论文综述：ComBodied Agents——以人为中心的智能体 AI 新范式

一、论文是干什么的？

想象一位独居老人今天忘了吃降压药。现在市面上的 AI 大致能做两件事：一个软件智能体（Digital Agent）会再推一条提醒，一个具身智能体（Embodied Agent）——比如家用机器人——会把药盒端到老人面前。这两件事都完成了「任务」，但两者都没有回答一个更要紧的问题：他到底是忘了，还是记混了，还是吃了之后头晕不舒服所以不想吃，还是他清醒地决定不吃？不同的原因，对应的合理支持完全不同——前者需要提醒，第二种需要重新讲解，第三种需要联系医生调整剂量，第四种可能需要尊重他的拒绝。这个开篇例子，就是这篇论文全部论证的起点。

作者由此指出智能体 AI 存在一个结构性缺口：数字智能体围绕「软件状态的变化」组织，具身智能体围绕「物理状态的变化」组织，而没有任何一支把「一个具体的人随时间演化的状态与能动性」当作建模、干预和评估的首要对象。他们提出的新范式叫 ComBodied Agents（论文正文中也写作 Combodied Agents，可理解为「陪伴式／共身智能体」）：它持续感知、建模、预测并支持个体的人类状态轨迹（human-state trajectory），而软件工具、传感器、可穿戴设备、机器人乃至人类服务都只是行动通道（action channels），不是最终目标。用一个类比说：数字智能体像一个只会替你把表格填完的助理，具身智能体像一个会替你跑腿的管家，而 ComBodied Agent 更像一位长期跟着你的家庭医生兼教练——他关心的不是这次事情办没办成，而是你这半年身体、认知、情绪、习惯和人际关系整体上是变好了还是变差了，以及你自己做决定的能力有没有被他削弱。这是一篇 38 页、6 幅图、10 张表的立场与框架论文（position / framework paper），由 Université de Montréal 与 Mila 的 Bang Liu 组牵头，联合新加坡 A*STAR、清华、剑桥、牛津等共 16 家机构完成。

二、核心方法与创新

2.1 三种「行动基底」的分野

论文首先把智能体按行动基底（action substrate，即模型与评测围绕哪类目标状态组织）分成三支，这构成全文的坐标系：

维度	Digital Agents	Embodied Agents	ComBodied Agents
主要目标	变换数字状态（界面、代码、API、工作流）	变换物理／仿真物理状态（导航、操作、机器人控制）	建模并支持人的演化状态与能动性
组织性问题	能完成什么外部任务？	能控制什么物理环境？	这个人的状态、能力与能动性如何随时间变化？
评估目标	正确性、效率、任务完成度	安全性、控制可靠性、物理成功率	人的轨迹收益、自主性保全、长期能力
代表系统	代码编辑器、数据分析智能体、浏览器自动化	机械臂、自动驾驶、家用机器人	个人健康伴侣、自适应学习系统、记忆助手

作者进一步给出 ComBodied Agents 的五条定义性属性：以人为中心的状态建模（人是首要对象）、长期性（longitudinality，跨长时程推理）、干预性（提醒、建议、教练、上报）、共同能动（co-agency，人机之间可调整的分工），以及能动性保全（agency preservation，维护自主、控制与尊严）。

2.2 闭环：感知 → 记忆 → 预测 → 可准入干预 → 反馈

论文最核心的贡献，是把散落在个人助理、健康智能体、AI 陪伴、自适应人机系统里的碎片能力，合并成一个统一的闭环。四个环节如下。

第一环：事件级多模态感知（event-based multimodal perception）。论文定义它为「对碎片化个人数据的获取、过滤、对齐与解释，以服务于人类状态理解与长期建模」。关键在于它不追求把原始信号全部留下，而是走一条证据链：观测 → 事件 → 推断状态 → 预测轨迹 → 授权干预（observation → event → inferred state → predicted trajectory → authorized intervention）。智能体维护的是一个带不确定性的隐状态后验，而非一个笃定的结论：

Z_t \sim q_\phi(\cdot \mid D_{\leq t}, M_t, C_t)

其中 $D_{\leq t}$ 是截至 $t$ 时刻的个人数据， $M_t$ 是记忆， $C_t$ 是当前时空／情境上下文。相关记忆通过检索取出： $R_t = \mathrm{Read}(M_t; Z_t, C_t, G_t)$ ， $G_t$ 为当前协商的目标。人的状态转移与观测生成写作：

H_{t+1} \sim T_H(\cdot \mid H_t, a_t^{agent,*}, a_t^{user}, \Xi_t), \qquad O_{t+1} \sim \Omega(\cdot \mid H_{t+1}, C_{t+1})

也就是说，下一刻的人类状态由当前状态、智能体的动作、本人的动作和外生扰动 $\Xi_t$ 共同决定——本人始终是转移方程里的一个显式主体，而不是被作用的环境。论文同时强调每条事件记录都要保留来源、设备、采样方式、置信度与敏感度等溯源元数据，原始音视频与生理波形在抽取事件后即删除，只保留目的明确的事件描述。

第二环：可修正的长期记忆（longitudinal and correctable memory）。论文把它拆成七类：情景记忆（具体事件与交互）、语义化个人记忆（稳定事实、偏好、价值观、边界）、轨迹记忆（健康、行为、情绪、认知的变化）、目标与承诺记忆、关系记忆（家人、照护者、医生、社交联系）、干预—响应记忆（把每次提醒／建议与其被接受、拒绝、带来的收益或伤害连起来），以及用户控制记忆（限制、更正、删除请求）。更新规则为：

M_{t+1} = \mathrm{Update}(M_t, O_{t+1}, a_t^{agent,*}, Y_{t+1}, F_{t+1})

$Y$ 是结果， $F$ 是反馈。这里最能体现「以人为中心」的一点是：记忆必须能被本人检查、区分（哪些是我说的、哪些是模型推断的）、更正与删除，而且更正必须向后传播、改变未来行为。这与只做「事实存储」的普通记忆助手是本质区别。

第三环：Personal World Model（PWM，个人世界模型）。论文定义它是「目的受限的、个体特异的事件动力学模型」，输出的是校准过的分布而非点估计：

p_\theta(Z_{t+1:t+\Delta},\, E_{t+1:t+\Delta},\, Y_{t+1:t+\Delta} \mid D_{\leq t}, Z_t, C_t, G_t, s_{t:t+\Delta})

其中 $s$ 是情景设定（scenario），涵盖用户的决策、智能体的干预与支持、以及相关的环境或社会变化。PWM 的功能定位是：给定这个人被治理的事件历史与当下时空情境，输出在不同决策与干预下的「状态—事件—结果」轨迹，并根据后续事件与干预—响应记忆不断更新。这是「反事实」的能力——它要能回答「如果我今晚提醒他，和如果我不提醒，一周后的服药依从性分别会怎样」。

论文在这里划了一条重要的界线：PWM 不是 Human Digital Twin（人类数字孪生）。它明确拒绝「把一个人穷尽复刻」的路线，主张目的受限（purpose-bounded）、不确定性感知（uncertainty-aware）、用户可更正（user-correctable）的表征——只建模已经约定的支持情境所需的那部分，而且 PWM 的输出要保留替代解释、矛盾证据和不确定性，而不是给一个自信的单点结论。

第四环：可准入干预策略（admissible intervention policy）。这是整个框架的伦理承重墙。智能体不是在所有可能动作里选最优，而是只能在一个受约束的可准入集合 $A_t^{adm}$ 内做多目标帕累托选择：

a_t^{agent,*} \in \operatorname*{Pareto\,Argmax}_{a \in A_t^{adm}} \; \mathbb{E}_{p_\theta^a}\big[U(Y_{t+1:t+\Delta}, G_t)\big]

可准入集合强制执行同意、范围、安全、不确定性、可逆性与上报要求，并且必然包含「不干预」「先澄清」「转介」三个选项。之所以用帕累托而非单一标量最大化，是因为效用 $U$ 里的收益、能力成长、自主性、人际关系这几项之间存在真实的权衡，作者不愿把它们压成一个可被刷高的分数。动作空间被整理为十类：Inform（认知）、Remind（注意／执行）、Recommend（决策）、Coach（能力／习惯）、Nudge（行为倾向）、Reflect（自我理解）、Coordinate（社会／机构）、Protect（安全／自主）、Escalate（高风险状态）、Execute（受托的外部执行）。

2.3 设计空间：三条轴 + 五个交叉维度

论文用三条轴组织整个设计空间。第一轴是人类状态目标（human-state targets）：生理健康（慢病管理、服药依从、症状监测）、认知功能（学习、记忆、决策、元认知）、情绪健康（情绪调节、压力管理、韧性）、行为改变（习惯养成、目标追求）、社会与关系（维系联结、冲突处理、家庭协调）、能力发展（技能构建、独立性）、目标追求与意义建构、安全与风险缓解。第二轴是关系情境（relational contexts）：照护者与被照护者、患者与医者、学习者与导师、同事或协作者、伴侣式陪伴、监护式看护。第三轴是智能体角色（agent roles）：支持者／赋能者、顾问、监测者／哨兵、上报者／中介、执行者、见证者／记录者。

在三条轴之上，还有五个横切维度决定一个具体系统落在哪里：记忆范围（只记最近上下文，还是长期模式，还是终身史）、主动性与权限（谁决定何时提供什么支持）、干预强度（从静默观察到温和推动再到主动保护）、评估目标（任务完成、人的收益、自主性保全或其组合）、部署位置（云端、混合、端侧）。

2.4 从云端 LLM 到端侧原生个人模型

论文用一整节论证「个人模型应当往端上走」。它把端侧原生个人模型定义为「一个由用户控制的技术栈，其长期记忆、PWM、偏好、干预策略与安全边界主要保存在用户侧设备上」，理由是本地所有权支撑隐私、连续性、低时延、断网韧性，以及可检查与可重置。演进被分成三阶段：

阶段一，云端中心：云上的基础模型负责推理、记忆检索与回复生成，设备只是界面与传感端点；个性化靠提示词、对话历史和画像实现。适合快速原型与低风险场景，缺陷是没有用户拥有的持久 PWM，记忆难以检查与更正。
阶段二，边云混合：端上做隐私敏感的感知、本地上下文跟踪、记忆过滤与安全检查，云上提供外部知识、复杂推理与专门工具；原始信号与私密记忆留在本地，云端只收到目的受限的摘要。前提是本地持有敏感个人状态的权威副本，并强制执行披露与权限校验。
阶段三，端侧原生：由用户控制的端侧模型持有记忆、PWM 与干预策略，动用云端成为需要显式说明的例外。高敏感场景必须走到这一步，因为只有这样才谈得上检查、回滚与控制。

作者提醒，这三阶段描述的是「重心所在」而非严格的时间顺序，同一个 ComBodied Agent 完全可以对不同任务处在不同阶段。

三、使用了哪些模型和计算资源？

需要如实说明：这是一篇立场与框架论文（position / framework paper），不包含任何模型训练、微调或推理实验，因此论文中没有报告任何具体的 LLM 型号选择、GPU 型号、显存、训练时长或算力预算。它的贡献是定义性、架构性与分类性的，而非实证性的：没有实验结果、没有消融、没有基线对比，也没有用户研究或真实部署数据。

论文在讨论技术底座时引用了若干已有模型与系统作为讨论对象，但这些只是文献综述层面的引用，不代表本文运行过它们。被提到并归类的既有工作包括：通用侧的大语言模型与多模态基础模型；健康推理方向的 Med-PaLM、Health-LLM、PHIA；时序临床记录建模的 BEHRT、Med-BERT；记忆与长时评测方向的 MemoryBank、LongMemEval；感知工具链上的 OpenFace（面部动作单元与视线）、GeMAPS/eGeMAPS（声学特征标准）、MERBench（多模态情绪识别）；数据与基准方面的 MIMIC-IV（电子病历）、Ego4D（第一人称视频与情景记忆）、StudentLife（纵向移动感知加自陈）、OPPORTUNITY（多模态可穿戴活动识别）、AWARE（移动感知框架）、Sotopia（社会互动评测），以及 Data Cards、Datasheets for Datasets 等文档规范；互操作标准方面提到 HL7 FHIR、SMART on FHIR 与 OMOP 通用数据模型。

关于算力的唯一实质性论述出现在第 5 节：作者主张把个人模型的核心能力压到用户侧设备上运行，并给出了迁移到端侧的判据——当端侧模型能以可接受的质量完成重复性的个人任务、并在断网时仍能维持关键的安全与控制功能时，就应当把重心下移。但论文没有给出任何具体的参数量、量化方案、时延数字或功耗测算。

四、实验结果

本文没有实验结果。 第 6 节「Benchmark & Evaluation」提出的是「应当如何评测」，而不是「我们评测了什么」；其中提出的 CombodiedBench 是一个拟议中待构建的统一基准，论文中没有该基准的任何数据规模、任务数量或榜单成绩。下面如实整理论文提出的评测要求与指标设想。

对现有基准的批评：作者认为现有公开资源在健康、学习、感知、社交等领域高度碎片化，且普遍以「任务是否成功」为准绳，缺乏对能力成长、自主性保全、关系安全的跨类型统一评测。换言之，一个把用户伺候得越来越无能的系统，在今天的榜单上依然能拿满分。

场景中心评测（scenario-centered evaluation）：评测单元应从孤立任务转为长时程的人类状态支持场景，横跨健康、学习、生产力、情绪支持、老年照护等域，并且必须在不确定性、目标冲突、可逆性约束下考察智能体的行为——特别是干预的时机、强度校准与上报恰当性。

能动性保全指标（agency-preservation metrics）：论文给出的是一组概念性构念，并未给出任何数学公式或具体计算方法：

指标构念	含义
理解保持 / 认识论能动性	用户对决策依据的理解是增强了还是被掏空了
能力轨迹	在长期使用辅助后，技能是保持增长还是发生萎缩
自主与控制	用户是否保有拒绝、更正与收回授权的实质选择权
校准的依赖	用户对建议的信任是否恰当，既不盲从也不无视
关系与尊严效应	干预是加固还是替代了真实的人际关系，是否助长谄媚
可逆性	智能体的动作能否撤销，人能否从被削弱的状态中恢复

需要强调的是，这些指标在论文中只有定性描述，唯一与之相关的形式化表达就是式 8 里那个多目标帕累托最大化——效用 $U$ 显式保留收益、能力、自主性、关系之间的取舍，但论文明确没有指定任何单一的合成度量。

五、潜在应用与已落地应用

论文本身勾勒了六个代表性场景，都属于设想中的应用形态，论文未报告任何一个已经实现或部署的系统：

服药依从与慢病自我管理：伴侣型智能体跟踪症状与用药，预测依从性风险，在尊重用户对打扰频率的偏好下给出恰当时机的提醒或教练式支持。
教育支持与能力成长：导师型智能体建模个体学习轨迹，预测概念缺口并提供脚手架，但评估目标是独立推理能力的增长，而不是考试分数的提升。
原居安老与安全看护：系统观察活动与健康模式，识别跌倒或行为变化，并与家人或照护机构协同，同时保全老人的尊严与残余的独立性。
行为健康与习惯改变：教练型智能体通过反思式反馈、动机修复与环境协调支持行为改变，并主动避免让用户依赖系统本身。
职场自适应助理：生产力伴侣学习个体工作节律与偏好流程，预测认知负荷，建议休息或工具使用，并对自身建议保持透明。
家庭协调与关系连续性：共享的记忆与日程系统维护家庭义务、家族历史与沟通模式，同时尊重每个成员的隐私与角色边界。

从更广的落地角度看，论文实际上是在为一批已经存在的产品类别提供统一叙事与批评框架：它把任务型对话智能体、工具调用智能体、计算机操作智能体、记忆助手、个性化智能体、陪伴智能体、健康智能体、学习智能体逐一列出，指出各自的短板（例如记忆助手「只存事实而不建模轨迹」，个性化智能体「常常在优化参与度而非长期福祉」，陪伴智能体存在情感依赖与关系边界越界风险，学习智能体可能助长过度依赖并削弱独立推理），并说明 ComBodied 框架分别补上了什么。因此，可穿戴设备厂商、数字健康与慢病管理平台、AI 陪伴类应用、自适应教育产品、以及正在把模型往手机与眼镜上搬的端侧 AI 团队，是这套框架最直接的潜在采用者。关于具体商业产品是否已采用本框架，暂无相关信息。

在治理层面，论文给出的方向也具有直接的落地含义：目的受限的个人表征（而非全量数字孪生）、用户可检查与可更正的记忆、需要区分「本人陈述」与「模型推断」、do-not-remember 规则与删除请求、多方共享数据时标注焦点用户与各参与方的可见性、按角色（陪伴者／教练／监测者／保护者／上报者）划定边界以防越权，以及对情感过度依赖、操纵风险与社会关系被替代的主动监测与上报机制。第 8 节还列出了八类开放挑战：能动性与对齐风险、隐私同意与控制、脆弱与高风险人群（未成年人、老人、认知受损者）、纵向与因果学习（观察数据中的个体干预效应识别、N-of-1 与微随机化试验设计）、能动性对齐的干预分工、可信个人基础设施（端侧安全、记忆同步、用户发起的重置与回滚）、多智能体共存的 ComBodied 生态与冲突消解，以及跨文化与全生命周期的适配差异。

六、网络上的讨论与评价

这篇论文在 Hugging Face Daily Papers 上获得 186 票，被列为 #2 Paper of the day（当日第二名），由用户 leoli 于 2026 年 8 月 12 日提交。

在 Hugging Face 的社区讨论区，目前可见的互动很有限，只有两条：

论文提交者 lifuguan（标注为 Paper submitter）留下了一条极简的推广式评论，内容仅为大写的论文名 COMBODIED AGENTS，没有展开论述。
librarian-bot（Hugging Face 的自动化文献推荐机器人）发布了一条自动消息，基于 Semantic Scholar API 列出了它认为相似的论文，包括：From World Action Models to Embodied Brains: A Roadmap for Open-World Physical Intelligence、HoloAgent-0: A Unified Embodied Agent Framework with 3D Spatial Memory、ETA: A New Agentic Paradigm for Embodied Tasks、When Multi-Robot Systems Meet Agentic AI: Towards Embodied Collective Intelligence、A Taxonomy of Cognitive Capability Gaps in Generative and Agentic AI、From Passive Mirrors to Active Agents: Holonic Digital Twins for Physical AI over Networks、Human Centric Embodied Intelligence for Soft Wearable Robotics（均为 2026 年）。这份自动推荐列表本身透露出一个信号：算法把它与「具身智能路线图」类论文归为一簇，而论文作者恰恰是要把自己与具身路线区分开——这种归类偏差某种程度上正印证了作者所说的「结构性缺口尚未被普遍认知」。

在 Hugging Face 之外，通过关键词与 arXiv ID 的多轮检索，未找到 X/Twitter、Reddit、Hacker News、知乎或独立技术博客上针对本文的实质性讨论或评论。论文于 2026 年 8 月 11 日投稿、8 月 12 日更新 v2，截至本文写作时（2026 年 8 月 16 日）仅公开数日，社区反应尚未展开。检索中出现的中文相关内容多为泛智能体综述（如知乎上关于 AI Agent 与 Agentic AI 分类法的综述译介）与具身智能行业文章，与本文并无直接引用关系。因此，关于本文在社交媒体与技术社区的深入评价与批评意见，暂无相关信息，需待后续观察。

值得一提的是，从论文自身的定位看，它未来最可能引发的争议点是清晰的：一是「让 AI 长期建模一个人的生理、认知、情绪与人际状态」本身的隐私与权力问题——论文用端侧原生与可删除记忆来回应，但这套主张在商业激励下能否成立，尚待检验；二是「能动性保全」这组指标目前只有定性描述、没有可计算的形式化定义，如何避免它沦为一句无法证伪的口号，是框架能否从立场文章走向工程实践的关键。

七、思维导图

mindmap
  root((ComBodied Agents 人本智能体范式))
    问题定位
      Digital Agents 只变换软件状态
      Embodied Agents 只变换物理状态
      老人漏服药 无人解释背后原因
    闭环四环节
      事件级多模态感知 保留证据与溯源
      可修正长期记忆 七类记忆含干预响应
      Personal World Model 反事实预测个人轨迹
      Admissible Intervention Policy 帕累托受限选择
    设计空间三轴
      human-state targets 生理认知情绪行为社会
      relational contexts 照护患医师徒陪伴监护
      agent roles 支持顾问监测上报执行见证
      五个交叉维度 记忆权限强度目标位置
    部署演进
      Stage I 云端中心 无用户持久 PWM
      Stage II 边云混合 云端只收目的受限摘要
      Stage III edge-native 用户掌控可检查可回滚
    评测设想
      现有基准只测任务成功且碎片化
      场景中心评测 考察时机强度与上报
      agency preservation 六项定性构念
      CombodiedBench 拟议未构建的统一基准
    风险与治理
      情感依赖与操纵 需主动监测上报
      多方同意 删除与角色边界
      脆弱人群 未成年老人认知受损者
      N-of-1 与微随机化 因果识别难题