一句话看懂：清华大学李升波教授在 WAIC 提出“物理原生智能”（Phi）概念，主张用物理规律（对称性、因果性）约束模型结构和训练，替代纯数据驱动的“大数据+大参数”路线，为具身智能（自动驾驶、机器人）的实用化提供新思路。
事件核心：发生了什么
在 2025 年 WAIC 现场，清华大学教授李升波发表演讲，提出“物理原生智能”（Physics-native Intelligence，简称 Phi）的技术框架。他认为当前具身智能（如自动驾驶、机器人）沿用视觉/语言大模型“堆数据+堆参数”的思路不可行：自动驾驶需要百亿级参数、亿级驾驶片段，机器人则需要万亿级参数、千亿级交互片段，且训练难度是汽车的十倍以上。
Phi 的核心有三：第一，用“显状态”（物理动力学驱动的模型）和“隐状态”（神经网络学习的残差）共同表征世界，而非原始观测；第二，模型结构必须满足时序因果，动作规划不依赖未来信息；第三，训练过程中嵌入物理规律（如对称性、辛几何结构）。此外，李升波团队还发布了通用训练平台 GOPS，集成了 DSAC、RAD、LipsNet 等算法，重点解决强化学习的稳定性、安全性和抗遗忘问题。
为什么重要
当前具身智能的瓶颈在于：真实物理世界的数据稀缺、安全要求极高、长程任务不稳定。李升波的方案试图从“数据驱动”转向“物理约束+数据驱动”，本质上降低了模型对海量数据的依赖，同时提升可解释性和安全性。这种思路若被验证可行，可能改变自动驾驶和机器人行业的训练范式——不再盲目追求更大模型，而是更高效地利用物理先验。对学术界而言，它提供了一个与“世界模型”紧密绑定的研究方向；对工业界而言，它意味着更低的算力和数据门槛，但需要重新设计算法和训练流程。
对用户/开发者/创作者的影响
自动驾驶开发者：如果 Phi 路线落地，L4 级自动驾驶可能不再依赖覆盖所有边缘场景的海量数据，而是通过物理规律推理未知路况。但需要关注李升波提到的“绝对安全”训练机制——每一代模型都需满足安全硬约束，这比当前“先训后测”的模式更严格，可能延长开发周期。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
机器人开发者：高自由度机器人的控制始终是难题，Phi 强调“显状态+隐状态”的解耦，可让底层物理模型保证基础运动稳定性，神经网络负责处理非结构化扰动。但目前该框架尚未公布真实机器人上的量化对比结果，技术可行性仍需验证。
AI 创作者/内容从业者：直接关联较小，但具身智能的进步可能催生更自然的物理模拟工具（如虚拟世界生成），未来或影响数字人与物理世界的交互能力。
值得关注的后续
1. 公开基准和开源实现：李升波团队是否会在 COCO、MuJoCo 或自动驾驶数据集上公布 Phi 框架的对比评测？GOPS 平台是否会开源？这是技术可信度的关键。
2. 工业验证：目前演讲仍属概念框架，尚未披露具体产品的性能提升数据。关注是否有车企或机器人公司采用 Phi 路线进行小规模试点。
3. 与其他世界模型方案的竞争：同时期马斯克的 xAI、DeepMind 均提出类似“物理世界模型”概念，Phi 强调的“显式状态约束”与“隐式神经网络”的混合方式能否在效率上胜出，尚待观察。
来源：InfoQ CN
