为什么具身智能体在走出实验室之前，必须先建立世界模型？
核心瓶颈在于，智能体必须理解并预测其所处的环境，而不仅仅是作出反应。一篇2025年的立场论文指出，世界模型——整合多模态感知、规划与记忆——是具身人工智能进行推理和行动的核心[3]。缺乏这些能力，智能体便无法应对新情况或预判后果，而这对于现实世界中的任务至关重要。
在制造业中，同样的需求也出现了：工业5.0框架强调单个智能体中的自学习智能以及跨系统的协作智能，但当前的具身智能体（机器人、传感器）仍缺乏实现这一目标所需的集成世界建模能力[1]。因此，首要障碍是构建能够同时建模物理世界和用户心理状态的智能体，从而支持自主完成复杂任务。
阅读人类提示如何让智能体更可靠、更值得信赖？
一个关键缺失的环节是实时多模态接地——即解读并回应点头、目光和手势等人类信号的能力。2025年一项CHI研究发现，当具身VR代理通过转头或高亮物体等方式表达对空间和动作指称的理解时，参与者在30%的情况下避免了错误，并感到更满意、更自信[2]。这表明，此类信号表达不仅是锦上添花，更是协作中的功能性需求。
同一项研究还指出，当前的语音助手会等待完整指令，这与人类对话习惯不符[2]。人类期望与智能体行为之间的这种差距，正是演示在真实交互中失败的主要原因。构建能够主动表达理解的智能体，或许能弥合这一信任鸿沟，但这需要将多模态感知与实时响应相结合——这一挑战尚未完全解决。
缺失的粘合剂是什么：整合与协作训练？
即使单个组件有所改进，智能体也必须以协调的方式相互协作并与人类配合。工业5.0调查强调了在单智能体、多智能体和群体智能体系统中进行协作训练的必要性，但也指出这仍是一个未解决的挑战[1]。若缺乏这一点，智能体就无法从孤立的演示扩展到工厂车间或社会场景中。
世界模型论文同样呼吁学习用户的“心理世界模型”，以实现更好的人机协作[3]。这种整合——将物理世界模型与社会理解相结合——正是区分演示原型与可部署系统的关键。在这些要素尚未统一之前，智能体在受控环境之外仍将显得脆弱不堪。
关于这些来源
该回答基于3项研究（2项经同行评审，1项为预印本），发表于2025年，其中3项为2024年或之后发表，1项发表于Q1期刊。这些研究是从3项通过质量筛选的研究中选出的最相关成果，而这些研究又源自从超过5亿篇论文数据库中检索到的33篇文献。
本文引用的文献
当具身智能遇上工业5.0：以人为本的智能制造
2025年一项关于工业5.0智能制造的研究调查指出了具身智能体在实现自学习、协作及群体智能方面面临的开放性挑战，并强调了集成CPSS框架与协同训练的必要性。
提示具身AI代理：具身性与多模态信号如何影响提示行为
在一项使用VR智能体的“绿野仙踪”式研究中，参与者与一个能对空间和动作指代做出理解信号的智能体互动时，有30%的情况避免了错误，并且报告了更高的满意度和信心，这凸显了多模态信号传递的重要性。
具身智能体：建模世界
一篇2025年的立场文件认为，开发世界模型——整合多模态感知、规划与记忆——是具身人工智能推理的核心，并进一步提出学习用户的心理世界模型以改善人机协作。