Joint（联合）在人工智能领域通常指联合建模、联合学习或联合优化，即让模型同时处理多个任务、多个数据源或多个决策变量，而不是分阶段孤立地求解。随着大模型、机器人控制和科学机器学习的发展，联合思路正成为提升系统整体性能与鲁棒性的常见设计范式，相关研究密集出现在近期的机器学习论文中。
Joint Learning 近期进展
在智能体方向，JERP：面向LLM智能体的经验规则与策略联合学习提出将经验规则与策略优化放在同一框架内协同学习，反映出大模型智能体研究正从单纯训练策略转向规则与策略的联合迭代。
在时序与信号建模方面，ER-JEPA：面向心电图多变量时间序列的轻量级自监督学习框架针对多变量心电信号做联合表征学习，强调轻量化与自监督；RAG-CSI: Global Local Retrievia via Joint State and Dynamics Matching for CSI Prediction则通过状态与动态的联合匹配改进无线信道预测的检索质量。
在机器人领域，PAC-MAN：考虑感知的CBF-RL用于人形机器人躲避球全身安全将感知、控制屏障函数与强化学习联合起来处理人形机器人全身安全控制，体现了感知与控制的耦合趋势。
此外，Diff-Joint：不确定性感知扩散框架区分有意义缺失与可填补缺失把缺失数据处理中的判断与填补联合建模，而JAREX：用于多目标工艺表征的贝叶斯主动学习采集函数则在多目标工艺优化中设计了新的联合采集策略。
当前焦点与观察点
从近期论文看，Joint 方法的研究焦点集中在三处：一是任务间的联合，如规则与策略、感知与控制的同时优化，用以避免分阶段训练带来的误差累积；二是变量与目标的联合，如多目标贝叶斯优化和缺失数据的联合推断，常见于科学计算与工程应用；三是数据层面的联合利用，如 MOJO 框架尝试联合未标记数据提升神经群体解码的泛化能力（MOJO框架：利用未标记数据提升神经群体解码泛化能力）。
值得观察的问题是，联合建模虽然能提升整体一致性，但往往带来更高的训练复杂度和耦合风险——当某一模块失效时，联合系统可能整体退化，这也是若干工作开始讨论硬问题下的联合解码与失败恢复（When All Rollouts Fail: Policy-Compatible Joint Decoding for Hard-Problem Reasoning）的原因。未来一段时间，如何权衡联合带来的收益与系统复杂度，将是这一方向能否在实际系统中落地的关键。