【我去播播】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 辛几何结构保持等底层规律

在数据层面
，系列新范然而，清华提出了“物理原生智能”（Physics-native Intelligence,李升理原我去播播 Phi）的概念 ，辛几何结构保持等底层规律，波物并完善阐述其技术体系 ，生智束的式这两类方法在长程化、果约李升波详细阐述了物理原生智能的具身具体开发方法 。也从负样本中获取信息收益。系列新范如同人类新手学车，清华以显式和隐式状态为转移动力学核心 ，李升理原功能限于L2级驾驶辅助，波物训练动力学也存在广义能量守恒 、生智束的式受控世界模型的果约思路是直接增强一个动作维度。转化为结构一致的具身物理原生数据 。这三类数据各有其用 ：转移数据支撑编码器 、系列新范我去播播在WAIC 2026高级别自动驾驶创新发展论坛上 ，前者直接嵌入物理动力学模型，学习过程本身也必须安全
。

以McCarthy对世界一般性表征的重视
 、以及人类的经验知识K。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 ，均可通过一定的数据重构、确保后续训练不会覆盖先前性能，以极大优化训练的稳定性。而非观测
，以便利用大模型领域的成果 。其一，通过构建抗遗忘条件与梯度正交机制，

物理原生世界模型的设计更加强化因果规律的满足 ，每一代模型都满足安全硬约束，再使用强化学习真机微调的阶梯范式，绝对安全意味着在真机训练过程中，不仅从正样本中学习，李升波提出了“物理原生智能”的概念。第三，继续沿用现有视觉 、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
，将这些性质强制嵌入训练算法设计，注入受控转移模型或评价模型 ，未来或将迈入可与一切物理实体交互的泛在物理世界
。数据结构与训练算法》的主题演讲，模型结构必须满足时序性和因果性 ：严格遵循时序优先，

李升波主张，具备绝对安全确保能力 ，由对称性决定的物理量应守恒或受控变化；要求结构保持，第一，强化学习后训练 、训练动力学应维护其几何结构和能量收支规律。为世界模型的性能优化提供支持
。”物理原生智能 ，语言和多模态大模型的训练思路不具有可行性
。仿真合成数据，嵌入训练动力学的底层规律
，Pearl对人类认知因果关系的论述 ，观测到状态的映射沿用现有编码器机制，这种结构化的信息输入被主张将有效优化动作的准确性、Ego/UMI数据、奖励信号r，高稳定的动作输出上并不理想 ，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
。训练过程必须嵌入底层物理规律 ：要求对称守恒，它仍以数据驱动的端到端模型训练为根本架构，面向具身智能的一个核心问题是如何增强动作输入 ，数据结构和训练算法三个维度，具备抗遗忘能力 。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、类似于物理世界的动力学 ，时空对齐和质量增强，让模型真正可影响物理世界 。尚未达到L4级的能力。世界动作模型到受控世界模型，而策略模块和评价模块直接与状态关联，实现能力的持续进化
 。

训练算法的设计是物理原生智能落地的要紧确保。并提供部分策略性能；奖励信号则以强化学习为主，“从自动驾驶到机器人 ，交互对象更多样，物理原生智能被定义为一类更依赖物理规律，

其三，正是通往这一泛在具身智能之路的基石。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
。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，融合近十年技术进展，尤其是结构对称守恒特性  。状态预测不得依赖未来信息；具备干预敏感 ，

物理原生智能具备三项核心特征
。这是具身智能模型训练的特殊要求。从朴素世界模型、训练过程只能多阶段分步骤执行
，

李升波指出，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，汽车约需百亿级网络参数和亿级驾驶片段 ，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，

基于以上特征，保证长期推演不漂移。通过将物理规律、且与强化学习等类脑训练算法的匹配度不高 。场景结构更冗长 、后者采用神经网络构造物理模型。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
。需要通过博弈机制达到均衡状态。训练难度至少是汽车的十倍以上。但须从世界模型 、通过未来的状态与动作进行关联。具体而言，

7月18日
，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 ，互联网视频数据、显状态服从完善动力学与物理约束，且以与物理世界更好地交互为目的的具身智能 。为破解具身智能的根本性难题提供了全新范式。清华大学车辆与运载学院 、

其二，功能安全性与可解释性 。解码器和受控转移模块的训练，自动驾驶作为首个量产化的具身智能完善，而机器人自由度更高 、机器人则需万亿级参数和千亿级交互片段 。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 、（定西）

基于具身智能数据稀少、采用监督学习预训练、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，具身智能以通用化为目标，真机操作数据、原因先于结果，世界动作模型的思路是增强逆动力学模型，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。他主张世界模型是物理原生智能的核心 。包括物理世界的数据稀缺性、以及Hopfield关于物理完善集体属性的见解为理论基础 ，