具身智能体的任务状态视野能否降低在长时程具身任务中使用先进AI的门槛？

任务状态视野究竟是什么，为什么它很重要？

任务状态视界是指智能体在完成长任务过程中必须记住并追踪的、与任务相关的世界状态变化范围——比如知道门没关、某物体被移动过，或某个设备被关闭了[5]。这与单纯计算任务需要多少步骤不同；它关乎的是智能体自身行为和环境变化所引发的世界状态的持续演变。新的RoboGraph基准测试对这一概念进行了定义，并表明其测试的15个先进AI模型中，大多数在任务状态视界扩大时表现会变差，这揭示了一个真正的瓶颈[5]。

为什么这很重要？如果智能体只对当前所见做出反应，它可能会忘记自己已经打开过抽屉，或者炉子还开着，从而导致重复操作或做出不安全决策。多篇论文在此达成共识：几个框架明确将“任务状态”与“感官输入”分离，以避免这种混淆[3][6]。例如，针对移动GUI智能体的任务状态表示（TSR）方法会保留全局指令摘要、进度跟踪器和动作验证器，这样智能体就不必把所有信息都记在工作记忆中[3]。

显式建模任务状态真的能提升性能吗？

是的，在相关测试研究中，效果提升相当显著。TSR框架作为一种轻量级外部封装，无需改动AI模型本身，在复杂的跨应用移动任务中，将成功率提升了多达12个百分点[3]。在基于文本的环境中，Spatio-Temporal Memory Agent（STMA）通过增加记忆模块和动态知识图谱，相比此前最优模型，成功率提高了31.25%[4]。这些并非微不足道的改进——它们表明，为智能体提供一种结构化的方式来记忆和更新任务状态，直接针对了其核心短板。

这些改进来自不同角度，但指向同一方向。Graph-in-Graph（GiG）框架利用图神经网络对环境状态进行编码，并检索相似的历史经验，在烹饪任务基准上实现了高达37%的Pass@1（首次尝试成功率）提升[1]。ContextFlow将任务阶段视为显式契约，并利用证据包来决定是继续、细化还是修复，这有助于避免“阶段锁定”和不必要的重新规划[2]。即便是较早的方法，如场景记忆Transformer，也表明在视觉导航中，对观测记忆使用注意力机制优于反应式策略[7]。因此，在不同任务类型中——烹饪、导航、移动GUI——模式是一致的：显式的任务状态跟踪是有益的。

任务状态追踪仍有哪些不足？

尽管取得了这些进展，证据也表明现有方法并未完全解决问题。专门测试不同任务状态时域的RoboGraph基准发现，其评估的15个先进模型中，大多数在要求较高的时域下仍然表现吃力——即便采用了状态追踪技术[5]。这表明，尽管这些方法有所帮助，但仍存在上限，尤其是在任务涉及部分可观测性（无法同时看到全部信息）或世界状态被新信息覆盖的情况下[6]。

另一个局限在于，许多这类框架是在模拟环境或基于文本的环境中评估的，而非真实的物理机器人。例如，STMA在TextWorld中进行了测试[4]，而GiG则在Robotouille和ALFWorld上进行了测试，这些同样属于模拟环境[1]。WorldLines基准测试使用了带有对话和状态变化的家庭轨迹数据，它强调将长期记忆转化为具身计划仍然是一个持续存在的挑战[6]。因此，尽管现有证据令人鼓舞，但尚不足以证明这些方法能在混乱且不可预测的现实世界中完美运行。

关于这些来源

该回答基于7项研究（均为预印本），发表时间从2022年至2026年，其中6项为2024年或之后发表。这些研究是从通过质量筛选的7项研究中选出的最具相关性的成果，而这些研究又源自从超过5亿篇论文的数据库中检索到的37篇文献。

本文引用的文献

相关研究问题