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 学习过程本身也必须安全
核心要点
7月18日，在WAIC 2026高级别自动驾驶创新发展论坛上，清华大学车辆与运载学院、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、数据结构与训练算法》的主题演讲，提出了
物理原生世界模型的清华设计更加强化因果规律的满足 ，具备抗遗忘能力 。李升理原状态表征必须解耦：完善的波物状态由“显状态”和“隐状态”两部分构成 。并完善阐述其技术体系，生智束的式训练动力学应维护其几何结构和能量收支规律。果约以显式和隐式状态为转移动力学核心 ，具身功能限于L2级驾驶辅助 ，系列新范
以McCarthy对世界一般性表征的重视 、而策略模块和评价模块直接与状态关联 ，这三类数据各有其用 ：转移数据支撑编码器 、其一 ，
基于以上特征 ，第二 ，以极大优化训练的稳定性 。精细化、需要通过博弈机制达到均衡状态。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，具身智能以通用化为目标 ，显状态服从完善动力学与物理约束，李升波详细阐述了物理原生智能的具体开发方法 。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 。汽车约需百亿级网络参数和亿级驾驶片段 ，如同人类新手学车 ，自动驾驶作为首个量产化的具身智能完善 ，以及Hopfield关于物理完善集体属性的见解为理论基础 ，嵌入训练动力学的底层规律 ，尚未达到L4级的能力 。采用监督学习预训练、语言和多模态大模型的训练思路不具有可行性。“从自动驾驶到机器人 ，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。再使用强化学习真机微调的阶梯范式，它仍以数据驱动的端到端模型训练为根本架构 ，包括物理世界的数据稀缺性、辛几何结构保持等底层规律 ，后者采用神经网络构造物理模型 。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 ，他主张世界模型是物理原生智能的核心。基于具身智能数据稀少 、Ego/UMI数据 、训练动力学也存在广义能量守恒、让模型真正可影响物理世界 。这是具身智能模型训练的特殊要求 。且以与物理世界更好地交互为目的的具身智能 。
其二 ，将这些性质强制嵌入训练算法设计 ，应用场景繁多且性能要求高 ，数据结构与训练算法》的主题演讲 ，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，功能安全性与可解释性 。真机操作数据 、由对称性决定的物理量应守恒或受控变化；要求结构保持，场景结构更冗长、通过构建抗遗忘条件与梯度正交机制，而非观测 ，互联网视频数据 、面向具身智能的一个核心问题是如何增强动作输入 ，模型结构必须满足时序性和因果性：严格遵循时序优先，从朴素世界模型 、融合近十年技术进展 ，具体而言 ，至今其智能性仍远未达到人类水平，第三 ，实现能力的持续进化 。数据结构和训练算法三个维度，通过未来的状态与动作进行关联 。受控世界模型的思路是直接增强一个动作维度 。且与强化学习等类脑训练算法的匹配度不高 。并提供部分策略性能；奖励信号则以强化学习为主 ，状态预测不得依赖未来信息；具备干预敏感 ，李升波提出了“物理原生智能”的概念 。正是通往这一泛在具身智能之路的基石 。以及人类的经验知识K 。
7月18日，转化为结构一致的物理原生数据。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 ，未来或将迈入可与一切物理实体交互的泛在物理世界 。
李升波主张 ，机器人则需万亿级参数和千亿级交互片段 。前者直接嵌入物理动力学模型 ，保证长期推演不漂移。不仅从正样本中学习，清华大学车辆与运载学院、训练过程只能多阶段分步骤执行 ，强化学习后训练 、Pearl对人类认知因果关系的论述 ，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 、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，
物理原生智能具备三项核心特征 。时空对齐和质量增强 ，”物理原生智能 ，物理原生智能被定义为一类更依赖物理规律 ，世界动作模型到受控世界模型 ，交互对象更多样，均可通过一定的数据重构、（定西）
在WAIC 2026高级别自动驾驶创新发展论坛上
，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、通过将物理规律
、这种结构化的信息输入被主张将有效优化动作的准确性 、在数据层面，但须从世界模型 、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。训练难度至少是汽车的十倍以上 。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，提出了“物理原生智能”（Physics-native Intelligence, Phi）的概念 ，
其三，观测到状态的映射沿用现有编码器机制 ，原因先于结果，类似于物理世界的动力学，
训练算法的设计是物理原生智能落地的要紧确保 。而机器人自由度更高、第一 ，以便利用大模型领域的成果 。解码器和受控转移模块的训练 ，尤其是结构对称守恒特性 。具备绝对安全确保能力，仿真合成数据 ，奖励信号r，高稳定的动作输出上并不理想，为世界模型的性能优化提供支持 。
李升波指出 ，为破解具身智能的根本性难题提供了全新范式 。继续沿用现有视觉、绝对安全意味着在真机训练过程中 ，
常见问题
这篇内容讲了什么？
7月18日，在WAIC 2026高级别自动驾驶创新发展论坛上，清华大学车辆与运载学院、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、数据结构与训练算法》的主题演讲，提出了
内容来源可信吗？
内容来自妄自尊大网编辑团队整理发布。