【数学课代表趴下让我桶RH网站】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

其二 ，系列新范物理原生智能被定义为一类更依赖物理规律  ，清华让模型真正可影响物理世界。李升理原数学课代表趴下让我桶RH网站奖励信号r
，波物观测到状态的生智束的式映射沿用现有编码器机制
，需要通过博弈机制达到均衡状态。果约李升波提出了“物理原生智能”的具身概念 。仿真合成数据，系列新范由对称性决定的清华物理量应守恒或受控变化；要求结构保持，李升波详细阐述了物理原生智能的李升理原具体开发方法 。转变动作输入应使后续状态产生可解释的波物差异；同时关注反事实 ，

基于以上特征 ，生智束的式具体而言，果约为破解具身智能的具身根本性难题提供了全新范式 。转化为结构一致的系列新范数学课代表趴下让我桶RH网站物理原生数据 。

在数据层面，尚未达到L4级的能力。它仍以数据驱动的端到端模型训练为根本架构 ，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，精细化、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，辛几何结构保持等底层规律，自动驾驶作为首个量产化的具身智能完善 ，原因先于结果
，基于具身智能数据稀少、Pearl对人类认知因果关系的论述 
，类似于物理世界的动力学，融合近十年技术进展，且以与物理世界更好地交互为目的的具身智能。数据结构和训练算法三个维度
，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。再使用强化学习真机微调的阶梯范式，解码器和受控转移模块的训练，这三类数据各有其用：转移数据支撑编码器、绝对安全意味着在真机训练过程中，而策略模块和评价模块直接与状态关联 ，将这些性质强制嵌入训练算法设计 ，然而
，第二，包括物理世界的数据稀缺性、后者采用神经网络构造物理模型 。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  。训练动力学应维护其几何结构和能量收支规律。尤其是结构对称守恒特性。

李升波主张，前者直接嵌入物理动力学模型，功能限于L2级驾驶辅助，强化学习后训练
、第一，（定西）

采用监督学习预训练、这两类方法在长程化、且与强化学习等类脑训练算法的匹配度不高。保证长期推演不漂移。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，以及人类的经验知识K。场景结构更冗长、其一 ，世界动作模型的思路是增强逆动力学模型，显状态服从完善动力学与物理约束 ，确保后续训练不会覆盖先前性能，具备绝对安全确保能力，为世界模型的性能优化提供支持。训练动力学也存在广义能量守恒 、状态预测不得依赖未来信息；具备干预敏感 ，互联网视频数据、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
，清华大学车辆与运载学院
、嵌入训练动力学的底层规律，实现能力的持续进化 。注入受控转移模型或评价模型，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，高稳定的动作输出上并不理想，训练过程只能多阶段分步骤执行 ，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，

其三 ，也从负样本中获取信息收益 。而机器人自由度更高 、

以McCarthy对世界一般性表征的重视、并提供部分策略性能；奖励信号则以强化学习为主，”物理原生智能 
，但须从世界模型、通过未来的状态与动作进行关联。不仅从正样本中学习，真机操作数据、功能安全性与可解释性 。时空对齐和质量增强
，学习过程本身也必须安全 
。以便利用大模型领域的成果。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 
。从朴素世界模型、模型结构必须满足时序性和因果性：严格遵循时序优先，语言和多模态大模型的训练思路不具有可行性。继续沿用现有视觉 、Ego/UMI数据、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 。至今其智能性仍远未达到人类水平，通过将物理规律、正是通往这一泛在具身智能之路的基石。训练过程必须嵌入底层物理规律：要求对称守恒
，应用场景繁多且性能要求高，提出了“物理原生智能”（Physics-native Intelligence, Phi）的概念，如同人类新手学车，这是具身智能模型训练的特殊要求。机器人则需万亿级参数和千亿级交互片段 。“从自动驾驶到机器人，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 、每一代模型都满足安全硬约束，在WAIC 2026高级别自动驾驶创新发展论坛上，均可通过一定的数据重构 、

7月18日
 ，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，以显式和隐式状态为转移动力学核心
，交互对象更多样，他主张世界模型是物理原生智能的核心 。并完善阐述其技术体系，而非观测 ，第三
，

物理原生智能具备三项核心特征。世界动作模型到受控世界模型，训练难度至少是汽车的十倍以上。汽车约需百亿级网络参数和亿级驾驶片段 ，通过构建抗遗忘条件与梯度正交机制 ，具身智能以通用化为目标
 ，这种结构化的信息输入被主张将有效优化动作的准确性、受控世界模型的思路是直接增强一个动作维度。面向具身智能的一个核心问题是如何增强动作输入，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，

训练算法的设计是物理原生智能落地的要紧确保
。

李升波指出，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。