精读笔记

Problem Setting

这篇论文真正处理的是 HRI 中 joint agency 的因果条件：当人和 humanoid robot 一起完成互补动作时，人是否会把机器人产生的结果纳入“我们共同控制”的范围，以及这个纳入是否依赖对机器人意图性的归因。

困难点不在任务本身，而在归因拆解。过去看到 human-machine SoJA 缺失，很容易解释为机器不像人、动作不可映射、sensorimotor repertoire 不共享；看到 humanoid robot 上 SoJA 出现，也可能只是因为外形/动作足够人形。本文的关键矛盾是：SoJA 一方面被 motor prediction 理论解释为低层 sensorimotor matching，另一方面 joint action 又显然受 partner 是否被当作 intentional agent 的高层社会认知影响。作者要证明的是后者不是附属主观评价，而会改变低层 outcome processing。

Motivation

已有路线的问题是把“可预测的运动机器”和“有意图的合作伙伴”混在一起。Sahaï 等工作显示 desktop machine / servomotor 通常不诱发 SoJA，humanoid robot 有时可以，但这类结果无法判断是因为 humanoid body 允许 motor simulation，还是因为参与者默认赋予其某种 agency。

作者的核心观察是：个体 SoA 只在 voluntary/intentional action 上稳定出现；joint Simon 等研究也提示 shared representation 依赖 partner 被看作 intentional。因此，如果 SoJA 是 self/other forward models 的整合结果，那么 intentional stance 可能不是高层 post-hoc belief，而是整合 self/other predictive model 的条件。缺口就是：在同一 humanoid embodiment 下，只改变 intentionality attribution，看 SoJA 与神经预测指标是否同步改变。

Core Idea

核心思想可以概括为：把 intentionality attribution 当作 joint internal model 的 gating condition。机器人动作 repertoire 保持近似人形且任务行为可重复，但参与者是否把它建模为 intentional partner 会决定 self-model 与 other-model 是仅由 sensory input 松散耦合，还是由 joint goal representation 更强整合。

这改变了 SoJA 的建模方式：不是“只要 partner action 可预测，就能形成 SoJA”，而是“partner action 必须被纳入一个共同目标和意图框架，预测才会以 joint model 的形式组织”。本质区别在于信息流：prior 更偏 bottom-up sensorimotor co-representation；本文强调 top-down intentional stance 会重组低层 sensory outcome processing。这个 inductive bias 对 HRI 很重要，因为机器人是否要像人，不只是运动学问题，也包括人是否愿意把它放进 shared intentional system。

Method

方法只保留三件关键事。

第一，用 iCub 固定 embodiment 与动作执行通道，避免把 SoJA 缺失简单归因于机器没有人形运动库。这个设计解决的是 sensorimotor repertoire confound：机器人够 humanoid，因此如果机械条件下仍无 SoJA，说明“像人运动”不充分。

第二，用 intentionality manipulation 改变参与者对同一机器人心理状态的归因。实验 1 中机器人只是机械地执行任务；实验 2 前通过对话、共同观看视频、情绪反应等互动提高 intentional stance。这个机制解决的是 belief/context 层面的变量，而不是改机器人任务策略。

第三，用 behavioral temporal binding 与 EEG outcome processing 对齐。interval estimate 给 implicit SoJA；N100 与 fronto-temporal theta connectivity 给早期 auditory outcome processing 和 top-down sensory modulation。它们共同回答的问题不是“参与者说不说机器人有意图”，而是这种归因是否进入动作结果预测与感觉处理。

Key Insight / Why It Works

最重要的 insight 是：SoJA 可能要求 self-generated 与 other-generated outcomes 在预测精度上被“等价化”，而不是要求 partner prediction 达到 self-action 的绝对精度。实验 2 中 solo 的 N100 仍强于 joint roles，说明 self-forward model 依旧最精确；但两个 joint roles 彼此对齐，这才对应 SoJA。换句话说，joint agency 的关键不是最强预测，而是 self/other 在 joint context 中共享同一预测框架。

这部分最可能是论文的实质贡献：把 intentional stance 连接到 forward-model integration，并用 N100/theta pattern 给出神经层证据。不是 robotics engineering，也不是 scaling；它更像 representation alignment / latent structure alignment：高层“这个对象是 intentional partner”的 latent variable 改变了 self/other outcome representation 的对齐方式。

需要谨慎的是，N100 的方向性解释不稳。很多 action-effect prediction 文献把可预测性和 agency 与 sensory attenuation 绑定，但本文看到的是更大 N100，并解释为 task-relevant predictable stimulus 的 sensory enhancement。这个解释可以成立，但依赖 attention / relevance 调制框架，增益来源不清。theta connectivity 与 N100 pattern 对齐增强了说服力，但仍不能直接证明是 forward-model precision，而不是 attention allocation 或 social engagement。

实验 2 的 social pre-interaction 也可能不只是 intentionality。它可能同时提升 familiarity、rapport、arousal、任务动机、对机器人行为的关注度。作者用 manipulation check 证明 intentional stance 变了，但没有完全排除其他共同变化。因此最强结论应是：social/intentional framing 足以诱发 SoJA-like behavioral and neural alignment；更窄的“纯 intentionality 因果作用”还需要更干净的 manipulation。

Relation To Prior Work

它最接近三条线：human-human SoJA 的 temporal binding 范式，predictive joint action model / shared task representation 理论，以及 HRI 中 intentional stance 对 robot interaction 的影响。

相对 Jenkins 等 human-human SoJA，这篇把 partner 换成可操控 intentionality 的 humanoid robot，因此新增的是因果操纵空间。相对 Sahaï 等 human-machine 研究，它没有只比较 human vs machine，而是在同一 iCub 上控制 embodiment，直接测试 belief/context。相对 joint Simon 的 robot intentionality 工作，它从 shared representation 扩展到 SoJA 和 outcome processing，并加入 EEG 机制指标。

看似新的部分不是任务范式，也不是 N100 指标；这些都是已有组件。实质创新在于把它们组织成一个机制论证：intentionality attribution → joint goal representation activation → self/other forward model integration → similar outcome prediction → similar sensory modulation → SoJA。这个链条比单纯报告“机器人拟人化提高合作体验”更有理论含量。

Dataset / Evaluation

evaluation 是真实 HRI 真机实验，不是离线 benchmark；这点对 claim 很关键，因为 SoJA 和 intentional stance 都高度依赖 embodied interaction。任务覆盖范围很窄：离散按钮、目标移动、确认、tone outcome，属于高度受控的 micro-joint-action，不代表复杂协作、连续控制、长时程计划或高风险任务。

证据是否支持核心 claim？支持到中等偏强。行为结果与 EEG 结果方向一致，且 human-human 控制提供了参照；机械 vs intentional 条件差异符合 PJAM 解释。但 evaluation 没有完全证明 intentionality 是唯一因子，也没有展示跨任务泛化。它验证的是“在这个受控互补动作范式中，intentional/social framing 可以让 humanoid robot 诱发 SoJA-like pattern”，而不是一般性地证明所有机器人协作都需要 intentionality。

另一个限制是实验 1/2 不是同一被试内直接操纵，因此个体差异和实验上下文差异无法完全排除。文中做了 power analysis 和 manipulation check，但对机制归因仍偏间接。

Limitation

核心成立依赖几个前提。

第一，interval estimation 必须被接受为 SoJA 的可靠 implicit marker。但 temporal binding 同时受 attention、expectation、delay distribution、task engagement 影响；它不是 agency 的纯读数。

第二，N100/theta 必须被解释为 sensorimotor prediction-driven sensory modulation。这个解释合理但不唯一。尤其 N100 在 prediction 下增强还是抑制取决于任务和注意，文中未充分说明如何排除 attentional gain 的替代解释。

第三，intentionality manipulation 不干净。实验 2 的预互动包含情绪表达和社会互动，本质上是 rich social priming，不是单变量 intentionality。所谓 intentionality effect 可能混合了 affective bonding、共同经验、trust、familiarity、engagement。增益来源不清。

第四，scalability 上限未知。按钮-音调任务中的 joint model 对齐不等于真实机器人协作中的长期状态建模、角色协商、错误恢复或责任分配。这里的“joint agency”更像短时 action-outcome attribution 的对齐，不是完整 collaborative planning。

第五，机器人动作虽然基于 human RT profile，但并非完全 human-like。作者自己承认如果机器人由真人远程控制或具有完全人类 response profile，结果可能不同。这意味着 sensorimotor cue 与 intentional belief 的相对权重仍未被真正分离。

Takeaway

• 1. 对 HRI 来说，humanoid embodiment 不足以诱发 human-like joint agency；是否被当作 intentional partner 可能是 self/other model integration 的关键开关。
• 2. 这篇最值得迁移的 insight 是：社会性 framing 可以改变低层 sensorimotor outcome processing，而不只是改变显式信任或喜好评分。
• 设计协作机器人时，agency attribution 应被看作控制人类预测模型的界面变量。
• 3. SoJA 的关键指标可能不是 partner prediction 的绝对准确性，而是 self-generated 与 other-generated outcomes 是否在同一个 joint predictive frame 内被处理。

一句话总结

这篇论文在 SoJA/HRI 方向中的位置是：用同一 humanoid robot 的意图归因操纵证明，机器人是否进入人的 joint agency 系统不仅取决于动作可预测性，更取决于高层 intentional framing 是否促成 self/other forward models 的预测表征对齐。