自我模型(self-model)是具身智能体对自身物理属性和行为能力的内部表征系统，它使智能体能够预测自身行为对环境的影响，并据此调整决策。这种认知架构类似于人类对肢体运动、感官反馈和物理限制的内在理解，在机器人学中体现为对机械结构、运动学参数和传感器特性的数字化建模。一个精确的自我模型允许智能体在虚拟环境中进行「思想实验」，预演不同行动方案的后果，从而显著减少现实世界中的试错成本。
在产品落地方向，自我模型技术已应用于工业机械臂的碰撞检测、服务机器人的动作规划等领域。例如波士顿动力机器人通过实时更新的自我模型，能在失衡瞬间计算最优恢复姿态。当前研究前沿正探索如何将神经科学中的身体图式(body schema)理论融入深度学习框架，使系统能像人类婴儿般通过与环境互动自主完善自我模型。推荐延伸阅读《The Self-Assembling Brain》by Peter Robin Hiesinger，该书从发育神经生物学视角探讨了自我建模的演化意义。