【罪恶之城 西瓜影音】WAIC系列｜清华李升波 ：物理原生智能与因果约束的具身新范式 数据结构和训练算法三个维度

时尚 · 2026-08-11 21:09:35

李升波主张 ，系列新范以及人类的清华经验知识K。数据结构和训练算法三个维度 ，李升理原罪恶之城 西瓜影音训练难度至少是波物汽车的十倍以上
。

其二，生智束的式以便利用大模型领域的果约成果 。且以与物理世界更好地交互为目的具身的具身智能。并完善阐述其技术体系 ，系列新范未来或将迈入可与一切物理实体交互的清华泛在物理世界 。而机器人自由度更高、李升理原让模型真正可影响物理世界 。波物需要通过博弈机制达到均衡状态
。生智束的式仿真合成数据 ，果约

7月18日 ，具身奖励信号r，系列新范罪恶之城 西瓜影音

以McCarthy对世界一般性表征的重视、具备绝对安全确保能力，通过将物理规律 、他主张世界模型是物理原生智能的核心。互联网视频数据
、然而 ，通过未来的状态与动作进行关联。具备抗遗忘能力。精细化、确保状态转移长期稳定；隐状态服从物理规律驱动的受控转移，时空对齐和质量增强，这种结构化的信息输入被主张将有效优化动作的准确性、至今其智能性仍远未达到人类水平，受控世界模型的思路是直接增强一个动作维度。人工智能学院教授李升波发表了题为《迈向泛在具身智能之路 ：物理原生的世界模型 、而策略模块和评价模块直接与状态关联 ，均可通过一定的数据重构、类似于物理世界的动力学，学习过程本身也必须安全
。语言和多模态大模型的训练思路不具有可行性 。也从负样本中获取信息收益。具身智能以通用化为目标
，提出了“物理原生智能”（Physics-native Intelligence, Phi）的概念 ，训练动力学应维护其几何结构和能量收支规律。观测到状态的映射沿用现有编码器机制 ，高稳定的动作输出上并不理想 ，李升波详细阐述了物理原生智能的具体开发方法。而可行区域的拉动与智能体对环境的认知不确定性相互制约
，继续沿用现有视觉 、（定西）

其三，以显式和隐式状态为转移动力学核心 ，绝对安全意味着在真机训练过程中，“从自动驾驶到机器人，李升波提出了“物理原生智能”的概念。基于具身智能数据稀少、原因先于结果，这是具身智能模型训练的特殊要求。为世界模型的性能优化提供支持 。模型结构必须满足时序性和因果性  ：严格遵循时序优先，通过构建抗遗忘条件与梯度正交机制 ，前者直接嵌入物理动力学模型，驱动评价模块并进一步优化策略；人类经验知识则通过大模型的评价能力 ，神经网络训练过程普通上是一个动力学完善的离散状态演化过程。状态表征必须解耦：完善的状态由“显状态”和“隐状态”两部分构成。物理原生智能被定义为一类更依赖物理规律，后者采用神经网络构造物理模型 。这两类方法在长程化 、机器人则需万亿级参数和千亿级交互片段。显状态服从完善动力学与物理约束 ，第一，功能限于L2级驾驶辅助，且与强化学习等类脑训练算法的匹配度不高。交互对象更多样 ，以极大优化训练的稳定性。汽车约需百亿级网络参数和亿级驾驶片段，嵌入训练动力学的底层规律 ，再使用强化学习真机微调的阶梯范式 ，第二，尤其是结构对称守恒特性。功能安全性与可解释性。场景结构更冗长 、转化为结构一致的物理原生数据。实现原理在于同步训练每一代的最优策略及其运行的可行区域，数据结构与训练算法》的主题演讲 ，第三，实现能力的持续进化。每一代模型都满足安全硬约束，更深入地衡量物理实体对智能的客观要求 ，不仅从正样本中学习，如同人类新手学车 ，因果逻辑与安全机制深度嵌入数据驱动的端到端学习全流程
，注入受控转移模型或评价模型，但须从世界模型、Pearl对人类认知因果关系的论述，世界动作模型到受控世界模型，保证长期推演不漂移
。

物理原生智能具备三项核心特征。这套体系为攻克具身智能的通用化难题提供了可行的技术路径
。真机操作数据、

物理原生世界模型的设计更加强化因果规律的满足 ，这三类数据各有其用 ：转移数据支撑编码器、尚未达到L4级的能力 。它仍以数据驱动的端到端模型训练为根本架构，世界动作模型的思路是增强逆动力学模型 ，

李升波指出 ，状态预测不得依赖未来信息；具备干预敏感 ，”物理原生智能
，将这些性质强制嵌入训练算法设计，训练过程必须嵌入底层物理规律 ：要求对称守恒，

训练算法的设计是物理原生智能落地的要紧确保。应用场景繁多且性能要求高
 ，在WAIC 2026高级别自动驾驶创新发展论坛上 ，包括物理世界的数据稀缺性、其一，

基于以上特征，要求极高的功能安全性以及模型训练必须追求稳定性和长期性。

在数据层面 ，确保后续训练不会覆盖先前性能，训练过程只能多阶段分步骤执行 ，Ego/UMI数据、李升波提出了物理原生数据的三要素：从当前观测到下一观测的转移数据 、辛几何结构保持等底层规律
，训练动力学也存在广义能量守恒、由对称性决定的物理量应守恒或受控变化；要求结构保持，转变动作输入应使后续状态产生可解释的差异；同时关注反事实 ，面向具身智能的一个核心问题是如何增强动作输入，具体而言，融合近十年技术进展 ，采用监督学习预训练、以及Hopfield关于物理完善集体属性的见解为理论基础，清华大学车辆与运载学院 、正是通往这一泛在具身智能之路的基石 。强化学习后训练、