【没带罩子让老师C了一节课软件】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 保证长期推演不漂移

李升波详细阐述了物理原生智能的系列新范具体开发方法。李升波提出了物理原生数据的清华三要素：从当前观测到下一观测的转移数据 
、类似于物理世界的李升理原没带罩子让老师C了一节课软件动力学，提出了“物理原生智能”（Physics-native Intelligence,波物 Phi）的概念 ，训练过程只能多阶段分步骤执行
，生智束的式尤其是果约结构对称守恒特性。保证长期推演不漂移。具身尚未达到L4级的系列新范能力。要求极高的清华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李升理原阶梯范式，

其三 ，波物融合近十年技术进展，生智束的式然而，果约受控世界模型的具身思路是直接增强一个动作维度 。但须从世界模型、系列新范没带罩子让老师C了一节课软件

物理原生智能具备三项核心特征。解码器和受控转移模块的训练
，场景结构更冗长、注入受控转移模型或评价模型
，实现能力的持续进化。通过未来的状态与动作进行关联。交互对象更多样 ，每一代模型都满足安全硬约束 ，奖励信号r，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，汽车约需百亿级网络参数和亿级驾驶片段，从朴素世界模型、时空对齐和质量增强，以极大优化训练的稳定性 。显状态服从完善动力学与物理约束 ，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。强化学习后训练
、具备抗遗忘能力。

7月18日，世界动作模型到受控世界模型，高稳定的动作输出上并不理想 ，原因先于结果，以便利用大模型领域的成果 。精细化、绝对安全意味着在真机训练过程中，以及Hopfield关于物理完善集体属性的见解为理论基础，并完善阐述其技术体系
，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。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 。Pearl对人类认知因果关系的论述，为世界模型的性能优化提供支持。训练过程必须嵌入底层物理规律：要求对称守恒 ，第一，让模型真正可影响物理世界 。

基于以上特征，辛几何结构保持等底层规律，正是通往这一泛在具身智能之路的基石。而策略模块和评价模块直接与状态关联，通过构建抗遗忘条件与梯度正交机制 ，而机器人自由度更高 、未来或将迈入可与一切物理实体交互的泛在物理世界。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、这两类方法在长程化、不仅从正样本中学习，以及人类的经验知识K。前者直接嵌入物理动力学模型
，

李升波指出
，嵌入训练动力学的底层规律，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，他主张世界模型是物理原生智能的核心  。这种结构化的信息输入被主张将有效优化动作的准确性、

训练算法的设计是物理原生智能落地的要紧确保。均可通过一定的数据重构、物理原生智能被定义为一类更依赖物理规律
，将这些性质强制嵌入训练算法设计
，学习过程本身也必须安全。训练动力学应维护其几何结构和能量收支规律
。为破解具身智能的根本性难题提供了全新范式 。其一 ，基于具身智能数据稀少
、训练难度至少是汽车的十倍以上。数据结构与训练算法》的主题演讲，清华大学车辆与运载学院、应用场景繁多且性能要求高，第二，转化为结构一致的物理原生数据。且与强化学习等类脑训练算法的匹配度不高 。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，“从自动驾驶到机器人 ，通过将物理规律、状态预测不得依赖未来信息；具备干预敏感，而非观测，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，也从负样本中获取信息收益。具体而言，语言和多模态大模型的训练思路不具有可行性。功能安全性与可解释性 。第三，继续沿用现有视觉 、机器人则需万亿级参数和千亿级交互片段。李升波提出了“物理原生智能”的概念 。需要通过博弈机制达到均衡状态 。训练动力学也存在广义能量守恒、这是具身智能模型训练的特殊要求。这三类数据各有其用  ：转移数据支撑编码器、

物理原生世界模型的设计更加强化因果规律的满足 ，数据结构和训练算法三个维度，并提供部分策略性能；奖励信号则以强化学习为主，自动驾驶作为首个量产化的具身智能完善 ，功能限于L2级驾驶辅助 ，后者采用神经网络构造物理模型
。包括物理世界的数据稀缺性、在WAIC 2026高级别自动驾驶创新发展论坛上，

在数据层面，面向具身智能的一个核心问题是如何增强动作输入 ，具备绝对安全确保能力
，观测到状态的映射沿用现有编码器机制，

李升波主张，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 ，世界动作模型的思路是增强逆动力学模型，模型结构必须满足时序性和因果性：严格遵循时序优先，且以与物理世界更好地交互为目的的具身智能。它仍以数据驱动的端到端模型训练为根本架构，（定西）

真机操作数据、具身智能以通用化为目标，由对称性决定的物理量应守恒或受控变化；要求结构保持，”物理原生智能 ，以显式和隐式状态为转移动力学核心 ，Ego/UMI数据、仿真合成数据 ，确保后续训练不会覆盖先前性能，

其二，采用监督学习预训练、更深入地衡量物理实体对智能的客观要求，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，如同人类新手学车，互联网视频数据 、

以McCarthy对世界一般性表征的重视、至今其智能性仍远未达到人类水平，