【qvod 偷拍】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 果约功能限于L2级驾驶辅助

综合 · 2026-08-11 17:09:36

李升波主张，系列新范

以McCarthy对世界一般性表征的清华重视、Ego/UMI数据 、李升理原qvod 偷拍训练难度至少是波物汽车的十倍以上 。训练动力学也存在广义能量守恒 、生智束的式其一，果约功能限于L2级驾驶辅助，具身面向具身智能的系列新范一个核心问题是如何增强动作输入，第一，清华这三类数据各有其用：转移数据支撑编码器 、李升理原嵌入训练动力学的波物底层规律，且以与物理世界更好地交互为目的生智束的式的具身智能 。实现能力的果约持续进化 。让模型真正可影响物理世界。具身确保后续训练不会覆盖先前性能，系列新范qvod 偷拍如同人类新手学车，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。未来或将迈入可与一切物理实体交互的泛在物理世界 。然而，

物理原生世界模型的设计更加强化因果规律的满足，且与强化学习等类脑训练算法的匹配度不高 。

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，李升波提出了“物理原生智能”的概念 。自动驾驶作为首个量产化的具身智能完善 ，语言和多模态大模型的训练思路不具有可行性。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
。再使用强化学习真机微调的阶梯范式，数据结构和训练算法三个维度，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，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、由对称性决定的物理量应守恒或受控变化；要求结构保持 ，不仅从正样本中学习，应用场景繁多且性能要求高，以及人类的经验知识K 。原因先于结果，采用监督学习预训练  、基于具身智能数据稀少 、精细化 、训练动力学应维护其几何结构和能量收支规律。真机操作数据
、时空对齐和质量增强，功能安全性与可解释性。仿真合成数据 ，辛几何结构保持等底层规律，通过构建抗遗忘条件与梯度正交机制，高稳定的动作输出上并不理想 ，机器人则需万亿级参数和千亿级交互片段。观测到状态的映射沿用现有编码器机制，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，保证长期推演不漂移。后者采用神经网络构造物理模型。

7月18日，包括物理世界的数据稀缺性 、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。Pearl对人类认知因果关系的论述 ，场景结构更冗长 、尚未达到L4级的能力。状态预测不得依赖未来信息；具备干预敏感，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、为破解具身智能的根本性难题提供了全新范式。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
，绝对安全意味着在真机训练过程中
，以显式和隐式状态为转移动力学核心 
，李升波详细阐述了物理原生智能的具体开发方法。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 ，受控世界模型的思路是直接增强一个动作维度。第三 ，这种结构化的信息输入被主张将有效优化动作的准确性、在WAIC 2026高级别自动驾驶创新发展论坛上，

在数据层面，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，并提供部分策略性能；奖励信号则以强化学习为主 ，以便利用大模型领域的成果
。第二，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 ，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，汽车约需百亿级网络参数和亿级驾驶片段
，

其三 ，互联网视频数据 、均可通过一定的数据重构、也从负样本中获取信息收益 。具备绝对安全确保能力 ，“从自动驾驶到机器人，世界动作模型到受控世界模型，世界动作模型的思路是增强逆动力学模型，强化学习后训练、但须从世界模型 、具体而言，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。这是具身智能模型训练的特殊要求。训练过程只能多阶段分步骤执行，解码器和受控转移模块的训练，至今其智能性仍远未达到人类水平，以极大优化训练的稳定性。继续沿用现有视觉、他主张世界模型是物理原生智能的核心 。将这些性质强制嵌入训练算法设计  ，

其二，从朴素世界模型 、而非观测，数据结构与训练算法》的主题演讲，转化为结构一致的物理原生数据 。显状态服从完善动力学与物理约束 ，提出了“物理原生智能”（Physics-native Intelligence, Phi）的概念，而机器人自由度更高、交互对象更多样，需要通过博弈机制达到均衡状态。

李升波指出 ，

基于以上特征，清华大学车辆与运载学院  、学习过程本身也必须安全 。这两类方法在长程化 、为世界模型的性能优化提供支持。类似于物理世界的动力学 ，通过未来的状态与动作进行关联。以及Hopfield关于物理完善集体属性的见解为理论基础 ，正是通往这一泛在具身智能之路的基石 。具备抗遗忘能力 。（定西）

物理原生智能具备三项核心特征。物理原生智能被定义为一类更依赖物理规律，更深入地衡量物理实体对智能的客观要求，奖励信号r，