信息智能的時代，大概到2028年接近終局。物理智能的時代，剛剛開始，未來10到15年是最大的機會窗口。再往后，是人與機器深度融合的生物智能時代。

這是清華大學李升波在2026年百人會論壇上給出的AI發展三階段判斷。從2018年就開始推動端到端訓練路徑的清華團隊，這次帶來的不只是技術介紹，更是一套對整個行業發展節奏的系統性認知。

讀完這篇，你會得到：清華對AI三階段發展的完整判斷、中國企業端到端落地的三大真實挑戰與清華的解法、仿真技術的三代演進邏輯、以及智駕和機器人具身智能的訓練難度對比。

AI發展三階段：信息智能已近終局，物理智能方興未艾

清華給出的判斷是把AI發展劃分為三個遞進階段，每個階段有清晰的時間邊界和技術特征。

第一階段——信息智能：從ResNet、AlphaGo、ChatGPT到DeepSeek，這個時代的AI主要活在數字世界里，處理文本、圖像、語音。清華的判斷是，這個階段大概到2028年基本接近終局——豆包、ChatGPT這類產品的交互形態已經相對成熟。

第二階段——物理智能：AI進入物理世界，以自動駕駛和機器人為主要落地形態。這個階段現在剛剛開始，未來10到15年是最大的機會窗口，會有大量新技術、新手段、新公司在這個領域涌現。

第三階段——生物智能：量子計算、人造生命、人機深度融合。清華認為這大約在15到20年甚至更長遠的未來才會到來。

這三個階段不是并列的技術選項，而是遞進的歷史階段。身處2026年，物理智能的窗口已經打開，但大多數人還沒意識到這件事的體量。

端到端落地：中國企業面對的三個真實問題

清華在演講中沒有回避一個問題：盡管國內很多企業都在講端到端模型、VLA模型，但真正的挑戰是什么？清華給出了三個直接的追問。

①數據規模：我們的數據數量是不是能和特斯拉相提并論？清華的判斷很直接——"不談數據規模，只談模型訓練，是毫無意義的。"數據規模決定了性能的基本邊界。

②算力支撐：我們的算力是不是能支撐過億級參數規模的訓練？特斯拉需要超大算力的云平臺持續更新迭代，國內企業在這里面臨天花板。

③算法路徑：我們的訓練路徑是不是還局限在監督學習？DeepSeek的出現給了一個啟發——更高效的算法可以打敗靠數據規模和算力堆砌的路徑。

清華的解法：通過仿真生成數據解決數據不足；通過強化學習而非模仿學習解決性能上限；通過高效算法設計擺脫算力依賴。這三點也是清華從2018年開始的研究主線。

仿真的三代演進：從物理引擎到世界模型，還遠沒到終局

清華有一個核心主張：仿真是解決數據不足的關鍵路徑，但仿真本身也還遠沒有達到終局。

第一代是基于物理引擎的仿真平臺，模擬激光雷達、攝像頭、毫米波雷達等傳感器，清華從2018年開始在這個方向深耕。

第二代是基于3D高斯重建（NeRF/3DGS）的場景重建技術，大幅提升了傳感器仿真的真實感。

第三代就是現在大家都在談的世界模型——可生成式場景，能夠覆蓋長尾場景，直接為端到端模型生產訓練數據。

清華的GOPS強化學習平臺從2021年開始持續開發，集成了一系列自研高效算法：DACC、RAD優化器、Lipschitz神經網絡、安全強化學習RAX、多模態強化學習DENS、世界模型算法BOOM、感知濾波器Nano，以及面向大模型的STAP等。這些算法的核心目標，都是在算力有限的條件下提升訓練性能。

從智駕到機器人：難度躍升5到10倍

清華認為，很多做自動駕駛的人員現在紛紛投身具身智能，這個方向是對的——兩者的技術棧高度相通。但難度的差異，被很多人低估了。

從數據規模來看：自動駕駛大約需要1億片段的數據可以達到入門級，而機器人可能需要10億甚至百億量級。從模型規模來看：智駕用1B到10B的參數基本夠用，機器人100B才算入門。從訓練難度來看：無論監督學習還是強化學習，機器人都有5到10倍于自動駕駛的難度提升。

原因是顯而易見的：汽車行駛在結構化道路上，交互對象有限（行人、車輛、路側設施）；機器人要應對任意場景，自由度遠高于汽車，目之所及的所有東西都可能是交互對象。

清華的判斷：汽車是具身智能的第一步落地，也是通往機器人時代最好的工程訓練場。積累的數據飛輪、算法經驗和仿真能力，都將成為進入機器人賽道的核心資產。

清華的研究成果與開源工具

清華在演講中也交出了一張實踐成績單：國內第一個端到端自動駕駛模型由清華完成，全神經網絡化，覆蓋感知、預測、決策、規劃、定位和控制全鏈路，并于2023年完成實車實驗驗證。

此外，清華還面向行業開放了自動駕駛仿真軟件和強化學習訓練軟件，希望通過開源方式支持整個行業的發展。GOPS平臺整合了主流算法、測試環境和數據集，目標是一站式解決企業的訓練難題。

高校的角色：清華在這次演講里給出了一個清晰的定位——不是做產品，而是提供仿真數據生成能力、高效算法研究、以及開源工具鏈，幫助整個行業在數據不足和算力有限的條件下走得更遠。

讀完這篇，你已經拿到了

①一個時代判斷：信息智能2028年接近終局，物理智能的10～15年大窗口剛剛打開，這是最重要的歷史坐標

②三個真實問題：數據規模、算力支撐、算法效率——清華對國內端到端落地現狀的直接追問，以及仿真+強化學習的解題路徑

③仿真三代演進：從物理引擎到3DGS到世界模型，清華GOPS平臺和一系列高效算法的研究脈絡

④智駕到機器人：數據需1億→百億、模型需1B→100B、訓練難度提升5～10倍，汽車是通往機器人賽道最好的訓練場

"物理智能實際上現在剛剛方興未艾。未來的10年或15年會有大量新技術、新手段、新公司在這個領域涌現。"— 清華大學 · 2026年百人會論壇

本文根據清華大學李升波在2026年中國電動汽車百人會論壇演講實錄整理，采用Jack的洞察和表達AI skills，力求客觀呈現演講核心信息與行業趨勢，給行業帶來一些信息和啟示，不代表Vehicle立場。

*未經準許嚴禁轉載和摘錄-

       原文標題 : 2026百人會論壇：清華大學｜信息智能2028年終局，物理智能的15年大窗口剛剛打開