清华大学团队以智能体视角发布全新具身智能综述，重点梳理行业从端到端策略模型，走向长期自主系统的完整演进路线，区别于以往只聚焦单模型、单任务的调研，这份综述把感知认知模型、算力基础设施、数据、评测、安全约束全部整合到一套智能体闭环框架里，专门解决开放动态环境下机器人没法长期自主干活的痛点。现在很多端到端具身模型，能做到看图、听懂指令、输出动作，但是环境一变、任务中途出意外，就很容易失效，缺少自我反思、调整计划、持续积累经验的能力，这份综述就是针对这个短板，把智能体闭环交互作为核心，拆解从单次动作生成到长期自主运行需要补齐的各个模块，同时列出当前研究缺口、评测难点和落地风险。不管是做机器人算法、世界模型、多模态基座模型的科研人员，还是人形机器人行业工程师，都可以借助这份综述快速理清领域脉络，找到后续研究方向。大家阅读这份综述的时候，可以先看懂自主智能体闭环流程，再对照里面的技术分类，区分端到端策略和自主系统的差别，最后参考里面的开放问题确定自己的研究选题，同时也要清楚，综述属于学术总结，里面很多自主系统方案还处在实验室阶段，距离大规模商用还有很长距离。
综述核心框架模块清单
- 具身认知层：负责任务规划、因果推理、记忆管理、自我反思
- 端到端策略层：多模态输入直接映射到机器人动作，适合短周期任务
- 世界模型层：预测环境变化，提前预判动作带来的结果
- 基础设施层：算力调度、机器人本体驱动、技能调用接口
- 约束层：安全规则、对齐、评测指标、数据采集闭环
端到端策略与自主系统对比表
| 类型 | 适用任务 | 核心特点 | 短板 |
|---|---|---|---|
| 端到端具身策略 | 短步骤、固定场景任务 | 感知到动作直接映射，响应快 | 缺少记忆、反思，环境扰动容易失败 |
| 具身自主智能体系统 | 长时序、开放动态任务 | 感知 - 行动 - 反馈 - 反思闭环，持续迭代 | 架构复杂、算力开销大、评测难度高 |
具身自主智能体闭环运行步骤
- 智能体通过传感器采集环境图像、语音等多模态信息
- 认知模块结合历史记忆理解目标，生成初步执行计划
- 端到端策略模块输出动作指令，机器人本体和物理环境交互
- 采集执行后的反馈，对比预期结果，判断任务是否偏离
- 启动反思机制，修正计划或者更新内部世界模型
- 循环执行，直到任务完成或者触发安全终止条件
综述提出的行业现存挑战
- 长时序记忆难题，任务跨度大的时候容易遗忘关键信息
- 仿真环境和真实物理世界存在巨大差异，仿真效果很难迁移真机
- 缺少统一、可信的自主系统评测基准，很难横向对比不同方案
- 自主决策带来安全风险，错误规划会造成设备、环境损坏
- 高质量具身交互数据稀缺，人工标注成本很高
【相关 FAQ】
问题 1：这份清华智能体视角具身智能综述，里面说的端到端策略和自主系统有什么区别？
回答 1：这份清华智能体视角具身智能综述提到，端到端策略偏向短任务，输入直接输出动作；自主系统是带反馈、记忆、反思的闭环智能体，适合开放环境长期自主任务。
问题 2：清华这份具身智能综述从智能体视角出发，对机器人开发者有什么实际价值？
回答 2：清华这份具身智能综述从智能体视角出发，帮开发者理清从端到端模型升级到自主系统的技术框架，汇总现有方案、研究缺口，方便做算法选型和科研选题。
问题 3：清华发布的这份具身智能综述，里面的自主系统方案现在可以直接商用落地吗？
回答 3：清华发布的这份具身智能综述里的自主系统方案大多还处在学术研究阶段，距离稳定、安全的规模化商用还有不少工程和安全问题需要攻克。
【参考资料】
[2026-11-13]（以智能体视角，清华首发具身智能综述：从端到端策略到自主系统）腾讯新闻
[2026-11-13]（Agentic Embodied Intelligence Survey 项目主页）agenticei.github.io
[2026-08-27]（具身智能成果系列展 | 端到端视觉运动耦合的具身人形机器人算法框架）清华大学具身智能与机器人研究院
【免责声明】
本文仅为清华具身智能学术综述的科普解读，综述内容属于前沿学术研究，相关技术方案、结论还在持续迭代，不代表成熟可用工程方案；本文不构成机器人项目研发、产品落地的技术选型建议。