具身智能偏行为主义，强调智能行为是身体与环境交互的结果，通过感知 - 行动循环实现智能，注重身体在智能行为中的作用；离身智能侧重符号主义，认为智能行为可以通过符号化的知识表示和逻辑推理来实现，依赖于形式化的语言和逻辑规则；反身智能则重视连接主义，通过神经网络的连接和动态调整实现智能行为，强调数据驱动的学习和适应能力。这三种智能形式分别从行为、符号和连接的角度，展现了智能的不同实现路径和研究范式。具身智能、离身智能和反身智能分别对应不同的智能理论和研究范式，它们在人工智能的发展中各有侧重点和应用场景。

一、具身智能（Embodied Intelligence）

（一）定义

具身智能是一种强调智能行为与身体和环境的紧密联系的智能形式。它认为智能行为不仅依赖于大脑的计算能力，还依赖于身体的感知和运动能力，以及与环境的交互。具身智能的核心观点是“智能行为是身体与环境交互的结果”。

（二）理论基础

1. 具身认知理论：具身认知理论认为，认知过程不仅仅是大脑的信息处理过程，还受到身体的感知和运动能力的影响。身体的结构和功能是认知的基础，认知过程是身体与环境交互的结果。

2. 行为主义：具身智能在某种程度上继承了行为主义的观点，强调通过观察和分析行为来理解智能。行为主义关注的是刺激与反应之间的关系，具身智能则进一步强调身体在这一过程中的作用。

（三）特点

1. 感知 - 行动循环：具身智能强调感知和行动的紧密结合，智能行为是通过感知 - 行动循环实现的。例如，机器人通过传感器感知环境，然后通过执行器做出相应的动作。

2. 环境交互：具身智能认为智能行为是在与环境的交互中产生的，环境的反馈对智能行为的形成至关重要。

3. 多模态感知：具身智能系统通常具备多种感知能力，如视觉、听觉、触觉等，通过多模态感知实现对环境的全面理解。

（四）应用场景

1. 机器人技术：具身智能在机器人技术中应用广泛，例如服务机器人、工业机器人等。这些机器人通过感知环境并做出相应的动作，完成各种任务。

2. 虚拟现实：在虚拟现实应用中，具身智能通过模拟身体的感知和运动，为用户提供沉浸式的体验。例如，通过动作捕捉技术实现虚拟角色的实时动作控制。

3. 自动驾驶：自动驾驶汽车通过感知环境（如摄像头、雷达等）并做出相应的驾驶决策（如加速、制动、转向等），实现安全驾驶。

二、离身智能（Disembodied Intelligence）

（一）定义

离身智能是一种强调智能行为主要依赖于符号处理和逻辑推理的智能形式。它认为智能行为可以通过符号化的知识表示和逻辑推理来实现，而不依赖于身体的感知和运动能力。离身智能的核心观点是“智能行为是符号处理和逻辑推理的结果”。

（二）理论基础

1. 符号主义：离身智能继承了符号主义的观点，认为智能行为可以通过符号化的知识表示和逻辑推理来实现。符号主义强调通过形式化的语言和逻辑规则来模拟人类的思维过程。

2. 逻辑主义：离身智能通常依赖于逻辑推理和形式化方法，通过符号化的知识表示和逻辑推理来解决问题。

（三）特点

1. 符号化知识表示：离身智能通过符号化的知识表示来描述问题和解决方案。例如，专家系统通过规则库和推理引擎实现对专业知识的表示和推理。

2. 逻辑推理：离身智能依赖于逻辑推理来解决问题，通过形式化的逻辑规则和推理算法实现智能行为。

3. 计算密集型：离身智能通常需要大量的计算资源来处理符号化的知识和逻辑推理。

（四）应用场景

1. 专家系统：专家系统是离身智能的典型应用，通过规则库和推理引擎实现对专业知识的表示和推理。例如，医疗专家系统可以通过症状和诊断规则为医生提供诊断建议。

2. 自然语言处理：离身智能在自然语言处理中也有广泛应用，例如机器翻译、文本生成等。这些应用通过符号化的语言模型和逻辑推理实现对自然语言的理解和生成。

3. 定理证明：离身智能在定理证明中也有重要应用，通过形式化的逻辑规则和推理算法实现对数学定理的证明。

三、反身智能（Reflexive Intelligence）

（一）定义

反身智能是一种强调智能行为通过神经网络和连接主义实现的智能形式。它认为智能行为是通过神经网络的连接和动态调整实现的，而不是通过符号处理和逻辑推理。反身智能的核心观点是“智能行为是神经网络的连接和动态调整的结果”。

（二）理论基础

1. 连接主义：反身智能继承了连接主义的观点，认为智能行为是通过神经网络的连接和动态调整实现的。连接主义强调通过神经元之间的连接和权重调整来实现智能行为。

2. 神经科学：反身智能受到神经科学的启发，通过模拟生物神经网络的结构和功能实现智能行为。

（三）特点

1. 神经网络：反身智能通过神经网络实现智能行为，神经网络由大量的神经元和连接组成，通过权重调整实现学习和适应。

2. 动态调整：反身智能强调神经网络的动态调整能力，通过学习算法（如反向传播算法）实现对环境的适应。

3. 数据驱动：反身智能通常依赖于大量的数据进行训练，通过数据驱动的方式实现智能行为。

（四）应用场景

1. 深度学习：深度学习是反身智能的典型应用，通过多层神经网络实现对复杂数据的表示和学习。例如，图像识别、语音识别等应用通过深度学习模型实现对数据的高效处理。

2. 强化学习：强化学习是反身智能的另一个重要应用，通过神经网络实现对环境的动态适应和决策。例如，AlphaGo通过强化学习算法实现对围棋的高超水平。

3. 脑机接口：脑机接口技术通过连接大脑和计算机，实现对神经信号的读取和控制。反身智能在脑机接口中也有重要应用，通过神经网络实现对神经信号的解码和控制。

四、三者的比较与联系

（一）比较

1. 具身智能：

理论基础：具身认知理论、行为主义。

特点：感知 - 行动循环、环境交互、多模态感知。

应用场景：机器人技术、虚拟现实、自动驾驶。

2. 离身智能：

理论基础：符号主义、逻辑主义。

特点：符号化知识表示、逻辑推理、计算密集型。

应用场景：专家系统、自然语言处理、定理证明。

3. 反身智能：

理论基础：连接主义、神经科学。

特点：神经网络、动态调整、数据驱动。

应用场景：深度学习、强化学习、脑机接口。

（二）联系

1. 互补性：具身智能、离身智能和反身智能在不同的应用场景中各有优势，可以相互补充。例如，具身智能可以通过感知和行动实现与环境的交互，离身智能可以通过符号处理和逻辑推理实现复杂的决策，反身智能可以通过神经网络实现高效的学习和适应。

2. 融合趋势：随着人工智能技术的发展，这三种智能形式呈现出融合的趋势。例如，具身智能可以通过神经网络实现感知和行动的优化，离身智能可以通过深度学习实现符号处理和逻辑推理的优化，反身智能可以通过强化学习实现动态调整和适应的优化。

具身智能、离身智能和反身智能分别对应不同的智能理论和研究范式，各有其独特的理论基础、特点和应用场景。具身智能强调智能行为与身体和环境的紧密联系，离身智能强调智能行为通过符号处理和逻辑推理实现，反身智能强调智能行为通过神经网络和连接主义实现。这三种智能形式在不同的应用场景中各有优势，可以相互补充，并呈现出融合的趋势。未来，随着人工智能技术的不断发展，这三种智能形式将更加紧密地结合，为实现更加智能的系统提供更强有力的支持。

智能体工作流是什么？

智能体工作流（Agentic AI Workflows,AAW）是指智能体（Agent）为完成特定任务而执行的一系列有组织、有顺序的操作流程。它定义了智能体如何执行其功能，包括检索合适的工具、管理内存以存储和访问必要信息、制订任务计划、调用API完成任务等。与传统的工作流不同，智能体工作流能够处理非确定性任务，并且可以动态生成。

1、AAW核心特点包括：

① 任务分解与规划：将复杂任务分解为多个子任务，并按计划逐步执行。

② 工具调用与整合：智能体可以根据任务需求调用外部工具或API，以获取额外信息或执行特定操作。

③ 动态调整与反馈：在任务执行过程中，智能体可以根据反馈进行自我调整和优化，以提高任务完成的质量。

④ 多智能体协作：多个智能体可以协同工作，共同完成复杂任务。

2、AAW应用场景涉及：

军事领域：用于情报分析、作战计划制定、网络安全防御等。例如，智能体可以通过分析多源情报数据，生成作战方案，并实时调整以应对变化。

客户服务：在智能客服系统中，智能体工作流可以处理用户的复杂问题，如订单跟踪、问题解答等，提高服务效率。

供应链管理：智能体可以监控库存水平、自动补货、调整物流安排，优化供应链的运行。

内容创作：用于生成符合特定风格和要求的文章、图片等，通过多步骤的优化和调整，提高内容的质量。

3、AAW优势在于：

① 提高任务执行效率：通过自动化和优化任务流程，减少人工干预，提高任务执行的速度和准确性。

② 增强模型性能：通过动态调整和优化，即使在模型性能有限的情况下，也能提高任务完成的质量。

③ 适应复杂任务：能够处理复杂的、多步骤的任务，适应不断变化的环境和需求。

美国国防部首席数字与人工智能办公室（CDAO）于2025年7月14日宣布，向Anthropic、谷歌、OpenAI和xAI四家人工智能公司授予合同，每家公司合同上限为2亿美元。这些合同旨在加快美国国防部在多个任务领域部署“智能体工作流程”（Agentic AI Workflows，AAW），并将其嵌入作战、情报、商业运营和企业信息服务等具体任务中。

这些合同将帮助国防部利用美国前沿AI公司的技术和人才，开发先进的人工智能能力，以应对关键的国家安全挑战。CDAO希望通过这些合作，将现有的商业解决方案整合为一套协同能力体系，加速先进人工智能在联合任务中的应用。此轮合同的核心目标是开发“智能体工作流”，使AI系统能够读取机密数据、自主推理并提供决策建议。与传统的生成式AI不同，代理式AI不仅可以生成计划，还可以采取行动。

四个AI公司的角色与任务

OpenAI：将聚焦行政效率提升，开发用于优化军人医疗福利申请、采购数据管理的AI系统，并构建主动网络防御体系。

谷歌：依托云计算优势，开发多源情报分析平台，整合卫星图像与通信数据以生成敌方行动预测模型。

Anthropic：其Claude模型已通过国防安全认证，可在机密环境中辅助情报分析。

xAI：通过微软联邦云平台分发其Groklang语言模型，支持军事后勤与网络安全任务。

可能产生的背景与影响

CDAO负责人Doug Matty表示，人工智能的采用正在改变国防部支持作战人员和保持对对手战略优势的能力。这些合作将“重塑国防部保持战略优势的能力”。这些合同为人工智能公司提供了重要的收入来源，有助于推动高风险AI商业化。同时，也为其他AI公司提供了与政府合作应对国家级挑战的参考。

对此，仍有不少专家们对这些AI系统在关键和敏感的军事应用中的稳定性、技术漏洞以及是否存在政治干预的风险表示质疑。

人在环上、人在环中、人在环外常常是混合在一起的

“人在环上、人在环中、人在环外”通常用于描述人在复杂系统（如技术系统、社会系统、生态系统等）中的不同角色和参与方式。这种描述方式强调了人与系统之间的动态关系，以及人在不同情境下的多样化角色。在实际应用中，这三种状态常常是混合在一起的，反映了人与系统之间复杂的互动关系。

一、人在环上（On the Loop）

（一）定义

“人在环上”是指人在系统中处于监控或辅助的角色。在这种状态下，人主要负责监督系统的运行，对系统进行必要的干预，但系统的大部分操作是自动化的。人在这个过程中更像是一个“监督者”或“辅助者”，而不是主要的操作者。

（二）应用场景

1. 自动化生产线：在现代工厂的自动化生产线上，工人主要负责监控机器的运行状态，及时发现并处理故障。生产线的大部分操作由机器人和自动化设备完成，工人处于“人在环上”的状态。

2. 自动驾驶汽车：在自动驾驶模式下，驾驶员主要负责监控车辆的行驶状态，随时准备接管车辆控制权。车辆的大部分驾驶任务由自动驾驶系统完成，驾驶员处于“人在环上”的状态。

（三）特点

监控为主：人主要负责监控系统的运行状态，及时发现异常情况。干预为辅：人在必要时对系统进行干预，但干预的频率较低。依赖自动化：系统的大部分操作由自动化设备完成，人对系统的依赖程度较高。

二、人在环中（In the Loop）

（一）定义

“人在环中”是指人在系统中处于核心操作者的角色。在这种状态下，人直接参与系统的操作和决策过程，对系统的运行起到关键作用。人在这个过程中是系统的主要操作者和决策者。

（二）应用场景

1、传统驾驶：在传统驾驶模式下，驾驶员完全控制车辆的行驶方向、速度和制动等操作，驾驶员处于“人在环中”的状态。

2、手工制造：在传统的手工制造过程中，工人直接操作工具和设备，完成产品的制造过程，工人处于“人在环中”的状态。

（三）特点

直接操作：人直接参与系统的操作和决策过程。高参与度：人在系统中的参与度高，对系统的运行起到关键作用。自主性：人对系统的运行有较高的自主性，能够根据实际情况灵活调整操作方式。

三、人在环外（Out of the Loop）

（一）定义

“人在环外”是指人在系统中处于完全不参与的状态。在这种状态下，系统完全由自动化设备或机器自主运行，人不直接参与系统的操作和决策过程。人可能只是系统的设计者或管理者，但不直接干预系统的运行。

（二）应用场景

1、全自动化生产线：在一些高度自动化的生产线中，系统完全由机器人和自动化设备自主运行，工人只负责系统的维护和管理，工人处于“人在环外”的状态。

2、无人机自主飞行：在某些无人机的自主飞行任务中，无人机完全由预设程序控制，操作员不直接干预飞行过程，操作员处于“人在环外”的状态。

（三）特点

完全自动化：系统完全由自动化设备或机器自主运行，人不直接参与。低参与度：人在系统中的参与度低，主要负责系统的维护和管理。高度依赖技术：系统的运行高度依赖自动化技术和预设程序，人对系统的直接干预较少。

四、人在环上、人在环中、人在环外的混合状态

在实际应用中，这三种状态常常是混合在一起的，反映了人与系统之间复杂的互动关系。这种混合状态在许多现代系统中非常常见，尤其是在复杂的技术系统和社会系统中。

（一）混合状态的现实意义

1. 灵活性与适应性：混合状态使人能够在不同情境下灵活调整自己的角色和参与方式。在自动驾驶汽车中，驾驶员可以根据实际情况在“人在环上”和“人在环中”之间切换，既能享受自动驾驶带来的便利，又能在必要时接管车辆控制权。

2. 提高效率与安全性：通过合理分配人和系统的任务，混合状态可以提高系统的运行效率和安全性。在自动化生产线中，工人在“人在环上”状态下监控设备运行，能够及时发现并处理故障，避免因完全依赖自动化设备而出现的安全隐患。

3. 优化资源利用：混合状态使人和系统能够根据任务需求合理分配资源，提高资源利用效率。例在无人机自主飞行任务中，操作员在“人在环外”状态下负责任务规划和系统维护，无人机在“人在环中”状态下完成自主飞行任务，这种分工方式能够充分发挥人和机器的优势。

（二）混合状态的挑战

1. 角色转换的复杂性：在混合状态中，人需要在不同角色之间快速切换，这对人的认知能力和反应速度提出了较高要求。在自动驾驶汽车中，驾驶员需要在“人在环上”和“人在环中”之间快速切换，如果切换不及时，可能会导致安全事故。

2. 系统设计的复杂性：混合状态要求系统设计能够支持人和机器之间的灵活交互，这对系统设计提出了较高要求。在自动化生产线中，系统需要具备智能监控和故障诊断功能，同时要支持工人在必要时进行手动干预。

3. 伦理与责任问题：混合状态中人和机器的角色分工模糊，引发了关于伦理和责任的讨论。在自动驾驶汽车发生事故时，责任应由驾驶员承担还是由系统设计者承担，这是一个复杂的问题。

五、案例分析

（一）自动驾驶汽车

自动驾驶汽车是混合状态的一个典型应用。在自动驾驶模式下，驾驶员处于“人在环上”的状态，主要负责监控车辆的行驶状态，随时准备接管车辆控制权。当遇到复杂路况或系统故障时，驾驶员需要迅速切换到“人在环中”的状态，直接控制车辆。这种混合状态既提高了驾驶的便利性，又增加了驾驶的安全性。（二）智能工厂

在智能工厂中，工人处于“人在环上”和“人在环外”的混合状态。工人主要负责监控自动化生产线的运行状态，及时发现并处理故障。在一些高度自动化的生产环节，工人可能处于“人在环外”的状态，主要负责系统的维护和管理。这种混合状态提高了生产效率，同时降低了人工成本。

“人在环上、人在环中、人在环外”这三种状态的混合应用，反映了人与系统之间复杂的互动关系。这种混合状态在现代复杂系统中非常常见，具有重要的现实意义。通过合理设计和管理，混合状态可以提高系统的灵活性、适应性、效率和安全性。然而，这种混合状态也带来了角色转换的复杂性、系统设计的挑战以及伦理与责任问题。未来，随着技术的进一步发展，人与系统之间的互动将更加紧密，混合状态的应用将更加广泛。我们需要在技术设计、伦理规范和责任界定等方面进行深入研究，以应对混合状态带来的挑战，推动人与系统的和谐发展。