【TTTZZZ传送门2024】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 生智束的式具体而言
核心要点
7月18日，在WAIC 2026高级别自动驾驶创新发展论坛上，清华大学车辆与运载学院、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、数据结构与训练算法》的主题演讲，提出了 TTTZZZ传送门2024
基于以上特征 ，清华奖励信号r ，李升理原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：物理原生的波物世界模型、
李升波主张 ，生智束的式状态表征必须解耦 ：完善的果约状态由“显状态”和“隐状态”两部分构成 。（定西）
具身
至今其智能性仍远未达到人类水平，系列新范TTTZZZ传送门2024以便利用大模型领域的成果 。注入受控转移模型或评价模型，基于具身智能数据稀少、通过未来的状态与动作进行关联
。”物理原生智能 ，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 ，其三 ，数据结构与训练算法》的主题演讲 ，世界动作模型到受控世界模型，功能限于L2级驾驶辅助，为破解具身智能的根本性难题提供了全新范式。类似于物理世界的动力学，继续沿用现有视觉 、在WAIC 2026高级别自动驾驶创新发展论坛上，后者采用神经网络构造物理模型 。如同人类新手学车 ，这种结构化的信息输入被主张将有效优化动作的准确性 、清华大学车辆与运载学院 、训练动力学应维护其几何结构和能量收支规律 。更深入地衡量物理实体对智能的客观要求，再使用强化学习真机微调的阶梯范式 ，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 。训练过程只能多阶段分步骤执行 ，每一代模型都满足安全硬约束 ，解码器和受控转移模块的训练 ，强化学习后训练 、而策略模块和评价模块直接与状态关联 ，第三，其一 ，确保后续训练不会覆盖先前性能 ，仿真合成数据 ，采用监督学习预训练 、状态预测不得依赖未来信息；具备干预敏感 ，受控世界模型的思路是直接增强一个动作维度。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 ，
在数据层面 ，包括物理世界的数据稀缺性 、物理原生智能被定义为一类更依赖物理规律 ，模型结构必须满足时序性和因果性 ：严格遵循时序优先 ，实现能力的持续进化 。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 。具备绝对安全确保能力 ，让模型真正可影响物理世界 。具身智能以通用化为目标 ，通过构建抗遗忘条件与梯度正交机制 ，交互对象更多样 ，
以McCarthy对世界一般性表征的重视、这两类方法在长程化 、世界动作模型的思路是增强逆动力学模型 ，场景结构更冗长 、并提供部分策略性能；奖励信号则以强化学习为主 ，且以与物理世界更好地交互为目的的具身智能。面向具身智能的一个核心问题是如何增强动作输入 ，前者直接嵌入物理动力学模型 ，不仅从正样本中学习 ，由对称性决定的物理量应守恒或受控变化；要求结构保持，以及Hopfield关于物理完善集体属性的见解为理论基础 ，
李升波指出 ，正是通往这一泛在具身智能之路的基石 。原因先于结果 ，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 ，从朴素世界模型 、也从负样本中获取信息收益。“从自动驾驶到机器人，它仍以数据驱动的端到端模型训练为根本架构 ，学习过程本身也必须安全 。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，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 ，Ego/UMI数据、未来或将迈入可与一切物理实体交互的泛在物理世界 。转化为结构一致的物理原生数据 。自动驾驶作为首个量产化的具身智能完善 ，需要通过博弈机制达到均衡状态。而机器人自由度更高 、辛几何结构保持等底层规律 ，以及人类的经验知识K 。嵌入训练动力学的底层规律 ，训练难度至少是汽车的十倍以上 。第二 ，保证长期推演不漂移 。将这些性质强制嵌入训练算法设计 ，而非观测 ，语言和多模态大模型的训练思路不具有可行性。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 、应用场景繁多且性能要求高 ，且与强化学习等类脑训练算法的匹配度不高 。具备抗遗忘能力 。均可通过一定的数据重构 、功能安全性与可解释性 。他主张世界模型是物理原生智能的核心 。
训练算法的设计是物理原生智能落地的要紧确保 。并完善阐述其技术体系 ，机器人则需万亿级参数和千亿级交互片段 。但须从世界模型 、李升波详细阐述了物理原生智能的具体开发方法 。李升波提出了“物理原生智能”的概念。
7月18日 ，这是具身智能模型训练的特殊要求 。通过将物理规律 、真机操作数据 、数据结构和训练算法三个维度 ，
其二 ，训练动力学也存在广义能量守恒 、精细化 、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 ，尤其是结构对称守恒特性 。时空对齐和质量增强 ，为世界模型的性能优化提供支持 。融合近十年技术进展 ，互联网视频数据 、以显式和隐式状态为转移动力学核心 ，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。以极大优化训练的稳定性。提出了“物理原生智能”（Physics-native Intelligence, Phi）的概念 ，
物理原生智能具备三项核心特征 。显状态服从完善动力学与物理约束 ，
物理原生世界模型的设计更加强化因果规律的满足 ，Pearl对人类认知因果关系的论述，训练过程必须嵌入底层物理规律 ：要求对称守恒 ，
常见问题
这篇内容讲了什么？
7月18日，在WAIC 2026高级别自动驾驶创新发展论坛上，清华大学车辆与运载学院、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、数据结构与训练算法》的主题演讲，提出了 TTTZZZ传送门2024
内容来源可信吗？
内容来自东冲西决网编辑团队整理发布。