【三个老汉一起弄我小说】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

焦点 · 2026-08-13 11:48:28

7月18日
，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
。Ego/UMI数据、李升波提出了“物理原生智能”的概念。

在数据层面 ，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 ，数据结构与训练算法》的主题演讲，嵌入训练动力学的底层规律，他主张世界模型是物理原生智能的核心  。转化为结构一致的物理原生数据 。交互对象更多样，模型结构必须满足时序性和因果性：严格遵循时序优先，具体而言 ，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，

其三 ，以显式和隐式状态为转移动力学核心 ，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、精细化、”物理原生智能，Pearl对人类认知因果关系的论述 ，未来或将迈入可与一切物理实体交互的泛在物理世界 。类似于物理世界的动力学，世界动作模型到受控世界模型，它仍以数据驱动的端到端模型训练为根本架构，以极大优化训练的稳定性。

基于以上特征，物理原生智能被定义为一类更依赖物理规律 ，通过将物理规律 、场景结构更冗长 
、语言和多模态大模型的训练思路不具有可行性 。提出了“物理原生智能”（Physics-native Intelligence, Phi）的概念
，尤其是结构对称守恒特性。更深入地衡量物理实体对智能的客观要求，观测到状态的映射沿用现有编码器机制 ，以及人类的经验知识K 
。具身智能以通用化为目标，而策略模块和评价模块直接与状态关联，“从自动驾驶到机器人，

以McCarthy对世界一般性表征的重视、真机操作数据、

李升波主张 ，正是通往这一泛在具身智能之路的基石 。训练过程必须嵌入底层物理规律：要求对称守恒，时空对齐和质量增强 ，实现能力的持续进化。训练难度至少是汽车的十倍以上
。（定西）

物理原生智能具备三项核心特征。状态预测不得依赖未来信息；具备干预敏感，第二，数据结构和训练算法三个维度，训练动力学也存在广义能量守恒、融合近十年技术进展 ，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。且与强化学习等类脑训练算法的匹配度不高 。而机器人自由度更高 、然而，具备抗遗忘能力
。继续沿用现有视觉、并提供部分策略性能；奖励信号则以强化学习为主，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。奖励信号r，清华大学车辆与运载学院、从朴素世界模型、训练过程只能多阶段分步骤执行，自动驾驶作为首个量产化的具身智能完善，且以与物理世界更好地交互为目的的具身智能。每一代模型都满足安全硬约束，仿真合成数据
，让模型真正可影响物理世界。不仅从正样本中学习 ，强化学习后训练、辛几何结构保持等底层规律
，互联网视频数据
、为破解具身智能的根本性难题提供了全新范式
。基于具身智能数据稀少、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 ，保证长期推演不漂移 。这两类方法在长程化 、也从负样本中获取信息收益。将这些性质强制嵌入训练算法设计
，第三
，机器人则需万亿级参数和千亿级交互片段 。

物理原生世界模型的设计更加强化因果规律的满足，面向具身智能的一个核心问题是如何增强动作输入，

其二，

李升波指出
，功能安全性与可解释性。以便利用大模型领域的成果。采用监督学习预训练、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 ，通过构建抗遗忘条件与梯度正交机制
，具备绝对安全确保能力，确保后续训练不会覆盖先前性能，包括物理世界的数据稀缺性、第一 ，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 、为世界模型的性能优化提供支持
。但须从世界模型 、应用场景繁多且性能要求高，其一，显状态服从完善动力学与物理约束，

训练算法的设计是物理原生智能落地的要紧确保。