从“看懂人”到“行动如人”，Human-Centric AI为何成为基础模型新焦点

让模型指出画面中的人在哪里，和让模型判断这个人接下来会伸手推门还是停下避让，难度完全不同。前者停留在人体外观感知，后者已经进入空间关系、动作意图和行动选择的层面。最近围绕 Human-Centric AI 的讨论，正在把这种从“看懂人”到“行动如人”的变化，推成基础模型研究的一个新焦点。

过去的人体相关能力通常分散在不同任务里：检测、分割、姿态估计、动作识别、人体解析各有一套模型。这种方式能解决单个问题，但很难形成对“人”的连续理解。近期有综述开始用更统一的方式重新整理这个领域。一项关于基础模型时代人类中心智能的调查，提出以人为中心的情境分类，而不是继续按网络架构或下游应用切分。另一项发表于 IJCAI 2025 的研究则把 Human-Centric Foundation Models 归纳为感知、生成与智能体建模等方向。它们共同指向一个判断：人不应只是视觉模型里的一个普通类别，而应成为多模态基础模型理解和交互的轴心。

从外观感知到空间几何，再到行动推理

这条研究路径可以粗略拆成三层。最外层是人体外观感知，包括检测、分割、姿态估计和人体解析，目标是让模型知道人在哪里、身体各部分如何分布。第二层进入空间几何，要求模型理解人体在三维空间中的结构、朝向，以及人与物体、场景之间的相对关系。对机器人而言，只知道“这里有一个人”远远不够，还要知道这个人离机械臂多远、身体重心在哪、手正伸向哪个方向。第三层是行动推理，把动作、意图和交互目标纳入进来。模型不再只回答“发生了什么”，还要判断“接下来可能发生什么”，并逐步支持具体行动选择。

这种层级不是简单的任务堆叠。外观感知、空间几何和行动推理之间高度耦合：一个人侧身站立，既涉及姿态本身，也意味着他可能正在与人交谈或即将离开某处。传统任务特定模型擅长在各自基准上提高指标，但把这些输出拼在一起时，仍然缺少对人的连续状态建模。

基础模型为什么需要重新强调“人”

基础模型已经证明通用表征可以跨任务迁移，但在人的维度上，这种整合还没有达到与其他视觉或语言任务同等的成熟度。原因不在数据量，而在于“人”的信号本身高度耦合：外观、姿态、动作、意图、交互彼此嵌套，单一任务标签很难覆盖完整语义。近期综述提出的以人为中心的情境分类，正是试图把这种耦合关系变成组织知识的方式。它不再纠结于某个模型是否只做人脸或只做步态，而是先问：在具体交互情境中，模型需要连续理解人的哪些维度。

这也解释了为什么 Human-Centric AI 不能继续被当成若干独立视觉任务的集合。只有把人的状态当作一个连续、可预测、可交互的对象，基础模型才可能从“识别出人”推进到“理解人正在做什么、准备做什么”。

落到机器人、数字人与交互系统

对机器人来说，人类行为的可预测性和安全性依赖对空间几何与意图的连续估计。人形机器人进入家庭、仓储或医疗场景时，首先面对的不是一堆待识别物体，而是不断变化的人体姿态和动作边界。数字人则需要把生成与行动结合：形象自然只是基础，真正有用的是在对话中匹配表情、手势和身体朝向。交互系统同样如此，从屏幕内的虚拟助手到多模态终端，模型如果只理解语音文本，而忽略用户的姿态、距离和注意方向，就很难给出像人一样的回应。

从“看懂人”到“行动如人”，本质上是在要求基础模型把人的状态作为理解和交互的中心，而不是一个孤立检测目标。这个转变不会只靠增加数据完成，还需要围绕人的情境重新设计表征、任务和评估方式。对关注多模态与具身智能的研究者和从业者来说，未来值得跟踪的不是又多了一个人体任务，而是基础模型是否真正开始把人放在理解与行动的核心位置。