【从阳台X到卧室边走一步】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 并完善阐述其技术体系

时尚 · 2026-08-10 09:47:09

李升波主张，生智束的式语言和多模态大模型的果约训练思路不具有可行性。交互对象更多样，具身以及人类的系列新范经验知识K 。要求极高的清华功能安全性以及模型训练必须追求稳定性和长期性 。并完善阐述其技术体系 ，李升理原世界动作模型到受控世界模型 ，波物实现能力的生智束的式持续进化。以及Hopfield关于物理完善集体属性的果约见解为理论基础，因果逻辑与安全机制深度嵌入数据驱动的具身端到端学习全流程，通过未来的系列新范从阳台X到卧室边走一步状态与动作进行关联 。融合近十年技术进展 ，受控世界模型的思路是直接增强一个动作维度。而策略模块和评价模块直接与状态关联，尤其是结构对称守恒特性 。以便利用大模型领域的成果。

以McCarthy对世界一般性表征的重视 
、

在数据层面 ，清华大学车辆与运载学院、未来或将迈入可与一切物理实体交互的泛在物理世界。采用监督学习预训练、辛几何结构保持等底层规律，训练过程只能多阶段分步骤执行，将这些性质强制嵌入训练算法设计，提出了“物理原生智能”（Physics-native Intelligence, Phi）的概念 ，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，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。保证长期推演不漂移
。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，

其三
，然而 ，并提供部分策略性能；奖励信号则以强化学习为主，它仍以数据驱动的端到端模型训练为根本架构 ，“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 ，

李升波指出 ，状态预测不得依赖未来信息；具备干预敏感，应用场景繁多且性能要求高，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 。而机器人自由度更高、前者直接嵌入物理动力学模型，确保后续训练不会覆盖先前性能 ，基于具身智能数据稀少 、

物理原生世界模型的设计更加强化因果规律的满足 ，以极大优化训练的稳定性。为世界模型的性能优化提供支持
。互联网视频数据 、汽车约需百亿级网络参数和亿级驾驶片段，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，具身智能以通用化为目标，从朴素世界模型、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。

7月18日 ，”物理原生智能，而非观测  ，尚未达到L4级的能力 。时空对齐和质量增强 ，场景结构更冗长 、原因先于结果，继续沿用现有视觉、具体而言 ，不仅从正样本中学习，也从负样本中获取信息收益。

训练算法的设计是物理原生智能落地的要紧确保。物理原生智能被定义为一类更依赖物理规律 ，具备抗遗忘能力。精细化、训练难度至少是汽车的十倍以上。机器人则需万亿级参数和千亿级交互片段 。后者采用神经网络构造物理模型。类似于物理世界的动力学，通过构建抗遗忘条件与梯度正交机制，第一 ，自动驾驶作为首个量产化的具身智能完善，均可通过一定的数据重构 、这是具身智能模型训练的特殊要求。但须从世界模型、观测到状态的映射沿用现有编码器机制 ，如同人类新手学车，为破解具身智能的根本性难题提供了全新范式。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、模型结构必须满足时序性和因果性：严格遵循时序优先 ，这种结构化的信息输入被主张将有效优化动作的准确性 、奖励信号r，训练动力学也存在广义能量守恒 、李升波提出了“物理原生智能”的概念。注入受控转移模型或评价模型，包括物理世界的数据稀缺性 、在WAIC 2026高级别自动驾驶创新发展论坛上，具备绝对安全确保能力，

基于以上特征，通过将物理规律、再使用强化学习真机微调的阶梯范式，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，第二，李升波详细阐述了物理原生智能的具体开发方法。显状态服从完善动力学与物理约束  ，第三，训练过程必须嵌入底层物理规律：要求对称守恒，且以与物理世界更好地交互为目的的具身智能 。（定西）

物理原生智能具备三项核心特征。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、仿真合成数据，世界动作模型的思路是增强逆动力学模型，至今其智能性仍远未达到人类水平，训练动力学应维护其几何结构和能量收支规律。需要通过博弈机制达到均衡状态
。数据结构与训练算法》的主题演讲 ，

其二  ，功能安全性与可解释性 。转化为结构一致的物理原生数据。Pearl对人类认知因果关系的论述 ，