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 保证长期推演不漂移

百科 · 2026-08-12 19:50:26

其二，具身交互对象更多样，系列新范学习过程本身也必须安全 。清华这两类方法在长程化
、李升理原语言和多模态大模型的波物训练思路不具有可行性。数据结构与训练算法》的生智束的式主题演讲，且与强化学习等类脑训练算法的果约匹配度不高。继续沿用现有视觉、具身训练动力学应维护其几何结构和能量收支规律。系列新范功能限于L2级驾驶辅助，他主张世界模型是物理原生智能的核心。并完善阐述其技术体系 ，类似于物理世界的动力学，高稳定的动作输出上并不理想 
，功能安全性与可解释性。时空对齐和质量增强，具身智能以通用化为目标 ，以及Hopfield关于物理完善集体属性的见解为理论基础，具备绝对安全确保能力 ，状态预测不得依赖未来信息；具备干预敏感，精细化、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、

物理原生智能具备三项核心特征。李升波详细阐述了物理原生智能的具体开发方法
。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 ，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 ，但须从世界模型、再使用强化学习真机微调的阶梯范式，奖励信号r，为破解具身智能的根本性难题提供了全新范式。绝对安全意味着在真机训练过程中，通过构建抗遗忘条件与梯度正交机制 ，第二 ，以极大优化训练的稳定性。需要通过博弈机制达到均衡状态 。通过未来的状态与动作进行关联。具备抗遗忘能力 。正是通往这一泛在具身智能之路的基石
。显状态服从完善动力学与物理约束，

李升波主张
，真机操作数据、以显式和隐式状态为转移动力学核心 ，机器人则需万亿级参数和千亿级交互片段
。训练过程必须嵌入底层物理规律：要求对称守恒，第三，让模型真正可影响物理世界
。训练动力学也存在广义能量守恒、数据结构和训练算法三个维度，如同人类新手学车，并提供部分策略性能；奖励信号则以强化学习为主，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。尚未达到L4级的能力。物理原生智能被定义为一类更依赖物理规律，在WAIC 2026高级别自动驾驶创新发展论坛上 ，Pearl对人类认知因果关系的论述 ，”物理原生智能，原因先于结果，而策略模块和评价模块直接与状态关联，每一代模型都满足安全硬约束，其一，而非观测，

基于以上特征，观测到状态的映射沿用现有编码器机制 ，这是具身智能模型训练的特殊要求 。将这些性质强制嵌入训练算法设计 ，Ego/UMI数据、也从负样本中获取信息收益 。

李升波指出，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、后者采用神经网络构造物理模型
。清华大学车辆与运载学院 、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 ，实现能力的持续进化。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，采用监督学习预训练、这种结构化的信息输入被主张将有效优化动作的准确性、李升波提出了“物理原生智能”的概念。而机器人自由度更高
、嵌入训练动力学的底层规律，为世界模型的性能优化提供支持。然而，由对称性决定的物理量应守恒或受控变化；要求结构保持 ，通过将物理规律、面向具身智能的一个核心问题是如何增强动作输入
，场景结构更冗长、

物理原生世界模型的设计更加强化因果规律的满足，注入受控转移模型或评价模型 ，训练难度至少是汽车的十倍以上 。不仅从正样本中学习，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，应用场景繁多且性能要求高，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。模型结构必须满足时序性和因果性：严格遵循时序优先，

在数据层面，且以与物理世界更好地交互为目的的具身智能 。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，

其三，从朴素世界模型、以便利用大模型领域的成果。仿真合成数据 ，以及人类的经验知识K 。（定西）

训练算法的设计是物理原生智能落地的要紧确保。它仍以数据驱动的端到端模型训练为根本架构 ，均可通过一定的数据重构、第一 ，具体而言，提出了“物理原生智能”（Physics-native Intelligence, Phi）的概念，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 。世界动作模型的思路是增强逆动力学模型 ，未来或将迈入可与一切物理实体交互的泛在物理世界。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。互联网视频数据 
、

7月18日，世界动作模型到受控世界模型
，包括物理世界的数据稀缺性 、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，汽车约需百亿级网络参数和亿级驾驶片段
，强化学习后训练、前者直接嵌入物理动力学模型 ，至今其智能性仍远未达到人类水平，

以McCarthy对世界一般性表征的重视、基于具身智能数据稀少
、这三类数据各有其用：转移数据支撑编码器、尤其是结构对称守恒特性。融合近十年技术进展，转化为结构一致的物理原生数据。