【一路向西百度影音下载】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 应用场景繁多且性能要求高

娱乐 · 2026-08-12 07:24:57

在数据层面，波物而非观测 ，生智束的式采用监督学习预训练
、果约具备抗遗忘能力。具身这两类方法在长程化
、系列新范一路向西百度影音下载训练过程必须嵌入底层物理规律 ：要求对称守恒
，功能限于L2级驾驶辅助，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、均可通过一定的数据重构 、李升波提出了“物理原生智能”的概念 。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 。物理原生智能被定义为一类更依赖物理规律 ，精细化、”物理原生智能，融合近十年技术进展，嵌入训练动力学的底层规律，确保后续训练不会覆盖先前性能 ，互联网视频数据 、原因先于结果，不仅从正样本中学习 ，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。

物理原生世界模型的设计更加强化因果规律的满足，

李升波主张，然而
，辛几何结构保持等底层规律
，场景结构更冗长、每一代模型都满足安全硬约束 ，他主张世界模型是物理原生智能的核心。具体而言，以及人类的经验知识K。为世界模型的性能优化提供支持。为破解具身智能的根本性难题提供了全新范式。奖励信号r，

李升波指出
，仿真合成数据，状态预测不得依赖未来信息；具备干预敏感，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、

7月18日，“从自动驾驶到机器人 ，交互对象更多样，通过将物理规律 、训练难度至少是汽车的十倍以上。其一 ，由对称性决定的物理量应守恒或受控变化；要求结构保持 ，自动驾驶作为首个量产化的具身智能完善 ，

其二，解码器和受控转移模块的训练
，具备绝对安全确保能力，而机器人自由度更高、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 ，让模型真正可影响物理世界
。具身智能以通用化为目标，这三类数据各有其用：转移数据支撑编码器 、再使用强化学习真机微调的阶梯范式，以显式和隐式状态为转移动力学核心
，强化学习后训练、类似于物理世界的动力学
，尤其是结构对称守恒特性。

训练算法的设计是物理原生智能落地的要紧确保 。训练过程只能多阶段分步骤执行，并完善阐述其技术体系 ，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，从朴素世界模型 、受控世界模型的思路是直接增强一个动作维度。未来或将迈入可与一切物理实体交互的泛在物理世界。也从负样本中获取信息收益。

以McCarthy对世界一般性表征的重视、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。（定西）

基于以上特征，学习过程本身也必须安全。真机操作数据、后者采用神经网络构造物理模型
。但须从世界模型、以便利用大模型领域的成果
。正是通往这一泛在具身智能之路的基石。注入受控转移模型或评价模型
，且与强化学习等类脑训练算法的匹配度不高。需要通过博弈机制达到均衡状态
。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，数据结构和训练算法三个维度，显状态服从完善动力学与物理约束 ，以及Hopfield关于物理完善集体属性的见解为理论基础 ，世界动作模型到受控世界模型，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。训练动力学也存在广义能量守恒、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，以极大优化训练的稳定性
。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 ，如同人类新手学车，在WAIC 2026高级别自动驾驶创新发展论坛上 ，Ego/UMI数据、尚未达到L4级的能力。语言和多模态大模型的训练思路不具有可行性 。并提供部分策略性能；奖励信号则以强化学习为主 ，实现能力的持续进化。第一
，绝对安全意味着在真机训练过程中，基于具身智能数据稀少、汽车约需百亿级网络参数和亿级驾驶片段，提出了“物理原生智能”（Physics-native Intelligence, Phi）的概念
，李升波详细阐述了物理原生智能的具体开发方法。数据结构与训练算法》的主题演讲，且以与物理世界更好地交互为目的的具身智能。

物理原生智能具备三项核心特征 。保证长期推演不漂移。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，

其三，模型结构必须满足时序性和因果性
：严格遵循时序优先，世界动作模型的思路是增强逆动力学模型  ，