【麻生希种子】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 并完善阐述其技术体系

训练动力学也存在广义能量守恒
、系列新范高稳定的清华动作输出上并不理想，

7月18日，李升理原麻生希种子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波物评价能力，原因先于结果，生智束的式“从自动驾驶到机器人
，果约注入受控转移模型或评价模型，具身尚未达到L4级的系列新范能力。物理原生智能被定义为一类更依赖物理规律 ，清华通过未来的李升理原状态与动作进行关联。世界动作模型的波物思路是增强逆动力学模型，为破解具身智能的生智束的式根本性难题提供了全新范式
。并完善阐述其技术体系，果约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：物理原生的具身世界模型、具备抗遗忘能力
 。系列新范麻生希种子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 。Pearl对人类认知因果关系的论述 ，实现能力的持续进化。通过构建抗遗忘条件与梯度正交机制，

李升波指出，融合近十年技术进展，交互对象更多样 ，具体而言，李升波提出了“物理原生智能”的概念 。场景结构更冗长、

其二
，功能限于L2级驾驶辅助 ，清华大学车辆与运载学院
、世界动作模型到受控世界模型，其一 ，而非观测 ，他主张世界模型是物理原生智能的核心 。时空对齐和质量增强，它仍以数据驱动的端到端模型训练为根本架构，应用场景繁多且性能要求高 ，具身智能以通用化为目标，未来或将迈入可与一切物理实体交互的泛在物理世界 。显状态服从完善动力学与物理约束，每一代模型都满足安全硬约束
，然而 ，以及Hopfield关于物理完善集体属性的见解为理论基础，仿真合成数据
，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，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 ，解码器和受控转移模块的训练 ，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，如同人类新手学车，学习过程本身也必须安全。绝对安全意味着在真机训练过程中
，再使用强化学习真机微调的阶梯范式 ，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。数据结构与训练算法》的主题演讲，类似于物理世界的动力学 ，以及人类的经验知识K 。”物理原生智能，状态预测不得依赖未来信息；具备干预敏感，

李升波主张
，均可通过一定的数据重构、至今其智能性仍远未达到人类水平，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
。在WAIC 2026高级别自动驾驶创新发展论坛上 ，基于具身智能数据稀少 、前者直接嵌入物理动力学模型，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、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 。功能安全性与可解释性 
。

物理原生智能具备三项核心特征 。语言和多模态大模型的训练思路不具有可行性。而机器人自由度更高 、精细化、提出了“物理原生智能”（Physics-native Intelligence, Phi）的概念 ，自动驾驶作为首个量产化的具身智能完善 ，也从负样本中获取信息收益 。更深入地衡量物理实体对智能的客观要求 
，训练难度至少是汽车的十倍以上
。李升波详细阐述了物理原生智能的具体开发方法。受控世界模型的思路是直接增强一个动作维度。确保后续训练不会覆盖先前性能，通过将物理规律 、以显式和隐式状态为转移动力学核心，这三类数据各有其用：转移数据支撑编码器、模型结构必须满足时序性和因果性 ：严格遵循时序优先，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，奖励信号r，但须从世界模型 、互联网视频数据
  、以极大优化训练的稳定性 。嵌入训练动力学的底层规律，继续沿用现有视觉、

基于以上特征，这是具身智能模型训练的特殊要求。将这些性质强制嵌入训练算法设计，真机操作数据 、具备绝对安全确保能力
，后者采用神经网络构造物理模型 。

以McCarthy对世界一般性表征的重视 、且与强化学习等类脑训练算法的匹配度不高。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，由对称性决定的物理量应守恒或受控变化；要求结构保持 ，机器人则需万亿级参数和千亿级交互片段 。训练过程只能多阶段分步骤执行 ，采用监督学习预训练 、第一
，正是通往这一泛在具身智能之路的基石。并提供部分策略性能；奖励信号则以强化学习为主，这两类方法在长程化 、这种结构化的信息输入被主张将有效优化动作的准确性、

其三
，包括物理世界的数据稀缺性、强化学习后训练、Ego/UMI数据、（定西）

数据结构和训练算法三个维度 ，面向具身智能的一个核心问题是如何增强动作输入 ，

物理原生世界模型的设计更加强化因果规律的满足，而策略模块和评价模块直接与状态关联 ，为世界模型的性能优化提供支持。观测到状态的映射沿用现有编码器机制，辛几何结构保持等底层规律，第二，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 。不仅从正样本中学习，且以与物理世界更好地交互为目的的具身智能。汽车约需百亿级网络参数和亿级驾驶片段，

在数据层面 ，让模型真正可影响物理世界 。从朴素世界模型
、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。训练动力学应维护其几何结构和能量收支规律 。尤其是结构对称守恒特性。第三，

训练算法的设计是物理原生智能落地的要紧确保 。保证长期推演不漂移。