Agentic AI的第三种范式来了，16家机构提出「伴身智能体」

今天的 Agent 越来越擅长替人完成任务，但 “做得更多” 是否必然意味着 “对人更好”？来自 Mila、蒙特利尔大学、新加坡科技研究局（A*STAR）、牛津大学、剑桥大学、清华大学等 16 家海内外高校与科研机构的 22 位研究者提出 ComBodied Agents：一种围绕人的长期状态与主体性构建的 Agentic AI 新范式。论文第一作者丁强刚现为蒙特利尔大学博士生、Mila 成员，同时也是弦指科技创始人，正推动这一范式从研究框架走向 Zilo Ring 智能戒指等 AI 硬件实践。 一位老人漏服了药。 数字智能体可以发一次提醒，具身智能体可以把药送到老人面前。但这两个动作都没有回答：老人是忘了，还是没看懂医嘱？是出现了副作用，还是经过思考后主动拒绝？下一步究竟应该提醒、解释、联系家属、转交医生，还是尊重他的选择、暂时什么也不做？ 这个看似普通的场景，暴露了当下 Agentic AI 的一个结构性缺口。 今天最主流的两类 Agent，通常围绕外部任务来组织能力：数字智能体（Digital Agents）操作网页、代码、API 和工作流，改变的是数字世界的状态；具身智能体（Embodied Agents）感知、导航和操控物体，改变的是物理世界的状态。它们都在追求更长的任务链、更高的成功率和更少的人类介入。 然而，当 AI 进入健康、学习、陪伴和个人生活管理等场景，仅仅 “把事做完” 已经不够。AI 可能替用户写出更好的文档，却没有让用户获得更深的理解；可能加速一次决策，却削弱用户判断依据、质疑建议和独立行动的能力。 换句话说，任务完成得更好，与让人长期变得更好，并不是同一件事。 论文标题：ComBodied Agents: a New Paradigm of Human-Centric Agentic AI 作者：Qianggang Ding、Xingyao Wang、Rui Feng 等 22 位研究者 作者单位：Mila、蒙特利尔大学、新加坡科技研究局（A*STAR）、牛津大学、剑桥大学、清华大学等 16 家海内外高校与科研机构 主要作者：丁强刚，蒙特利尔大学 / Mila 研究所博士生，Zilo 弦指科技创始人；刘邦，蒙特利尔大学 / Mila 研究所副教授 arXiv 页面：https://arxiv.org/abs/2608.10915 Zilo：https://ziloring.com/ 近日，来自 Mila、蒙特利尔大学、新加坡科技研究局（A*STAR）、牛津大学、剑桥大学、清华大学、南京大学、新加坡国立大学等 16 家海内外高校与科研机构的研究者，联合发布论文《ComBodied Agents: a New Paradigm of Human-Centric Agentic AI》，试图重新划定 Agentic AI 的边界。作者团队提出 ComBodied Agents（伴身智能体）融合了 Companion 与 Body，但它并不等于一个更会聊天的 AI 伴侣，而是指一种围绕人的身体、行为、认知、情绪、关系和生活情境持续感知、建模、预测和提供支持的智能体。 论文最核心的转向可以概括为一句话： Agent 的优化对象，不应只是外部任务状态，还应包括人的长期状态轨迹，以及人在这一过程中保留下来的主体性 。 从 “替人完成任务”， 转向 “与人共同成长” 作者用 action substrate（行动基底）来区分三类 Agent。这里的 “基底” 不是交互界面，也不是机器人、手机或云端模型这些载体，而是：究竟哪一类状态在组织系统的建模、决策、行动与评测。 Digital Agents 的中心是数字状态与数字产物； Embodied Agents 的中心是物理或仿真物理状态； Combodied Agents 的中心是不断变化的人类状态，以及人的主体性。 三者并不互斥。一个陪伴老人用药的系统，可能同时调用软件工具、可穿戴设备、家庭机器人和医疗服务。但它是否属于 ComBodied Agent，关键不在于使用了多少模态、多少设备，而在于系统最终优化的是什么：是提醒有没有发出、药有没有送到，还是老人能否在安全、知情且有控制权的前提下获得长期支持。 论文给出了五项共同属性：以人为中心的状态建模、纵向性、干预、人与 AI 的共同行动，以及主体性保护。 这也意味着，一个记得用户姓名的聊天机器人，并不会进化成为 ComBodied Agent；一个持续记录心率的手环也不会。只有当感知、记忆、个体模型和干预策略围绕一个持续、可纠正的人类状态模型连接起来，并以长期的人类收益为目标时，才真正跨过这道门槛。 一个闭环：从多模态证据到 “是否应该行动干预” 为避免新概念停留在口号层面，论文给出了一套闭环技术框架，由四个核心能力组成：Human-State Perception（人类状态感知）、Longitudinal Memory（纵向记忆）、Personal World Model（个人世界模型）和 Intervention Planning and Delivery（干预规划与实施）。人与环境在干预后的反馈，又会反过来更新下一轮感知、记忆、预测和策略。 第一步不是把所有传感器数据都塞进模型，而是重建有来源、有时间、有置信度、有权限边界的 “事件证据”。 语言、语音、视觉、生理信号、睡眠、运动、位置、社交关系、环境和结构化记录，都可能成为证据来源。但论文特别强调，系统必须保留观察与推断之间的距离：多台传感器一致，不代表结论一定正确；一条高质量的用户纠正，可能比多个间接信号更重要；数据缺失也可能只是设备没电，而非生活规律发生变化。 作者因此提出一条关键链路： 观察 → 事件 → 推断状态 → 预测轨迹 → 获准干预。 例如，心率升高首先只是一个观察。结合运动数据和恢复时间后，系统可以重建 “运动后心率偏高且恢复较慢” 这一事件；进一步结合个人基线，才可能推断疲劳；随后，个人模型可以预测继续运动一小时的可能轨迹；至于是否建议停止运动，则属于干预策略的权限范围。 这几层不能跳步。推断出风险，不等于确认了风险；预测某项建议有益，也不等于系统获得了采取行动的许可。 第二步是纵向、可纠正的个人记忆。与仅保存偏好和历史对话的记忆助手不同，这套记忆不仅包括具体事件和相对稳定的个人信息，还包括状态轨迹、目标与承诺、关系、历次干预及其结果，以及用户的 “不要记住”“不要推断”、纠正和删除要求。 其中最关键的一类，是 intervention-response memory（干预 — 响应记忆）：上一次提醒是否被接受？一次建议究竟带来了帮助、无效还是伤害？如果没有这层反馈，所谓长期记忆很可能只是在更稳定地重复过去的错误。 Personal World Model： 不是 “复制一个人”，而是比较多种未来 闭环的核心是 个人世界模型（Personal World Model） ，简称 PWM。 静态用户画像回答的是 “这个人有什么特征和偏好”；长期记忆回答的是 “这个人过去发生过什么”；而 PWM 要回答一个更难的问题： 对于这个具体的人，在不同决定、干预和环境条件下，他的状态、事件和结果将如何演化？ 它的输