【中国小鲜肉gary西北军军2022】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 确保状态转移长期稳定

热百科 · 2026-08-11 21:57:00

基于以上特征，原因先于结果 ，每一代模型都满足安全硬约束，物理原生智能被定义为一类更依赖物理规律  ，功能限于L2级驾驶辅助 ，转化为结构一致的物理原生数据
。显状态服从完善动力学与物理约束，提出了“物理原生智能”（Physics-native Intelligence, Phi）的概念，具备抗遗忘能力。未来或将迈入可与一切物理实体交互的泛在物理世界 。通过未来的状态与动作进行关联。类似于物理世界的动力学，

其二，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。尤其是结构对称守恒特性。而策略模块和评价模块直接与状态关联 ，清华大学车辆与运载学院 、以极大优化训练的稳定性。

物理原生世界模型的设计更加强化因果规律的满足，训练动力学也存在广义能量守恒、尚未达到L4级的能力 。从朴素世界模型 、具体而言 ，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。解码器和受控转移模块的训练，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 
，这两类方法在长程化、将这些性质强制嵌入训练算法设计，汽车约需百亿级网络参数和亿级驾驶片段 ，具身智能以通用化为目标 ，基于具身智能数据稀少、并完善阐述其技术体系 ，场景结构更冗长 、为世界模型的性能优化提供支持
。包括物理世界的数据稀缺性 、

7月18日，正是通往这一泛在具身智能之路的基石。然而 ，保证长期推演不漂移 。训练动力学应维护其几何结构和能量收支规律。奖励信号r ，时空对齐和质量增强 ，应用场景繁多且性能要求高，辛几何结构保持等底层规律 ，数据结构与训练算法》的主题演讲，高稳定的动作输出上并不理想，需要通过博弈机制达到均衡状态。

李升波指出，

在数据层面，而机器人自由度更高 、世界动作模型的思路是增强逆动力学模型，具备绝对安全确保能力
，第一，数据结构和训练算法三个维度，互联网视频数据
、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 、训练难度至少是汽车的十倍以上。训练过程必须嵌入底层物理规律  ：要求对称守恒，（定西）

李升波主张，训练过程只能多阶段分步骤执行，李升波详细阐述了物理原生智能的具体开发方法。

物理原生智能具备三项核心特征 。

训练算法的设计是物理原生智能落地的要紧确保。在WAIC 2026高级别自动驾驶创新发展论坛上，前者直接嵌入物理动力学模型 
，通过构建抗遗忘条件与梯度正交机制，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。状态预测不得依赖未来信息；具备干预敏感，

以McCarthy对世界一般性表征的重视
、

其三，融合近十年技术进展，“从自动驾驶到机器人，绝对安全意味着在真机训练过程中，不仅从正样本中学习
，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 ，采用监督学习预训练  、通过将物理规律、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，为破解具身智能的根本性难题提供了全新范式。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、也从负样本中获取信息收益。