這篇綜述文章由 Rebeca Marfil 等三位作者撰寫，於 2026 年 10 月 23 日提交至 arXiv，屬於機器人學（cs.RO）分類，篇幅約 20 頁，其期刊版本已於 2024 年發表在 MDPI 旗下的《Electronics》期刊上。文章聚焦於一個近年來在自主機器人領域日益受到關注的問題：儘管深度學習及其硬體實現已經賦予機器人非凡的感知能力，而自動規劃技術的進步也讓機器人能夠自主解決複雜任務，但在許多情況下，機器人仍然只是在行動，卻沒有真正內化並理解某次感知或某個動作背後的原因，其行為往往只是對當前情境狀態的一種即時反應。
作者指出，這種“知其然而不知其所以然”的差距會帶來一系列實際限制，直接影響機器人的效能、可靠性和可信度。僅靠深度學習無法彌合這一差距，原因在於：當行為源自一個將世界視為黑箱的模型時，行為背後的理由本身是不可訪問的。因此，真正需要的是一種以更深層推理為基礎的基礎架構。這樣的架構應當能夠支援機器人生成解釋，讓人們瞭解機器人為什麼正在執行或已經執行了某個動作，或者某個規劃失敗、某次感知異常可能是由哪些原因造成的。
文章進一步提出，當這些解釋產生於認知過程，並與人類共享、從而得到驗證之後，機器人應當能夠把這些解釋納入自身的知識庫，並利用這種理解來改進未來的行為。換句話說，解釋不只是事後說明，而應成為機器人自我擴充套件與持續學習的組成部分。綜述正是圍繞這一思路，考察了近年來在具有自我意識和自我演化能力的機器人方面取得的研究進展。這類機器人被設計為能夠向人類對應方提供必要的解釋，從而增強自身功能能力，並在此過程中努力贏得人類的信任。
從研究定位上看，這篇綜述連線了可解釋人工智慧、因果推理、認知機器人和自動規劃等多個方向，強調解釋與學習之間的閉環關係。文章所討論的核心問題並非單純提升感知或規劃精度，而是如何讓機器人具備可被人類理解和檢驗的推理結構，使解釋能夠被共享、驗證並反饋到知識庫中，最終形成更可靠、更值得信賴的自主系統。對於關注機器人可信性、人機協作以及自我演化系統設計的研究者和工程人員而言，這篇綜述提供了一個將因果方法、解釋生成與自我擴充套件學習結合起來討論的框架性參考。