Intrinsic（内在性）在人工智能领域通常指模型或智能体自身产生的信号、属性与机制，如强化学习中的内在奖励、世界模型中的内在动力学、注意力机制作为内在归纳偏置等。与依赖外部标注或环境的"外在大信号"（extrinsic）相对，Intrinsic 研究试图回答一个核心问题：智能体能否在没有人工监督的情况下自主评估、自主探索并持续改进，这被认为是让 AI 从被动执行走向自主学习的关键一环。
Intrinsic 研究的近期进展
当前焦点与观察点
目前围绕 Intrinsic 的讨论集中在三点：一是内在奖励与外在奖励的关系——近期工作普遍表明，内在信号在不合适时会引发无效探索甚至"好奇心陷阱"，如何与任务目标对齐是核心难题；二是从符号时代的经典好奇心机制转向基于基础模型表示的内在信号，VLA 与世界模型的内部表征正在成为新的奖励与评估来源，这意味着"模型理解什么"和"模型想要什么"开始共用同一套表示；三是工程落地上的价值——机器人与长程智能体因外部反馈稀疏、人工奖励难以穷举，被视为 Intrinsic 方法最有希望先兑现收益的场景。
需要注意，Intrinsic 相关结论多来自受控实验与小规模任务，能否扩展到真实机器人部署与生产级智能体仍有待验证。观察后续方向时，可关注内在信号在大规模多任务下是否稳定、其计算开销是否可控，以及内在评估与人类偏好之间是否会系统性冲突。