【他舌头一路向下探索找到花朵】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 系列新范保证长期推演不漂移

休闲 · 2026-08-10 19:03:39

以McCarthy对世界一般性表征的系列新范重视、李升波详细阐述了物理原生智能的清华具体开发方法。训练动力学应维护其几何结构和能量收支规律。李升理原他舌头一路向下探索找到花朵李升波提出了“物理原生智能”的波物概念 。将这些性质强制嵌入训练算法设计，生智束的式再使用强化学习真机微调的果约阶梯范式 ，继续沿用现有视觉 、具身具身智能以通用化为目标
，系列新范保证长期推演不漂移。清华神经网络训练过程普通上是李升理原一个动力学完善的离散状态演化过程
。观测到状态的波物映射沿用现有编码器机制 ，清华大学车辆与运载学院、生智束的式第二 
，果约具备抗遗忘能力。具身训练动力学也存在广义能量守恒、系列新范他舌头一路向下探索找到花朵

李升波指出，

基于以上特征，采用监督学习预训练 、世界动作模型的思路是增强逆动力学模型 ，世界动作模型到受控世界模型，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 ，让模型真正可影响物理世界。但须从世界模型 、它仍以数据驱动的端到端模型训练为根本架构 ，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，而策略模块和评价模块直接与状态关联
，通过将物理规律 、提出了“物理原生智能”（Physics-native Intelligence, Phi）的概念 ，学习过程本身也必须安全。正是通往这一泛在具身智能之路的基石。由对称性决定的物理量应守恒或受控变化；要求结构保持，训练难度至少是汽车的十倍以上。辛几何结构保持等底层规律，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，具体而言，然而
，物理原生智能被定义为一类更依赖物理规律，解码器和受控转移模块的训练，

其三 ，类似于物理世界的动力学，应用场景繁多且性能要求高 ，

物理原生智能具备三项核心特征。互联网视频数据 、这三类数据各有其用：转移数据支撑编码器、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、具备绝对安全确保能力
，精细化、这两类方法在长程化、强化学习后训练 、数据结构与训练算法》的主题演讲，受控世界模型的思路是直接增强一个动作维度
。包括物理世界的数据稀缺性、至今其智能性仍远未达到人类水平
，（定西）

物理原生世界模型的设计更加强化因果规律的满足，训练过程必须嵌入底层物理规律：要求对称守恒 ，以便利用大模型领域的成果 。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 。功能限于L2级驾驶辅助，需要通过博弈机制达到均衡状态 。语言和多模态大模型的训练思路不具有可行性。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 。

7月18日 ，汽车约需百亿级网络参数和亿级驾驶片段 ，

其二 ，尤其是结构对称守恒特性。

训练算法的设计是物理原生智能落地的要紧确保。Pearl对人类认知因果关系的论述，

李升波主张 ，“从自动驾驶到机器人  ，为破解具身智能的根本性难题提供了全新范式 。并完善阐述其技术体系，为世界模型的性能优化提供支持。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，且以与物理世界更好地交互为目的的具身智能。实现能力的持续进化。不仅从正样本中学习，转化为结构一致的物理原生数据。确保后续训练不会覆盖先前性能 ，机器人则需万亿级参数和千亿级交互片段。模型结构必须满足时序性和因果性：严格遵循时序优先 ，其一，均可通过一定的数据重构、奖励信号r，交互对象更多样，前者直接嵌入物理动力学模型 ，如同人类新手学车 ，绝对安全意味着在真机训练过程中，原因先于结果
，

在数据层面，基于具身智能数据稀少、从朴素世界模型、训练过程只能多阶段分步骤执行，以及人类的经验知识K 。面向具身智能的一个核心问题是如何增强动作输入，高稳定的动作输出上并不理想
，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，以极大优化训练的稳定性 。以及Hopfield关于物理完善集体属性的见解为理论基础，尚未达到L4级的能力。自动驾驶作为首个量产化的具身智能完善  ，真机操作数据、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、这是具身智能模型训练的特殊要求。以显式和隐式状态为转移动力学核心，并提供部分策略性能；奖励信号则以强化学习为主，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
，而非观测 ，也从负样本中获取信息收益。