接手技能获取；深度视觉运动策略进一步拓宽了行为的覆盖面；多模态基础模型则带来跨任务的语义理解与知识迁移，催生了通用机器人策略。
在此基础上，综述提出Agentic Embodied Intelligence（AEI）这一概念，把研究焦点推进到任务级的自主组织。处于这一层级的系统需要理解目标、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执行、重新尝试、改换方案还是向人类求助。这一视角也让不同技术路线获得了共同的讨论坐标——VLA模型、世界动作模型与程序化技能组合各自承担闭环中的不同功能，其价值需要结合完整任务的表现来衡量。
综述构建了一幅系统级图景：模型端承担具身理解、规划、行动与反思四类工作；基础设施衔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，新的观察与状态再回流至模型。这一在线交互过程构成自主系统的运行核心。围绕核心，环境持续产生交互经验，数据支撑模型训练，评测暴露能力缺口与失败模式，改进方向由此确定；安全要求则像一条主线，贯穿模型检查、运行时防护、控制限制与人类监督各个环节。
面向真实部署的能力提升无法依靠单一模块完成。高层推理必须与低层控制共享足够准确的状态信息，技能接口需要返回执行结果与异常情况，端侧、边缘与云端的算力分工要满足时延约束，数据与评测也必须覆盖真实运行中的困难场景。任何单一环节的进步，都要经过这些连接点的传导，才能转化为整套系统更可靠的行为。
「自主」一词被广泛使用，但不同系统之间的差异究竟在哪里？这项工作提供了一个判别角度：考察人类还承担着哪些职责。由谁拆解任务，由谁监控过程，失败后由谁接管，任务完成由谁认定——这些问题的答案，刻画出系统真实的自主程度。
综述据此构建了L0至L5的分层框架。L0对应连续遥操作，L1提供辅助技能，L2实现受控范围内的任务自主，L3达到条件自主；在这一梯度上，人类逐渐从直接操控动作退居监督岗位，只在需要时介入。L4指向限定领域中的持续任务执行、结果验证与失败恢复，L5则代表开放世界中的通用自主能力。后两者被列为研究目标，其达成需要持续运行、恢复能力与边界识别等方面的证据支撑。
这一框架把「能完成什么」与「需要多少人工支持」绑定在一起考察。机器人能否识别自身能力边界、能否在异常情况下安全停止或主动求助，同样被计入自主能力的组成部分。对研究者而言，这把尺子让评价从任务覆盖范围延伸到责任承担层面。
综述将限定运行域内的持续任务自主性与开放世界自主性划为不同层次的研究目标。判断进展的依据，是在明确的运行范围、任务时程与人工支持条件下，系统能否持续承担相应的决策责任，并为其行为及后续更新提供可复核的证据。
在线认知闭环是综述着力分析的另一条主线。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，行动又反过来改变环境状态与后续观测。任务时程拉长之后，早期的状态估计误差可能逐步累积，让原本可行的计划失去执行条件。
这四项功能既可以由统一模型承担，也可以分散在多个模块中。无论哪种架构，都绕不开同一个接口问题：感知环节为规划保留了哪些必要信息，执行环节又返回了哪些足以改变下一次决策的证据。
验证标准因更新范围而异。单次任务内，反思的价值可以用后续干预来检验——在相同的重试预算下，修订后的方案能否有效恢复执行。若要主张系统获得了可复用的经验，则需移除当前任务的临时上下文，在新任务上验证收益；一旦涉及策略或模型更新，还要评估原有能力是否得到保留。
失败归因在实践中并不轻松。物理交互的重置成本高昂，传感反馈存在歧义，仿真与真实部署之间又有差距。综述据此把更新对象与证据要求一一对应：控制调整可在当前回合内验证，持久记忆与技能更新需要跨任务证据，更大范围的系统修改则必须辅以独立的版本比较和部署监测。
决策之外，系统层决定了这些决策能否在物理环境中及时执行、安全修正，并留下可供独立检验的证据。综述将计算基础设施、安全机制、交互数据与评测协议纳入同一分析框架，逐一展开讨论。
具身系统同时运行着多个时间尺度的闭环。底层控制与动作策略受严格的响应时限约束，长程规划则可以动用更大的计算预算。推理任务在本体、现场边缘服务器与云端之间如何分配，取决于各环节对算力、能耗和时延的不同要求。快速控制场景下，平均时延尤其容易掩盖问题——偶发的长延迟或断连，可能让返回的指令依据过期状态执行。混合部署因此还需要协调状态同步、指令有效期与本地接管机制。
安全约束需要贯穿感知、规划与控制全程。感知阶段识别的风险、规划阶段设定的前置条件、执行阶段施加的限制，必须指向同一对象，且基于仍然有效的状态与授权。任务结束后，系统还需核验残余风险；若经验将写入记忆或用于策略更新，安全判断就应延伸到后续任务，检验原有约束在新版本中是否依然成立。
数据方面，综述提出Agentic Embodied Experience这一经验表示，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。这种表示把决策时可获得的信息与实际发生的运动及其物理后果对应起来，研究者借此可以追溯偏差最早出现在哪个环节，以及后续干预是否真正改变了结果。
数据分布还取决于智能体自身的行为——探索策略、求助时机与失败恢复方式，都会影响哪些状态被记录下来。将评测中暴露的能力缺口反馈给任务选择与数据采集，再用独立任务检验更新收益，便可以形成由能力诊断驱动的数据循环。
要从实验结果推断自主能力，评测协议必须交代清楚若干前提：仿真环境保留了哪些物理与语义状态，工具接口预先提供了哪些技能，运行中允许何种人工介入。只有在这些条件下联合报告任务结果、决策质量、执行质量、恢复过程与安全表现，才能判断观测到的收益究竟来自智能体的哪项能力，结论又适用于何种环境。
项目页面：https://agenticei.github.io/AEI-Survey-page/
