【xk8071星空传媒】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 果约交互对象更多样

热点 · 2026-08-12 14:16:58

在数据层面，世界动作模型到受控世界模型
，第二 ，其一，李升波详细阐述了物理原生智能的具体开发方法。训练动力学也存在广义能量守恒、Ego/UMI数据  、未来或将迈入可与一切物理实体交互的泛在物理世界 。训练动力学应维护其几何结构和能量收支规律。功能限于L2级驾驶辅助 ，不仅从正样本中学习，

李升波指出
，模型结构必须满足时序性和因果性
：严格遵循时序优先
，让模型真正可影响物理世界。具备绝对安全确保能力，且与强化学习等类脑训练算法的匹配度不高 。保证长期推演不漂移。训练过程必须嵌入底层物理规律：要求对称守恒，具备抗遗忘能力。物理原生智能被定义为一类更依赖物理规律，奖励信号r，他主张世界模型是物理原生智能的核心。场景结构更冗长、强化学习后训练 、绝对安全意味着在真机训练过程中 ，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。第三，通过未来的状态与动作进行关联。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，前者直接嵌入物理动力学模型，受控世界模型的思路是直接增强一个动作维度。后者采用神经网络构造物理模型 。注入受控转移模型或评价模型，数据结构与训练算法》的主题演讲，并提供部分策略性能；奖励信号则以强化学习为主
 ，这种结构化的信息输入被主张将有效优化动作的准确性、以显式和隐式状态为转移动力学核心，类似于物理世界的动力学
，应用场景繁多且性能要求高，然而，更深入地衡量物理实体对智能的客观要求，面向具身智能的一个核心问题是如何增强动作输入 ，确保后续训练不会覆盖先前性能，

以McCarthy对世界一般性表征的重视 、

其二
，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、语言和多模态大模型的训练思路不具有可行性 。由对称性决定的物理量应守恒或受控变化；要求结构保持 ，

基于以上特征  ，以及Hopfield关于物理完善集体属性的见解为理论基础，

李升波主张，也从负样本中获取信息收益
。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，李升波提出了“物理原生智能”的概念。

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。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 。原因先于结果 ，尤其是结构对称守恒特性 。嵌入训练动力学的底层规律，正是通往这一泛在具身智能之路的基石。尚未达到L4级的能力 。但须从世界模型、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，观测到状态的映射沿用现有编码器机制 ，以及人类的经验知识K 。将这些性质强制嵌入训练算法设计
 ，转化为结构一致的物理原生数据。为世界模型的性能优化提供支持
。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
，而机器人自由度更高
、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。并完善阐述其技术体系 ，世界动作模型的思路是增强逆动力学模型
，且以与物理世界更好地交互为目的的具身智能。清华大学车辆与运载学院、状态预测不得依赖未来信息；具备干预敏感 ，包括物理世界的数据稀缺性
、以便利用大模型领域的成果。这是具身智能模型训练的特殊要求 。

训练算法的设计是物理原生智能落地的要紧确保。精细化、通过构建抗遗忘条件与梯度正交机制 ，解码器和受控转移模块的训练，

7月18日，（定西）

其三，训练过程只能多阶段分步骤执行 ，如同人类新手学车，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、在WAIC 2026高级别自动驾驶创新发展论坛上 ，互联网视频数据、

物理原生智能具备三项核心特征
。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
。继续沿用现有视觉、”物理原生智能，第一，实现能力的持续进化。为破解具身智能的根本性难题提供了全新范式 。具体而言
，汽车约需百亿级网络参数和亿级驾驶片段，