跳转至

当智能体AI遇见通感一体化

文章背景与核心概要

本文探讨了智能体人工智能（Agentic AI）与通感一体化（ISAC）的深度融合，并引入了一个名为 AISAC 的统一范式。长期以来，基于学习的感知、资源分配、可重构智能表面（RIS）以及边缘智能等技术，在很大程度上作为面向功能的物理层技术被孤立地进行研究。

为了弥合物理层原语与完全自主系统之间的鸿沟，作者提出了一个全面的六阶段闭环框架以及五级智能体成熟度模型。通过对代表性研究的审视，本综述揭示了宣称的智能体成熟度与实际演示之间的巨大差距，并随后指出了物理到语义基础、预测性世界模型以及资源高效自主性等方面面临的开放性挑战。

元数据 (Metadata)

  • arXiv ID: arXiv:2608.05792 [cs.AI]
  • 学科领域: 人工智能 (cs.AI)
  • 提交日期: 2026年8月6日
  • 作者:
  • Kai Li
  • Conggai Li
  • Sarah Ali Siddiqui
  • Syed Sohail Ahmed
  • Xin Yuan
  • Shenghong Li
  • Wei Ni
  • 文档统计: 35页，132篇参考文献，10张表格，9幅图表

摘要 (Abstract)

智能体人工智能（Agentic AI）正在将通感一体化（ISAC）从一种面向功能的物理层技术转变为一个目标驱动的闭环智能系统，我们将这一范式称为 AISAC。

Agentic artificial intelligence (AI) is transforming Integrated Sensing and Communication (ISAC) from a function-oriented physical-layer technology into a goal-driven, closed-loop intelligent system, a paradigm we term AISAC.

现有关于基于学习的感知、资源分配、可重构智能表面（RIS）、边缘智能、多智能体协同以及弹性网络的研究，大都在很大程度上处于孤立状态。本综述将相关文献统一在一个包含以下六个阶段的闭环框架中： 1. 感知（Observation） 2. 情境化（Contextualization） 3. 推理与预测（Reasoning and prediction） 4. 规划与编排（Planning and orchestration） 5. 执行与协作（Execution and collaboration） 6. 反馈与弹性（Feedback and resilience）

Existing work on learning-based sensing, resource allocation, reconfigurable intelligent surfaces (RIS), edge intelligence, multi-agent coordination, and resilient networking has developed largely in isolation. This survey unifies the literature within a six-stage closed-loop framework comprising: 1. Observation 2. Contextualization 3. Reasoning and prediction 4. Planning and orchestration 5. Execution and collaboration 6. Feedback and resilience

本文还引入了五级智能体成熟度，涵盖从物理层原语到完全闭环的智能体 ISAC。我们利用该框架回顾了多模态智能、大语言模型、强化学习、联邦学习、RIS 辅助控制、无人机（UAV）与车联网以及 AI 原生网络管理方面的进展，并分析了隐私、安全、弹性和可持续性作为完整“感知-推理-动作”循环中跨领域的需求。

The paper also introduces five levels of agentic maturity, ranging from physical-layer primitives to fully closed-loop agentic ISAC. We use this framework to review advances in multimodal intelligence, large language models, reinforcement learning, federated learning, RIS-assisted control, Unmanned Aerial Vehicle (UAV) and vehicular networks, and AI-native network management, and analyze privacy, security, resilience, and sustainability as cross-cutting requirements of the full perception-reasoning-action loop.

对照九项特定于智能体的评估标准对代表性研究进行的审核表明，没有任何系统报告超过其中一到两项标准，这暴露出宣称的智能体成熟度与实际展示的成熟度之间存在差距。最后，我们指出了在物理到语义基础、预测性世界模型、实时智能体-物理层（Agent-PHY）交互、安全的工具使用、异构多智能体协作、基准测试以及资源高效的自主性等方面的开放性挑战。

An audit of representative studies against nine agentic-specific evaluation criteria shows that no system reports more than one or two of them, exposing a gap between claimed and demonstrated agentic maturity. Finally, we identify open challenges in physical-to-semantic grounding, predictive world models, real-time agent-PHY interaction, safe tool use, heterogeneous multi-agent collaboration, benchmarking, and resource-efficient autonomy.

全文与参考链接 (Full-Text & Reference Links)