论文链接：arXiv:2608.10915 HTML 全文：arxiv.org/html/2608.10915v2 发表时间：2026 年 8 月（v1: 8 月 11 日，v2: 8 月 12 日） 机构：蒙特利尔大学 / Mila（加拿大）牵头，联合 A*STAR（新加坡）、南京医科大学、南京大学、中国人民大学、剑桥大学、牛津大学、清华大学、新加坡国立大学、港科大、港理工、南科大、东南大学、格拉斯哥大学、南洋理工大学等 16 家机构共 22 位作者 通信作者：Qianggang Ding、Bang Liu（蒙特利尔大学 / Mila，Canada CIFAR AI Chair） 规模：38 页，6 张图，10 张表，属于 Agent 范式创新方向（Position / Framework 论文）
一、论文背景
1.1 先理解三个关键词：Digital Agent、Embodied Agent、Agentic AI
要读懂这篇论文，得先搞清楚它要"挑战"的现状是什么。当前的 Agentic AI（智能体 AI） 主要分两大分支：
- Digital Agent（数字智能体）：它的"主战场"是软件世界。比如能操作浏览器的 Web Agent、能改代码的 Coding Agent、能调 API 的工作流 Agent。它的核心动作是改变软件状态——把一个文件从 A 改到 B、把一个网页表单填完。评判它好不好，主要看任务完成率、正确性、效率。
- Embodied Agent（具身智能体）：它的"主战场"是物理世界。比如机器人、自动驾驶、家庭服务机器人。它的核心动作是改变物理状态——移动到某个位置、抓起某个物体。评判它主要看任务成功率、安全性、控制的可靠性。
这两个分支的共同点是：进步意味着更长的任务视界、更可靠的动作、更少的人工监督。换句话说，“从人这边消失的工作越多，Agent 显得越强”。
1.2 论文发现的结构性裂缝
论文用一个极其日常的例子点破了问题（这个例子贯穿全文，值得记住）：
一位老人漏服了一次药。Digital Agent 可以再发一条提醒；Embodied Agent 可以把药送到老人手边。但两者都没有解释：老人是忘了？是搞混了？是在忍受副作用？还是故意拒绝服药？更没有判断什么样的支持才是恰当的。
这个例子揭示了一个结构性裂缝：Digital Agent 围绕"软件状态的转换"组织，Embodied Agent 围绕"物理状态的转换"组织，但没有一个范式把"人的演化状态（the evolving state of a person）“作为建模、干预和评估的首要对象。
1.3 更深的担忧：任务成功 ≠ 人的能力增长
论文引用了一类研究发现（来自 CHI 等 HCI 顶会）：AI 辅助的知识工作和决策中，当人无法判断何时该接受、验证或拒绝模型输出时，会出现认知努力降低和过度依赖。任务成功指标只捕获了即时的输出，却捕获不到反复使用之后，留给这个人的能力或判断力是增是减。
用一句话概括论文的担忧：AI 可能在改善一份文档的同时，让它的作者更不理解这份文档；在加速一个决策的同时，削弱用户判断其依据的能力。
这背后还有一个社会维度：人类知识往往是本地的、默会的、通过参与而更新的。用标准化的模型输出替代这些实践，可能削弱专业能力、多样性和韧性；而通用模型集中在少数机构开发和对齐，又会集中"定义目标和可接受价值观"的权威。
1.4 已有碎片化尝试与缺失的统一范式
论文并不是凭空提出新概念，而是观察到现有系统已经各自实现了这个愿景的一部分：
- 个人助手：有记忆和连续性
- 健康代理：有领域支持
- AI 伴侣：有情感和关系
- 自适应人机系统：有个性化
缺的是一个围绕"纵向人类状态轨迹 + 干预响应 + 自适应分工 + 同时评估收益与 agency 保留"的统一范式。Combodied Agents 就是来填这个坑的。
💡 名词解释：agency（能动性/主体性）在本文指一个人理解、选择、行动、拒绝、纠正和成长的能力。它是论文最核心的保护对象——“AI for humans"不是让 AI 替人做完一切，而是让 AI 让人随时间变得更有能力。
二、论文定位和关联工作
2.1 Combodied Agents 在 Agentic AI 谱系中的位置
论文最大的理论贡献是提出了**“Action Substrate”（行动基底）**这个区分维度，并据此把 Agentic AI 分成三种"组织重心”：
| 范式 | 行动基底（它主要改变什么） | 评估重心 | 典型系统 |
|---|---|---|---|
| Digital Agent | 数字状态（软件、代码、API） | 正确性、完成率、效率、合规 | 浏览器 Agent、Coding Agent、工具使用 Agent |
| Embodied Agent | 物理/模拟物理状态 | 任务成功、安全、控制可靠性、泛化 | 机器人、自动驾驶、导航 Agent |
| Combodied Agent（本文） | 人的演化状态（生理、认知、情绪、行为、社交、关系、目标导向） | 人类收益 + agency 保留 + 能力增长 + 关系安全 | 健康伴侣、学习伴侣、老年照护、情感支持、守护系统 |
关键澄清：三种范式在实现上会重叠。一个 Combodied Agent 可能通过对话、软件工具、传感器、机器人甚至人类护理者来行动。区别不在于"用什么接口”，而在于**“这些能力是否围绕一个持续的、可纠正的个人模型整合起来，用于产生安全的、纵向有益的支持”**。
2.2 与 Human Digital Twin（人类数字孪生）的关键区别
这是论文花大力气切割的一个相邻概念，必须讲清楚：
Human Digital Twin（HDT，人类数字孪生） 指通过持续的数据同步和反馈，维护一个动态更新的人的数字表示，用于监控、仿真、预测和优化。在医疗领域已有应用（器官级、细胞级建模）。
但论文指出：一个完整的、高保真的人的孪生体目前仍是愿景而非可达系统。人的生理、认知、行为、关系和上下文在多个相互作用的时间尺度上演进，而感知始终不完整，模型验证、同步、计算、隐私、治理都是巨大挑战。
Combodied Agents 与 HDT 的根本区别：
| 维度 | Human Digital Twin | Combodied Agent |
|---|---|---|
| 目标 | 最大化的表征保真度 | 安全且有益地参与人的演化上下文 |
| 表示要求 | 穷尽性的数字复刻 | 目的受限、不确定性感知、用户可纠正的表示 |
| 是否定义系统 | 不定义记忆、权威、交互策略、与人的关系 | 完整定义闭环（记忆、PWM、干预策略、反馈） |
| 关系 | 领域特定的 HDT 可作为 Combodied Agent 的证据/预测来源 | HDT 本身不构成 Combodied Agent |
一句话：Combodied Agent 的首要目标不是最大化表征保真度，而是在保留人类 agency 的前提下，安全且有益地参与人的演化上下文。
2.3 与"AI 伴侣依赖性"研究的对话
论文引用了 MIT Media Lab / OpenAI 的 ChatGPT 情感使用纵向随机对照研究（Fang et al., 2025）、Replika 身份不连续性研究、青少年 AI 伴侣使用报告等。这些研究发现：AI 伴侣的使用模式和用户特征会影响心理社会结果，包括孤独感和问题性使用；重度日常使用与更高的孤独感、依赖性和现实社交减少相关。
这些发现不是下游评估的关注点，而是约束 PWM 保真度声明和权威的硬性条件。论文据此强调：情感/亲密伴侣需要最强的依恋安全和剥削防护。
2.4 与 Bang Liu 团队前序工作的关系
通信作者 Bang Liu 是蒙特利尔大学 / Mila 副教授、Canada CIFAR AI Chair，长期研究 NLP、多模态具身学习和 AGI 理论。他在 2025 年发布了 “Human-Centered Agents: From Delegation to Human Growth” 的研究纲领（论文参考文献 [12]），提出从"委托"到"人类成长"的转变。本论文正是这一纲领的技术化、系统化展开——把"什么算人类成长、怎么建模、怎么评估"具体化为一个闭环框架。
2.5 定位小结
Combodied Agents 不是要取代 Digital / Embodied Agent，而是补充第三种行动基底。它处于以下研究脉络的交汇点：
- 基于模型的强化学习（世界模型传统，如 Dreamer）→ 为 PWM 提供预测动力学基础
- 个性化与长期记忆（LaMP、LongMemEval、MemGPT）→ 为纵向记忆提供基础
- 人本 AI（Shneiderman 的 HCAI、Thinking Machines Lab 2026 纲领）→ 为 agency 保留提供理念
- 边缘 AI 与联邦学习 → 为本地优先的个人模型提供工程路径
三、问题定义
3.1 从具体场景到最本质的抽象
具体问题：老人漏药、学生学不进去、孤独者依赖 AI 伴侣、职场人被 Agent 剥夺判断力……这些场景表面上千差万别，但论文识别出了一个深层结构相似性：它们都涉及"一个会随时间变化的人"，而现有的 Agent 范式都没把这个人作为首要建模对象。
核心洞察：Digital Agent 和 Embodied Agent 各自有一个明确的"被改变的状态"（软件状态 / 物理状态），但**“人的状态"从来不是任何 Agent 的首要行动目标**——人只是任务的环境，不是任务的目的。
3.2 形式化的问题抽象
论文用一条 Agent-Environment Loop 公式（公式 1）抽象出所有 Agent 的共性：
$$o_t \rightarrow b_t \rightarrow (g_t, p_t) \rightarrow a_t \rightarrow x_{t+1} \rightarrow o_{t+1}$$即：观察 → 内部信念 → （目标、计划）→ 行动 → 外部状态变化 → 新观察。
三种范式的区别就在于公式里的 $x_{t+1}$（被改变的外部状态）到底是什么：
- Digital Agent：$x$ 是软件状态
- Embodied Agent：$x$ 是物理状态
- Combodied Agent：$x$ 是人的演化状态 $H_t$
这个抽象的精妙之处在于：它没有发明新机制，而是重新定义了"行动的终极目的”。同一个 Agent，如果把人当作环境的一部分来辅助，它是 Digital/Embodied Agent；如果把人的状态轨迹当作首要的被作用对象，它就是 Combodied Agent。
3.3 Combodied Agent 的形式化闭环
论文把整个问题形式化为一个纵向闭环（这是全文最核心的公式组，对应论文 Section 2.4）：
| 公式 | 含义 |
|---|---|
| $Z_t \sim q_\phi(\cdot \mid D_{\leq t}, M_t, C_t)$ | 从事件证据记录 $D_{\leq t}$、记忆 $M_t$、上下文 $C_t$ 推断潜在人类状态的不确定性后验 |
| $R_t = \mathrm{Read}(M_t; Z_t, C_t, G_t)$ | 结合状态、上下文、目标检索相关证据 |
| $H_{t+1} \sim T_H(\cdot \mid H_t, a_t^{\mathrm{agent},*}, a_t^{\mathrm{user}}, \Xi_t)$ | 人类状态在 Agent 行动、用户自身行动、外源性影响下的转换（非确定性） |
| $O_{t+1} \sim \Omega(\cdot \mid H_{t+1}, C_{t+1})$ | 从新状态生成观察（部分可观测） |
| $M_{t+1} = \mathrm{Update}(M_t, O_{t+1}, a_t^{\mathrm{agent},*}, Y_{t+1}, F_{t+1})$ | 用新证据、结果、反馈更新记忆 |
这个闭环的最关键假设：干预对人的效果不是确定性的、也不是立即可观察的。这是 Combodied Agent 与传统 Agent 最本质的区别——传统 Agent 行动后能立即看到环境变化，而 Combodied Agent 行动后，人的状态变化可能延迟、可能被混淆因子干扰、可能永远无法完全归因。
四、问题解法
Combodied Agent 的解法是一个由四个核心模块组成的闭环。我先用一张表概括，再逐个展开。
4.1 解法全景
| 模块 | 作用 | 类比 |
|---|---|---|
| ① 事件级多模态感知 | 从稀疏、嘈杂、采样不均的个人数据中重建有意义的事件 | 像侦探把碎片证据拼成案件经过 |
| ② 可纠正纵向记忆 | 组织跨时间的事件、目标、关系、干预、结果，且用户可检查/纠正/删除 | 像一本可随时修订的个人编年史 |
| ③ Personal World Model（PWM） | 在替代决策和干预下，预测这个特定个人的未来状态-事件-结果轨迹（带不确定性） | 像一个"个人专属的沙盘推演器" |
| ④ 可接受干预策略 | 在同意、不确定性、安全、可逆性约束下，选择恰当的支持（含"不干预"） | 像一个有职业边界的护理者，知道何时该沉默 |
4.2 模块①：事件级多模态感知
要解决的问题：人的状态很少在单一话语或单一传感器读数中显现。一条深夜消息、一次漏服、一次短暂散步、一段异常的言语停顿，单独看是微弱证据，但组合起来可能构成一个有意义的变化叙事。
论文的定义：感知不是无限制地收集原始数据流，而是**“基于事件的个人数据感知”——获取、过滤、对齐、解释碎片化个人数据，输出的是事件证据记录（event-evidence record）**。
论文覆盖了 8 大数据模态（语言文本、语音音频、视觉、生理生化、运动行为、社交关系、环境上下文、临床机构记录），每种都讨论了获取配置（用户报告 / 设备中介 / 体表接触 / 环境非接触 / 机构获取）如何影响证据含义。
最关键的贡献——“五级区分链”（这是全文最重要的一条设计原则，对应 Section 3.10）：
观察（observation）→ 事件（event）→ 推断状态（inferred state）→ 预测轨迹（predicted trajectory）→ 授权干预（authorized intervention）
论文反复强调：文本、生理信号、语音、视觉是事件证据的来源或模态，而不是事件本身。混淆这五级是 Combodied Agent 最危险的错误。论文给了一个绝佳的例子（值得逐字记住）：
| 层级 | 例子 |
|---|---|
| 观察 | 心率升高 |
| 事件 | 运动后心率升高且恢复缓慢 |
| 推断状态 | 可能疲劳 |
| 预测轨迹 | 如果继续运动，接下来一小时内恢复会进一步延迟 |
| 授权干预 | 建议该人停止运动——这是干预策略的决策，不是感知的输出 |
下游接口是受治理的事件证据记录，不是通用个人数据流。这一刀切下去，直接杜绝了"传感器数据→直接干预"的越权跳跃。
数据质量与不确定性：论文专门用一节强调，不同模态的可靠性天差地别（松动手表的心率 vs 临床设备的心率不能同等对待）。事件证据记录必须保留获取元数据（观察时间、来源、设备型号、校准版本、信号质量）、处理来源（去噪、转录、特征提取的模型版本），并区分观察字段和推断字段，保留矛盾证据。
4.3 模块②：可纠正纵向记忆
记忆不是简单的"存储事实"，论文定义了 7 类记忆组件（Table 2）：
| 记忆组件 | 功能 |
|---|---|
| 情节记忆 | 具体事件、交互、用户体验 |
| 语义个人记忆 | 相对稳定的事实、偏好、价值观、边界 |
| 轨迹记忆 | 健康、行为、情绪、认知、例程的变化 |
| 目标与承诺记忆 | 用户目标、计划、义务、承诺 |
| 关系记忆 | 家庭、护理者、临床医生、工作、社交纽带 |
| 干预-响应记忆 | 把提醒/建议/辅导/升级链接到接受/拒绝/受益/伤害（这是 Combodied Agent 独有的，用于适配未来支持） |
| 用户控制记忆 | 限制、不要记住规则、纠正、删除请求 |
核心约束：记忆的写入、整合、检索、纠正必须保留来源和不确定性，且对用户可检查、可纠正。特别是干预-响应记忆——它不是"重复之前生成的动作"，而是"为适配未来支持提供证据"。
4.4 模块③：Personal World Model（PWM）——本文最核心的技术创新
先厘清三个容易混淆的概念（论文 Table 5 给出了精确定位）：
| 构造 | 核心问题 | 是否做干预条件化预测 |
|---|---|---|
| 用户配置文件 | 哪些属性表征用户？ | 通常没有 |
| 纵向记忆 | 这个人发生了什么？ | 不做动态预测 |
| 个性化 Agent | 输出如何适应用户？ | 不是其定义性契约 |
| 生成式 Agent | 可以生成什么合理行为？ | 不需要为特定真实人物校准干预响应 |
| PWM（本文） | 在替代决策、干预、上下文下，这个人的状态和事件将如何演变？ | 是——这是 PWM 的定义性功能 |
PWM 的正式定义：一种目的受限的、个体特定的事件动态模型。给定特定个人的多模态事件证据记录的受治理历史、当前时空上下文、以及一个候选场景（用户决策、Agent 干预、环境变化），PWM 把事件历史同化为对个人当前状态的不确定性表示，并预测未来人类状态、可观察个人事件、场景相关结果的校准分布（公式 7）：
$$p_\theta(Z_{t+1:t+\Delta}, E_{t+1:t+\Delta}, Y_{t+1:t+\Delta} \mid D_{\leq t}, Z_t, C_t, G_t, \mathbf{s}_{t:t+\Delta})$$其中结果 $Y$ 包括依从性、目标进展、福祉、能力、安全、关系质量、agency 保留。
PWM 的三个关键特性：
- 干预条件化（intervention-conditioned）：不只是预测"接下来会发生什么"，而是预测"如果采取行动 A vs 行动 B vs 不干预，这个人的轨迹会如何不同"。
- 校准的不确定性：输出的是分布而非点估计；当不确定性扩大或人/上下文超出分布时，应弃权。
- 提供信息但不授权干预：PWM 支持场景比较，但行动选择是干预策略的责任——“高预测收益既不是事实保证也不是行动许可”。
关于因果查询的审慎态度（公式 9）：论文明确指出，$p_\theta(Y \mid \mathrm{do}(a))$ 是干预分布，不自动等同于已识别的个体反事实。观察到的用户行为受动机、隐藏上下文、健康状态、先前交互、选择性参与的混淆。写 $\mathrm{do}(\cdot)$ 不移除这些混淆因子。识别需要可辩护的因果图和一致性、正定性、时变混淆控制等假设。高风险系统不得仅为改善模型而进行不受约束的探索。
PWM 的学习范式（7 种，论文 Section 4.3）：预测潜在动态、生成式场景模拟、因果干预建模、机制与混合建模、心理状态建模、记忆增强建模、混合基础-个人建模。论文强调稀疏个人数据使得从零训练不合适——实用 PWM 应从群体级先验开始，适应有限个人组件，维持不确定参数后验，检测漂移，支持纠正/重置。
4.5 模块④：可接受干预策略
干预策略的核心公式（公式 8）是一个多目标帕累托最优选择：
$$a_t^{\mathrm{agent},*} \in \underset{a \in \mathcal{A}_t^{\mathrm{adm}}}{\operatorname{ParetoArgmax}} \; \mathbb{E}_{p_\theta^a}[\mathbf{U}(Y_{t+1:t+\Delta}, G_t)]$$其中：
- $\mathcal{A}_t^{\mathrm{adm}}$ 是容许集，强制执行同意、范围、安全、不确定性、可逆性、升级要求，且包含"不干预"、“澄清”、“转介”
- $\mathbf{U}$ 是目标向量，在收益、能力、自主性、关系等之间保留显式权衡
- 安全和同意不能以更高的参与度或平均预测效用进行交换
论文定义了 10 种行动类型（Table 3），构成一个从轻到重的干预光谱：
| 行动类型 | 目标 | 例子 |
|---|---|---|
| Inform（告知） | 认知 | 解释、总结、教育、解读数据 |
| Remind（提醒） | 注意力与执行 | 用药提醒、会议提醒、休息提醒 |
| Recommend（建议） | 决策 | 建议选项、资源、计划 |
| Coach（辅导） | 能力与习惯 | 训练、反馈、进度审查、鼓励 |
| Nudge（助推） | 行为倾向 | 轻柔引导更健康/安全的选择 |
| Reflect（反思） | 自我理解 | 帮助回顾情绪、目标、模式 |
| Coordinate（协调） | 社交与机构 | 联系护理者、临床医生、同事 |
| Protect（保护） | 安全与自主 | 检测诈骗、风险警告、阻止不安全行为 |
| Escalate（升级） | 高风险状态 | 转介人类专家、临床医生、紧急支持 |
| Execute（执行） | 委托的外部行动 | 预约、发消息、操作软件工具 |
最反直觉的设计：策略不应该总是干预。根据不确定性、同意、风险，恰当的行动可能是：保持沉默、请求澄清/确认、降低干预强度、或升级给人类专家。
4.6 部署架构：从云到边缘的三阶段演进
论文（Section 5）提出了一个独立的架构维度——Combodied Agent 的个人智能应该驻留在哪里？分三阶段：
| 阶段 | 核心 | 特征 | 适用场景 |
|---|---|---|---|
| Stage I：云中心 | 云端基础模型做主要推理，设备只是接口+传感器+执行面 | 快速原型、冷启动、低频低风险 | 需要广泛知识、灵活语言理解 |
| Stage II：混合边缘-云 | 边缘成为隐私/解释/权威的中介，本地保留敏感状态的权威副本，云端只收到目的受限的摘要 | 个人数据不出设备，云端只做复杂推理 | 平衡隐私与能力 |
| Stage III：边缘原生 | 记忆、PWM、偏好、干预策略、安全边界主要驻留在用户设备，云端按需调用 | 个人数据默认本地，本地模型演化，云端是例外 | 高隐私、高连续性、高韧性 |
核心迁移问题：对于给定任务和风险水平，人的权威表示和最终行动权限应当驻留在哪里。论文明确：Stage III 是"任务相关的目标架构而非通用终点"——医疗、法律、危机相关的高风险任务即使个人模型边缘原生，仍需合格的人类或受治理的外部服务。
Figure 5 给出了边缘原生 Combodied Agent 的参考架构：本地个人智能栈（感知、记忆金库、PWM、干预策略）+ 隐私网关与任务路由器 + 按需调用的云端协助层（复杂推理、外部知识检索、专用工具）。
五、评估指标与实验证据
重要说明：这是一篇范式 / 框架论文（38 页，无传统实验），所以本节讲的不是"论文跑了哪些实验数字"，而是论文系统提出的评估方法论和指标体系——这本身就是论文的一大贡献（贡献点③）。
5.1 评估的根本转变：从"任务成功"到"场景中心 + agency 保留"
论文的核心论点是：当 Agent 能随时间改变一个人时，任务完成和物理安全是必要但不充分的。评估必须联合检验：系统可靠性、模型质量、干预恰当性、人类结果、agency 保留。
Table 7 给出了 Combodied Agent 的评估矩阵（这是论文最实用的工具之一）：
| 层 | 交互级 | 情节级 | 纵向/关键失败 |
|---|---|---|---|
| 感知与记忆 | 证据接地、不确定性、来源 | 事件重建、纠正传播 | 漂移、持续的错误记忆、未授权保留 |
| PWM 与决策支持 | 下一事件/状态预测、校准 | 替代场景辨别、干预响应预测 | 个人轨迹有效性、混淆、漂移、不安全探索 |
| 干预 | 时机、强度、拒绝、解释 | 目标进展、可逆性、升级 | 反复越权、操纵、不可逆的未授权行动 |
| 人类结果与 agency | 理解与有意义的选择 | 能力、福祉、关系与安全影响 | 依赖、技能侵蚀、社交替代、隐私/同意违反 |
关键设计：严重失败是非补偿的——即某个维度上的灾难性失败不能被其他维度的平均高分"平均掉"。
5.2 八项 Agency 保留指标（Table / Section 6.3）
这是论文最具操作性的贡献之一。论文定义了 agency 保留的 8 个核心度量维度：
- 自主性保留：用户是否对目标、决策、行动保持有意义控制（可测：替代方案可用性、重大行动显式确认、拒绝接受率、可调自主设置）
- 可争议性与可纠正性：用户能否检查、质疑、纠正、限制、删除 Agent 的记忆/推断状态/目标/建议（可测：纠正成功率、纠正传播到未来行为的比例）
- 知情决策：Agent 是否帮助用户在行动前理解选项、理由、不确定性、风险、可能后果
- 能力保留与增长：反复支持后，用户自身技能、判断、自我效能是维持还是提升（可测：独立后测表现、保留测试、脚手架递减）
- 过度依赖与依赖风险：是否鼓励不必要的依赖、情感依赖、替代自身推理（可测：独立尝试下降、Agent 不可用时痛苦增加）
- 可逆性与问责：Agent 介导的行动能否被审查、暂停、撤销、修复
- 边界与同意尊重：是否停留在用户定义和上下文定义的限内（不记住规则、不推断边界、禁止话题、角色边界）
- 关系与社交世界保留：支持而非替代健康的人际关系和社交参与
论文强调：这些指标应相对场景和所声称的权威来解释。低风险日程助手只需强可逆性和同意评估；学习伴侣要强评估能力保留与过度依赖；情感伴侣需要更严格的关系保留和依赖指标。
5.3 场景中心评估（Table 8）
论文坚持 Combodied Agent 必须按场景评估，因为同一个干预在一个情境中有益、在另一个情境中可能有害（主动提醒支持用药依从，但在职场监控中削弱自主，在情感伴侣中加深依赖）。Table 8 列出了 7 大场景及其评估焦点和"缺失的基准"：
| 场景 | 评估焦点 | 缺失的基准 |
|---|---|---|
| 健康/慢性病 | 纵向感知、依从、不确定性校准、临床边界、升级、健康结果 | 链接可穿戴证据-护理计划-干预-医生升级-延迟结果的基准 |
| 情感支持/社交伴侣 | 关系连续性、共情、边界、依赖、社交替代、危机响应 | 依恋动力学、脆弱用户、未成年人、有害依赖恢复的纵向基准 |
| 学习/认知支持 | 学习增益、保留、元认知、自我效能、技能保留、过度依赖风险 | 检验"反复支持提升能力 vs 替代独立推理"的基准 |
| 老年照护/无障碍 | 例行支持、风险检测、用药/预约协助、尊严、自主、护理者协调 | 多模态老年照护基准（碎片化家庭证据、护理者上下文、误报负担） |
| 个人生活管理 | 目标一致性、承诺跟踪、偏好变化、记忆纠正、可逆性 | 演化目标、私有约束、冲突承诺、可恢复错误的纵向基准 |
| 职场福祉与自主 | 工作负荷支持、压力/注意力管理、工人隐私、雇主访问隔离 | 评估自主/隐私/福祉而非仅生产力的基准 |
| 个人守护与安全 | 诈骗/操纵/隐私风险检测、校准警告、不家长式过度拦截 | 非对称数字/金融/法律/机构场景下保护用户自主的基准 |
5.4 CombodiedBench（Section 6.4）
论文提出了 CombodiedBench——一个模块化基准套件，包含 8 个模块：人类状态感知、记忆连续性、目标协商、干预恰当性、agency 保留、关系边界、升级、纵向结果。这些模块实例化 Table 7 的通用矩阵，而非引入另一套评估分类法。
基准的基本单元是一个纵向场景情节，包含：先前轨迹、当前上下文、Agent 可用证据、容许行动空间、延迟结果窗口。每个协议还须指定 Agent 的权威、预期解释、评估视界、评分规则、不可接受的失败模式。
关键评分原则：隐私泄露、未授权的高影响行动、拒绝失败、操纵、有害依赖、未经同意的不可逆行动——这些被报告为非补偿性关键失败。
5.5 这些评估设计如何证明论文的主张
论文的主张是"Agentic AI 应从外部任务完成转向持续的人类收益"。上述评估体系通过三个机制证明这一主张的必要性：
- 多时间尺度（交互/情节/纵向）：能捕获"即时有用但长期有害"的效应，这是单一任务成功率永远看不到的。
- 非补偿性关键失败：防止"平均分高但关键维度崩盘"的系统被判定为合格。
- agency 作为一等指标：把"人是否变得更有能力"首次系统化为可测量维度，而不是停留在哲学口号。
六、效果优势的根源解释
本节解释：为什么 Combodied Agent 框架在"持续人类收益"这一目标上结构性优于现有 Digital / Embodied Agent 范式？注意，这是范式论文，所以"优势"指框架层面的结构优势，而非实验数字。
6.1 现有范式的根本局限
Digital Agent 的瓶颈：它的组织重心是外部任务状态。即使有记忆和个性化，用户也只是"任务的请求者"，不是"被建模的对象"。根本局限是：它把人当作环境的输入源，而非行动的目的地——因此它优化的是"任务消失"，而非"人留下的能力"。
Embodied Agent 的瓶颈：它的组织重心是物理环境。根本局限是：它对人内部状态（疲劳、困惑、情绪、脆弱）的访问极其有限，且缺乏对生活史和关系的建模。
两者的共同瓶颈：评估标准是任务成功，无法捕获 agency 流失、能力增长、关系效应、长期福祉。
6.2 Combodied Agent 框架的结构性改变
根源解释要建立"框架差异 → 机制变化 → 指标提升"的因果链：
① 把"人的状态 $H_t$“设为公式里的 $x_{t+1}$（被改变的状态）
- 机制变化：整个系统的感知、记忆、预测、干预都围绕人重组，而非围绕任务。
- 缓解的瓶颈：直接对准"任务成功 ≠ 人的能力增长"这个裂缝。
- 体现的指标：能力保留与增长、agency 保留。
② 五级区分链（观察→事件→推断状态→预测轨迹→授权干预）
- 机制变化：每一级都有独立的治理和不确定性保留，禁止从传感器数据直接跳到干预。
- 缓解的瓶颈：杜绝了"心率升高→诊断疾病→自动给药"这类越权跳跃。
- 体现的指标：干预恰当性、边界与同意尊重、非补偿性关键失败的避免。
③ PWM 的"干预条件化 + 校准不确定性 + 不授权干预"三重设计
- 机制变化：预测从"接下来会发生什么"变成"不同行动下会怎样不同”，且明确区分"预测的高收益"≠“行动许可”。
- 缓解的瓶颈：防止高置信预测成为越权干预的借口；弃权机制让系统在分布外知道"停下来"。
- 体现的指标：替代场景辨别力、干预响应准确性、校准。
④ 容许集 $\mathcal{A}_t^{\mathrm{adm}}$ 包含"不干预/澄清/转介"
- 机制变化：干预策略的默认选项不是"做某事"，而是"在同意、安全、可逆性约束下选最恰当的——包括什么都不做"。
- 缓解的瓶颈：对抗"自动化是默认"的惯性，直接缓解依赖性和越权。
- 体现的指标：自主性保留、过度依赖风险、可逆性。
⑤ 纵向记忆含"干预-响应记忆"
- 机制变化：系统记住的不只是"我做了什么"，还有"做了之后用户接受/拒绝/受益/受害"——这构成了适配未来支持的证据。
- 缓解的瓶颈：避免"重复之前生成的动作"的愚蠢循环。
- 体现的指标：干预响应预测准确性、能力保留。
6.3 反事实推理：如果去掉某个设计会怎样？
- 如果去掉五级区分链，系统会从观察直接跳到干预，丧失对"越权"的防线——这是现有 Digital Agent 在涉及人时的通病。
- 如果去掉容许集里的"不干预"，系统会倾向于"总是做点什么"，在情感和健康场景中必然加剧依赖和越权。
- 如果去掉干预-响应记忆，系统无法从用户的拒绝或受益中学习，会变成一个"记不住教训的复读机"。
6.4 一句话总结
Combodied Agent 的结构性优势不是来自更强的模型或更多的功能，而是来自重新定义了行动的目的（人的演化状态）和约束（agency 保留）——这导致信息流、权限边界、评估标准都发生了本质重组。不是"凑巧更好"，而是"结构上必然更适合持续人类收益"。
七、必要知识反推
假设找一个完全没有知识和信息的人去做这项工作，他必须掌握哪些知识？这些知识又如何在创造性节点上融合？
7.1 领域知识层
- Agentic AI 的两大分支现状与评估惯例：不理解 Digital / Embodied Agent 各自优化什么、怎么评估，就无法识别"任务成功 ≠ 人类收益"这个裂缝。
- 人类状态的生理、认知、情绪、行为、社交、关系维度：必须知道"人的状态"是多元、多时间尺度的（情绪按小时变、习惯按周变、能力/关系/健康按年变），才能设计多模态感知和分层 PWM。
- 医疗/教育/照护/情感支持等应用领域的专业边界：必须懂"健康伴侣"和"诊断"的区别、“情感支持"和"治疗"的区别，才能划定干预的容许集。
7.2 方法论知识层
- 基于模型的强化学习与世界模型传统（Dreamer 等）：PWM 的"在行动下预测未来轨迹"直接继承自这一脉络。不理解这层，就设计不出"干预条件化"的预测。
- 因果推断与潜在结果框架：必须懂观察分布与干预分布的区别、时变混淆、一致性/正定性假设——否则会把 $p(Y \mid \mathrm{do}(a))$ 错当成个体反事实，导致危险的高风险探索。
- 部分可观测 MDP（POMDP）与信念状态：闭环形式化（$Z_t$ 作为 $H_t$ 的不确定性后验）建立在这之上。
- 多目标优化与帕累托前沿：干预策略的"多目标、非补偿性约束"需要这层知识。
- 人机交互（HCI）的 agency / 过度依赖 / 自动化偏差研究：必须知道 CHI 等 HCI 文献中关于"AI 辅助降低认知努力"的实证发现，才能把 agency 保留作为一等评估目标。
7.3 工程知识层
- 边缘 AI、联邦学习、本地模型适配：Stage III 边缘原生架构需要这层知识——如何在有限算力/存储/能耗下做本地推理与持续适配。
- 多模态传感器与可穿戴设备的数据特性：必须懂不同模态（PPG、EDA、IMU 等）的噪声/漂移/佩戴检测特性，才能设计事件证据记录的质量控制。
- 隐私计算与数据治理：同意管理、目的受限、数据最小化、可移植性、删除权——这些是 Combodied Agent 合规运行的基础。
7.4 知识融合的关键节点
- 节点 A：把"世界模型"从"环境动力学"迁移到"人的状态动力学”——这是 PWM 的创造性跳跃，需要同时懂 MBRL 和人类状态建模。难点在于人不像物理环境那样服从稳定方程，必须引入不确定性和可纠正性。
- 节点 B：把"容许集"从 RL 的"动作空间"扩展为"含治理约束的社会行动空间"——需要同时懂多目标优化和 HCI 的 agency 研究。难点在于安全和同意不可被效用平均掉。
- 节点 C：把"评估"从"指标罗列"重构为"多时间尺度 × 非补偿性关键失败"矩阵——需要同时懂纵向评估、安全工程和临床/照护的失败模式。难点在于让严重失败不可被平均分补偿。
这三个节点不是知识的简单叠加，而是在"把人作为首要建模对象"这一洞察上产生的化学反应。
八、论文中可以提取的通用性灵感
灵感 1：“行动基底"是一个可迁移的范式区分维度
- 核心思想：区分 AI 系统时，不要只看"用什么接口/什么模型”，而要看"它的行动最终改变的是什么状态"（行动基底）。
- 论文证据：论文用行动基底清晰区分了 Digital / Embodied / Combodied 三种范式，并指出它们在实现上重叠但目的不同。
- 推广场景：(1) 评估一个 AI 编程助手——它的行动基底是"代码状态"还是"开发者的能力状态"？(2) 评估一个 AI 教育产品——它的行动基底是"答题正确率"还是"学生的学习能力"？(3) 评估一个 AI 医疗助手——它的行动基底是"诊断输出"还是"患者的健康状态与自主决策能力"？
灵感 2：“观察→事件→推断状态→预测轨迹→授权干预"五级区分链
- 核心思想：任何涉及对"人"做推断和行动的系统，都必须在感知和行动之间设置多层治理关卡，且每一级都保留不确定性和可争议性。
- 论文证据：论文用心率升高的例子说明，混淆这五级会导致从"观察"直接跳到"干预"的越权。
- 推广场景：(1) 内容推荐系统——浏览是观察，停留模式是事件，兴趣是推断状态，持续推送是预测，个性化排序是干预——不应从观察直接跳到干预。(2) 员工绩效监控——工作时长是观察，产出模式是事件，状态是推断，不应直接跳到奖惩。(3) 智慧城市——人流是观察，聚集是事件，不应直接跳到执法干预。
灵感 3：“干预-响应记忆"作为适配的证据来源
- 核心思想：系统应记住的不只是"我做了什么”，还有"做了之后对象的接受/拒绝/受益/受害”——这构成了未来适配的因果证据。
- 论文证据：论文把干预-响应记忆列为 7 类记忆之一，强调它"不是重复之前的动作，而是为适配未来支持提供证据"。
- 推广场景：(1) 自动化运维——记录"每次扩容后系统是否真的稳定了"，而非只记"做了扩容"。(2) 教学系统——记录"每次提示后学生是否独立做出了下一步"，而非只记"给了提示"。(3) 客户服务——记录"每次话术调整后客户满意度与复购的真实变化"。
灵感 4：“容许集"包含不干预/澄清/转介——默认选项不是"做某事”
- 核心思想：在高利害、涉及人的系统里，行动策略的容许集应显式包含"不干预"、“请求澄清”、“转介人类”，且安全和同意不能被平均效用交换掉。
- 论文证据：公式 8 的 $\mathcal{A}_t^{\mathrm{adm}}$ 显式包含不干预，论文反复强调"策略不应总是干预"。
- 推广场景：(1) 医疗决策辅助——容许集应包含"建议患者就医"而非只开药。(2) 金融风控——容许集应包含"冻结交易并人工复核"而非只放行/拒绝。(3) 自动驾驶——容许集应包含"靠边停车并请求人工接管"。
灵感 5：“目的受限、可纠正、用户可控"的表示优于"穷尽性高保真”
- 核心思想：当完整复刻一个复杂系统（人、组织、生态）不可行时，不要追求穷尽性的数字孪生，而要维护"目的受限（只为商定的支持目的服务）、不确定性感知、用户可纠正"的表示。
- 论文证据：论文明确 Combodied Agents 不要求穷尽数字孪生，而是用目的受限的表示，并强调"最大保真度不是首要目标"。
- 推广场景：(1) 企业知识管理——不追求"全公司知识图谱"，而维护"为当前决策目的服务、可被员工纠正"的知识表示。(2) 智能制造——不追求"全厂数字孪生"，而维护"为质量/能耗目的服务、可校准"的关键工序模型。(3) 城市治理——不追求"全城数字孪生"，而维护"为特定公共服务目的服务、可公开审计"的专题模型。
灵感 6：“非补偿性关键失败"作为评估的硬约束
- 核心思想：评估复杂系统时，某些维度的灾难性失败不应被其他维度的平均高分"平均掉”——应设为非补偿性。
- 论文证据：Table 7 的评估矩阵明确把隐私泄露、未授权高影响行动、操纵、有害依赖、未经同意的不可逆行动列为非补偿性关键失败。
- 推广场景：(1) 自动驾驶评估——某些安全违规不应被"平均驾驶体验分"补偿。(2) 医疗 AI——某些误诊不应被"平均诊断准确率"补偿。(3) 金融 AI——某些合规违规不应被"平均收益"补偿。
附录：论文的核心论证主线（一图速览）
现状：AI 以任务完成为核心 → 任务成功 ≠ 人类能力增长
↓
裂缝：Digital Agent（软件状态）/ Embodied Agent（物理状态）
都没把"人的演化状态"作为首要建模对象
↓
主张：AI for humans —— 让人随时间变得更有能力
↓
范式：Combodied Agent —— 第三种行动基底（人的演化状态）
↓
区别：不要求穷尽数字孪生 → 目的受限 + 不确定性感知 + 用户可纠正
↓
闭环：① 事件级感知 → ② 可纠正纵向记忆 → ③ PWM → ④ 可接受干预 → 反馈
（五级区分链） （7类记忆含干预-响应）（干预条件化预测）（含"不干预"）
↓
部署：Stage I 云中心 → Stage II 混合 → Stage III 边缘原生
↓
评估：场景中心 × 多时间尺度 × agency 保留 8 指标 × 非补偿性关键失败
↓
目标：从"外部任务完成"转向"持续的人类收益"
个人简评：这篇论文的雄心在于，它不只是提出一个新方法，而是试图为 Agentic AI 划出第三块版图。它的价值在于把"AI 应该让人变得更有能力"这个长期停留在口号层面的理念，首次系统化为一个有形式化定义、有四模块闭环、有三阶段部署路径、有八指标评估体系的研究纲领。它最大的开放挑战也很明显——PWM 的"干预条件化预测"在稀疏个人数据下如何真正实现、agency 保留的 8 个指标如何真正测量、边缘原生架构的工程可行性——这些都是论文诚实地留给社区的未来工作。作为一篇范式论文，它足够清晰、足够克制、足够可操作，值得被认真对待。