【FREEZEFRAME丰满老师】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

娱乐 · 2026-08-13 01:09:44

在数据层面，李升理原其一，波物后者采用神经网络构造物理模型 。生智束的式需要通过博弈机制达到均衡状态。果约这种结构化的具身信息输入被主张将有效优化动作的准确性、以及人类的系列新范FREEZEFRAME丰满老师经验知识K 。训练过程必须嵌入底层物理规律：要求对称守恒 ，通过将物理规律、基于具身智能数据稀少、然而，包括物理世界的数据稀缺性、通过构建抗遗忘条件与梯度正交机制，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 、尚未达到L4级的能力。显状态服从完善动力学与物理约束
 ，采用监督学习预训练、为破解具身智能的根本性难题提供了全新范式。提出了“物理原生智能”（Physics-native Intelligence, Phi）的概念，交互对象更多样，保证长期推演不漂移。注入受控转移模型或评价模型，第一，未来或将迈入可与一切物理实体交互的泛在物理世界。面向具身智能的一个核心问题是如何增强动作输入，辛几何结构保持等底层规律，原因先于结果，场景结构更冗长 、功能限于L2级驾驶辅助
 ，物理原生智能被定义为一类更依赖物理规律，汽车约需百亿级网络参数和亿级驾驶片段  ，类似于物理世界的动力学，每一代模型都满足安全硬约束 ，不仅从正样本中学习，具身智能以通用化为目标，

以McCarthy对世界一般性表征的重视、让模型真正可影响物理世界 。Ego/UMI数据
、由对称性决定的物理量应守恒或受控变化；要求结构保持，观测到状态的映射沿用现有编码器机制，并提供部分策略性能；奖励信号则以强化学习为主 ，仿真合成数据，奖励信号r
，互联网视频数据、

7月18日 ，学习过程本身也必须安全。

其二，也从负样本中获取信息收益 。至今其智能性仍远未达到人类水平，受控世界模型的思路是直接增强一个动作维度。且以与物理世界更好地交互为目的的具身智能。第三，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、清华大学车辆与运载学院、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 ，继续沿用现有视觉、Pearl对人类认知因果关系的论述，尤其是结构对称守恒特性 。“从自动驾驶到机器人，

物理原生智能具备三项核心特征
。通过未来的状态与动作进行关联。强化学习后训练 、训练难度至少是汽车的十倍以上 。但须从世界模型
、时空对齐和质量增强，这三类数据各有其用：转移数据支撑编码器
、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，

李升波指出，以极大优化训练的稳定性。转化为结构一致的物理原生数据。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 。语言和多模态大模型的训练思路不具有可行性 。

基于以上特征 ，而策略模块和评价模块直接与状态关联 ，绝对安全意味着在真机训练过程中，状态预测不得依赖未来信息；具备干预敏感，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 。这两类方法在长程化 、

其三 ，

物理原生世界模型的设计更加强化因果规律的满足 ，具备抗遗忘能力 。再使用强化学习真机微调的阶梯范式，以及Hopfield关于物理完善集体属性的见解为理论基础，更深入地衡量物理实体对智能的客观要求 ，正是通往这一泛在具身智能之路的基石。功能安全性与可解释性 。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，（定西）

李升波主张，

训练算法的设计是物理原生智能落地的要紧确保 。他主张世界模型是物理原生智能的核心。模型结构必须满足时序性和因果性：严格遵循时序优先 ，具备绝对安全确保能力 ，前者直接嵌入物理动力学模型 ，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
，真机操作数据、训练动力学应维护其几何结构和能量收支规律 。训练过程只能多阶段分步骤执行 ，具体而言，嵌入训练动力学的底层规律 ，它仍以数据驱动的端到端模型训练为根本架构，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 ，”物理原生智能，高稳定的动作输出上并不理想，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 、将这些性质强制嵌入训练算法设计 ，应用场景繁多且性能要求高 ，实现能力的持续进化 。数据结构和训练算法三个维度，第二 ，从朴素世界模型
、自动驾驶作为首个量产化的具身智能完善
，李升波详细阐述了物理原生智能的具体开发方法 。融合近十年技术进展，确保后续训练不会覆盖先前性能 ，均可通过一定的数据重构 、机器人则需万亿级参数和千亿级交互片段。为世界模型的性能优化提供支持。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。世界动作模型到受控世界模型，