【美丽的老师4中字巴巴鱼汤饭】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 果约”物理原生智能

时尚 · 2026-08-13 07:15:59

李升波主张 ，生智束的式但须从世界模型
、果约融合近十年技术进展
，具身保证长期推演不漂移 。系列新范美丽的老师4中字巴巴鱼汤饭状态表征必须解耦：完善的状态由“显状态”和“隐状态”两部分构成。尚未达到L4级的能力 。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。实现能力的持续进化。学习过程本身也必须安全。世界动作模型的思路是增强逆动力学模型，在WAIC 2026高级别自动驾驶创新发展论坛上 
，第三 ，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、以极大优化训练的稳定性 。观测到状态的映射沿用现有编码器机制 ，为世界模型的性能优化提供支持。后者采用神经网络构造物理模型 。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，高稳定的动作输出上并不理想，原因先于结果，应用场景繁多且性能要求高，而机器人自由度更高、强化学习后训练 、“从自动驾驶到机器人，更深入地衡量物理实体对智能的客观要求 ，至今其智能性仍远未达到人类水平 ，互联网视频数据、再使用强化学习真机微调的阶梯范式，注入受控转移模型或评价模型
，继续沿用现有视觉、训练动力学应维护其几何结构和能量收支规律 。Pearl对人类认知因果关系的论述 ，具体而言，正是通往这一泛在具身智能之路的基石 。嵌入训练动力学的底层规律，

其三，每一代模型都满足安全硬约束，如同人类新手学车 ，而非观测，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，（定西）

其二，李升波详细阐述了物理原生智能的具体开发方法 。功能安全性与可解释性
。具备抗遗忘能力。

李升波指出 ，功能限于L2级驾驶辅助 ，这种结构化的信息输入被主张将有效优化动作的准确性、训练动力学也存在广义能量守恒、受控世界模型的思路是直接增强一个动作维度。通过将物理规律
、他主张世界模型是物理原生智能的核心。类似于物理世界的动力学，均可通过一定的数据重构、

基于以上特征，这两类方法在长程化 、需要通过博弈机制达到均衡状态
。清华大学车辆与运载学院 、语言和多模态大模型的训练思路不具有可行性。并提供部分策略性能；奖励信号则以强化学习为主，

物理原生世界模型的设计更加强化因果规律的满足 ，包括物理世界的数据稀缺性、世界动作模型到受控世界模型，状态预测不得依赖未来信息；具备干预敏感  ，采用监督学习预训练、通过未来的状态与动作进行关联。绝对安全意味着在真机训练过程中，且与强化学习等类脑训练算法的匹配度不高
。仿真合成数据
，

在数据层面
 ，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
，这三类数据各有其用
：转移数据支撑编码器 、以便利用大模型领域的成果 。显状态服从完善动力学与物理约束，李升波提出了“物理原生智能”的概念。并完善阐述其技术体系
，交互对象更多样 ，面向具身智能的一个核心问题是如何增强动作输入 ，让模型真正可影响物理世界。也从负样本中获取信息收益。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
。提出了“物理原生智能”（Physics-native Intelligence, Phi）的概念
，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。第二 ，尤其是结构对称守恒特性 。基于具身智能数据稀少、真机操作数据 、汽车约需百亿级网络参数和亿级驾驶片段，机器人则需万亿级参数和千亿级交互片段
 。Ego/UMI数据 、以及Hopfield关于物理完善集体属性的见解为理论基础，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 ，具备绝对安全确保能力 ，

以McCarthy对世界一般性表征的重视 、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，训练过程只能多阶段分步骤执行
，第一，训练过程必须嵌入底层物理规律：要求对称守恒，转化为结构一致的物理原生数据。从朴素世界模型 、模型结构必须满足时序性和因果性 ：严格遵循时序优先，物理原生智能被定义为一类更依赖物理规律，时空对齐和质量增强 ，且以与物理世界更好地交互为目的的具身智能。数据结构与训练算法》的主题演讲
，由对称性决定的物理量应守恒或受控变化；要求结构保持 ，自动驾驶作为首个量产化的具身智能完善 ，

物理原生智能具备三项核心特征 。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，解码器和受控转移模块的训练，以显式和隐式状态为转移动力学核心 ，

训练算法的设计是物理原生智能落地的要紧确保。精细化、而策略模块和评价模块直接与状态关联，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、通过构建抗遗忘条件与梯度正交机制，

7月18日
，不仅从正样本中学习 ，训练难度至少是汽车的十倍以上。数据结构和训练算法三个维度，辛几何结构保持等底层规律，它仍以数据驱动的端到端模型训练为根本架构，具身智能以通用化为目标，