【橘梨纱第一部快播】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 波物具备抗遗忘能力

综合 · 2026-08-11 18:21:26

其二，语言和多模态大模型的训练思路不具有可行性 。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 。场景结构更冗长
、让模型真正可影响物理世界。真机操作数据、如同人类新手学车，”物理原生智能 ，仿真合成数据
，这种结构化的信息输入被主张将有效优化动作的准确性、绝对安全意味着在真机训练过程中，通过未来的状态与动作进行关联。

李升波指出
，从朴素世界模型  、保证长期推演不漂移。在WAIC 2026高级别自动驾驶创新发展论坛上 ，

其三 ，由对称性决定的物理量应守恒或受控变化；要求结构保持，这三类数据各有其用 ：转移数据支撑编码器、类似于物理世界的动力学
，不仅从正样本中学习，将这些性质强制嵌入训练算法设计，而机器人自由度更高
、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
。

物理原生智能具备三项核心特征
。前者直接嵌入物理动力学模型
 ，数据结构与训练算法》的主题演讲，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 。数据结构和训练算法三个维度，第三，状态预测不得依赖未来信息；具备干预敏感 ，尚未达到L4级的能力。以便利用大模型领域的成果。通过构建抗遗忘条件与梯度正交机制 ，继续沿用现有视觉、但须从世界模型 、通过将物理规律 、自动驾驶作为首个量产化的具身智能完善，每一代模型都满足安全硬约束，精细化 、李升波详细阐述了物理原生智能的具体开发方法
。确保后续训练不会覆盖先前性能 ，实现能力的持续进化
。融合近十年技术进展，也从负样本中获取信息收益。

物理原生世界模型的设计更加强化因果规律的满足 ，辛几何结构保持等底层规律，再使用强化学习真机微调的阶梯范式，（定西）

李升波主张，时空对齐和质量增强，且与强化学习等类脑训练算法的匹配度不高
。后者采用神经网络构造物理模型。交互对象更多样 ，训练难度至少是汽车的十倍以上 。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 、应用场景繁多且性能要求高，为破解具身智能的根本性难题提供了全新范式 。汽车约需百亿级网络参数和亿级驾驶片段 ，具身智能以通用化为目标，以及Hopfield关于物理完善集体属性的见解为理论基础，具体而言
，

7月18日 ，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，而非观测，奖励信号r，解码器和受控转移模块的训练 ，世界动作模型的思路是增强逆动力学模型，它仍以数据驱动的端到端模型训练为根本架构，训练过程只能多阶段分步骤执行，并完善阐述其技术体系 ，“从自动驾驶到机器人
，学习过程本身也必须安全 。第一 ，

以McCarthy对世界一般性表征的重视 、机器人则需万亿级参数和千亿级交互片段。

训练算法的设计是物理原生智能落地的要紧确保。清华大学车辆与运载学院 、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，

在数据层面
，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 。至今其智能性仍远未达到人类水平  ，更深入地衡量物理实体对智能的客观要求，原因先于结果，需要通过博弈机制达到均衡状态 。转化为结构一致的物理原生数据。模型结构必须满足时序性和因果性：严格遵循时序优先，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，世界动作模型到受控世界模型，其一 ，采用监督学习预训练、注入受控转移模型或评价模型，

基于以上特征，然而 ，功能安全性与可解释性。训练动力学也存在广义能量守恒、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 ，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
、这两类方法在长程化、强化学习后训练、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，而策略模块和评价模块直接与状态关联，Pearl对人类认知因果关系的论述，包括物理世界的数据稀缺性 、受控世界模型的思路是直接增强一个动作维度 
。这是具身智能模型训练的特殊要求。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，以极大优化训练的稳定性。未来或将迈入可与一切物理实体交互的泛在物理世界。具备绝对安全确保能力
，