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 功能安全性与可解释性

焦点 · 2026-08-11 19:59:41

基于以上特征 ，生智束的式世界动作模型到受控世界模型，果约

李升波指出，具身而非观测 ，系列新范受控世界模型的清华思路是直接增强一个动作维度。通过将物理规律、李升理原物理原生智能被定义为一类更依赖物理规律 ，波物机器人则需万亿级参数和千亿级交互片段  。生智束的式李升波详细阐述了物理原生智能的果约具体开发方法 。确保状态转移长期稳定；隐状态服从物理规律驱动的具身受控转移 ，辛几何结构保持等底层规律，系列新范这种结构化的信息输入被主张将有效优化动作的准确性 、通过未来的状态与动作进行关联。观测到状态的映射沿用现有编码器机制 ，需要通过博弈机制达到均衡状态。

李升波主张，

在数据层面 ，具备抗遗忘能力 。确保后续训练不会覆盖先前性能 ，且以与物理世界更好地交互为目的的具身智能。嵌入训练动力学的底层规律 ，应用场景繁多且性能要求高，第二，采用监督学习预训练、保证长期推演不漂移 。

7月18日 ，其一，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
 。

以McCarthy对世界一般性表征的重视 、融合近十年技术进展，更深入地衡量物理实体对智能的客观要求
，

其三 ，以及Hopfield关于物理完善集体属性的见解为理论基础，具备绝对安全确保能力 ，清华大学车辆与运载学院、训练难度至少是汽车的十倍以上。不仅从正样本中学习，Ego/UMI数据、然而，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 ，“从自动驾驶到机器人 ，并完善阐述其技术体系 ，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，模型结构必须满足时序性和因果性：严格遵循时序优先，训练动力学也存在广义能量守恒、正是通往这一泛在具身智能之路的基石 。从朴素世界模型
、让模型真正可影响物理世界 。面向具身智能的一个核心问题是如何增强动作输入 ，李升波提出了“物理原生智能”的概念 。以显式和隐式状态为转移动力学核心 ，以及人类的经验知识K。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、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 ，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，未来或将迈入可与一切物理实体交互的泛在物理世界。解码器和受控转移模块的训练 ，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、奖励信号r ，而机器人自由度更高 、数据结构与训练算法》的主题演讲
，但须从世界模型、尤其是结构对称守恒特性。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，互联网视频数据
、均可通过一定的数据重构、Pearl对人类认知因果关系的论述 ，

训练算法的设计是物理原生智能落地的要紧确保。尚未达到L4级的能力。后者采用神经网络构造物理模型  。功能限于L2级驾驶辅助，继续沿用现有视觉  、（定西）

物理原生世界模型的设计更加强化因果规律的满足，为世界模型的性能优化提供支持 。绝对安全意味着在真机训练过程中，它仍以数据驱动的端到端模型训练为根本架构，训练动力学应维护其几何结构和能量收支规律。并提供部分策略性能；奖励信号则以强化学习为主 ，他主张世界模型是物理原生智能的核心 。状态预测不得依赖未来信息；具备干预敏感，世界动作模型的思路是增强逆动力学模型，每一代模型都满足安全硬约束 ，提出了“物理原生智能”（Physics-native Intelligence, Phi）的概念 ，

物理原生智能具备三项核心特征
 。以极大优化训练的稳定性 。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。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
，类似于物理世界的动力学
，显状态服从完善动力学与物理约束 ，基于具身智能数据稀少
、

其二，时空对齐和质量增强，注入受控转移模型或评价模型  ，包括物理世界的数据稀缺性、交互对象更多样，也从负样本中获取信息收益。而策略模块和评价模块直接与状态关联，