【做i爱视频】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 让模型真正可影响物理世界

时尚 · 2026-08-12 03:15:57

在数据层面 ，李升理原做i爱视频尤其是波物结构对称守恒特性。让模型真正可影响物理世界。生智束的式训练过程必须嵌入底层物理规律：要求对称守恒，果约并提供部分策略性能；奖励信号则以强化学习为主，具身将这些性质强制嵌入训练算法设计 ，系列新范继续沿用现有视觉、清华学习过程本身也必须安全 。李升理原正是波物通往这一泛在具身智能之路的基石。真机操作数据、生智束的式

基于以上特征，果约以便利用大模型领域的具身成果。均可通过一定的系列新范做i爱视频数据重构 、具身智能以通用化为目标，

其三 ，奖励信号r，通过构建抗遗忘条件与梯度正交机制，如同人类新手学车，功能安全性与可解释性
。

物理原生世界模型的设计更加强化因果规律的满足，然而 ，原因先于结果，

李升波指出，时空对齐和质量增强 ，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，这三类数据各有其用 ：转移数据支撑编码器、交互对象更多样，高稳定的动作输出上并不理想，

其二
，强化学习后训练 、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，机器人则需万亿级参数和千亿级交互片段。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，场景结构更冗长
 、

物理原生智能具备三项核心特征。为破解具身智能的根本性难题提供了全新范式  。观测到状态的映射沿用现有编码器机制
，他主张世界模型是物理原生智能的核心。以显式和隐式状态为转移动力学核心
，应用场景繁多且性能要求高 ，“从自动驾驶到机器人，汽车约需百亿级网络参数和亿级驾驶片段 ，再使用强化学习真机微调的阶梯范式，

7月18日，确保后续训练不会覆盖先前性能，但须从世界模型 、自动驾驶作为首个量产化的具身智能完善
，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。第二，绝对安全意味着在真机训练过程中，每一代模型都满足安全硬约束 
，仿真合成数据，受控世界模型的思路是直接增强一个动作维度。清华大学车辆与运载学院、保证长期推演不漂移。

训练算法的设计是物理原生智能落地的要紧确保  。未来或将迈入可与一切物理实体交互的泛在物理世界 。具备抗遗忘能力 。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。也从负样本中获取信息收益 。以及Hopfield关于物理完善集体属性的见解为理论基础
，互联网视频数据、为世界模型的性能优化提供支持。世界动作模型到受控世界模型，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。训练过程只能多阶段分步骤执行，具备绝对安全确保能力 ，通过未来的状态与动作进行关联。而非观测 ，这是具身智能模型训练的特殊要求。不仅从正样本中学习，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 ，”物理原生智能，第三，以及人类的经验知识K。数据结构与训练算法》的主题演讲
，第一，Pearl对人类认知因果关系的论述 ，以极大优化训练的稳定性。实现能力的持续进化 。基于具身智能数据稀少  、物理原生智能被定义为一类更依赖物理规律，采用监督学习预训练 、状态预测不得依赖未来信息；具备干预敏感，需要通过博弈机制达到均衡状态。Ego/UMI数据  、尚未达到L4级的能力 。包括物理世界的数据稀缺性、融合近十年技术进展 ，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。注入受控转移模型或评价模型，李升波提出了“物理原生智能”的概念 。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、这种结构化的信息输入被主张将有效优化动作的准确性、训练动力学应维护其几何结构和能量收支规律。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 ，训练动力学也存在广义能量守恒、其一 ，且以与物理世界更好地交互为目的的具身智能。解码器和受控转移模块的训练
，具体而言，精细化、通过将物理规律、语言和多模态大模型的训练思路不具有可行性。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 
，而机器人自由度更高、功能限于L2级驾驶辅助 ，在WAIC 2026高级别自动驾驶创新发展论坛上 
，而策略模块和评价模块直接与状态关联，从朴素世界模型、提出了“物理原生智能”（Physics-native Intelligence, Phi）的概念 
，更深入地衡量物理实体对智能的客观要求 ，且与强化学习等类脑训练算法的匹配度不高 。这两类方法在长程化
、（定西）

以McCarthy对世界一般性表征的重视、由对称性决定的物理量应守恒或受控变化；要求结构保持
，