可穿戴人工智能或自我人工智能本质上是一种机器人应用。智能眼镜、神经腕带和 AR 耳机（Meta Project Aria、VisionPro）等设备使用人工智能来感知用户的环境、理解空间背景并做出预测。

在过去的十年中，人工智能已经从被动模式识别转变为主动数字代理推理。大型语言模型 (LLM) 和视 觉-语言模型 (VLM) 的出现催生了一波基础模型浪潮，这些模型展示了深刻的常识推理、复杂的工具 使用和⻓期序列规划。随后，视觉-语言-动作(VLA)模型和空间世界模型(WM)尝试将这些推理能 力直接投射到机器人技术中，将高级指令和视觉输入直接映射到低级末端执行器轨迹或关节扭矩命令 中。然而，将生成模

在过去的十年中，人工智能已经从被动模式识别转变为主动数字代理推理。大型语言模型 (LLM) 和视 觉-语言模型 (VLM) 的出现催生了一波基础模型浪潮，这些模型展示了深刻的常识推理、复杂的工具 使用和⻓期序列规划。随后，视觉-语言-动作(VLA)模型和空间世界模型(WM)尝试将这些推理能 力直接投射到机器人技术中，将高级指令和视觉输入直接映射到低级末端执行器轨迹或关节扭矩命令 中。然而，将生成模

26年4月来自美国Kean大学、Norte Dame大学和南佛罗里达大学的论文“HadAgent: Harness-Aware Decentralized Agentic AI Serving with Proof-of-Inference Blockchain Consensus”。工作证明（PoW）区块链共识机制消耗大量计算资源却无法产生有效输出，而大语言模型（LLM）智体的快速增长又对GPU

26年6月来自上海交大和华为公司的论文“AgenticNav: Zero-Shot Vision-and-Language Navigation as a Tool-Calling Harness”。最近，连续环境中的零样本视觉-语言导航 (VLN-CE) 通过大型视觉-语言模型 (VLM) 变得可行。然而，现有的方法通常依赖于学习的航路点预测器来提出可导航的动作。这严重限制模型的动作空间，并且无

26年6月来自上海交大和华为公司的论文“AgenticNav: Zero-Shot Vision-and-Language Navigation as a Tool-Calling Harness”。最近，连续环境中的零样本视觉-语言导航 (VLN-CE) 通过大型视觉-语言模型 (VLM) 变得可行。然而，现有的方法通常依赖于学习的航路点预测器来提出可导航的动作。这严重限制模型的动作空间，并且无

26年2月来自清华、上交大、港大、普林斯顿、中科院、中科大、北大和新加坡国立的论文“WorldArena: A Unified Benchmark for Evaluating Perception and Functional Utility of Embodied World Models”。尽管世界模型（World Models）凭借其通过基于动作的条件预测来推断环境动态的能力，已成为具身智

25年7月来自南京大学、香港大学、中南大学、地平线机器人公司、中科院计算所、上海交大、慕尼黑工大和清华大学的论文“A Survey: Learning Embodied Intelligence from Physical Simulators and World Models”。对通用人工智能 (AGI) 的追求已将具身智能 (embodied intelligence) 置于机器人研究的前沿。

25年11月来自UC Berkeley和Stanford大学的论文“BeyondMimic: From Motion Tracking to Versatile Humanoid Control via Guided Diffusion”。类人机器人的类人外形使其在运动技能方面拥有独特的优势，能够像人类一样灵活敏捷。通过学习人类示范动作，可以提供一种可扩展的方法来获取这些能力。然而，以往的研究要么

25年2月来自Nvidia的论文“ASAP: Aligning Simulation and Real-World Physics for Learning Agile Humanoid Whole-Body Skills”。人形机器人具有无与伦比的多功能性，可以执行类似人类的全身技能。然而，由于模拟和现实世界之间的动态不匹配，实现敏捷和协调的全身运动仍然是一项重大挑战。现有的方法，如系统识别 (