清华双队，探索物理 AI 的可验证边界！

来源：环球网

2026年8月24日，在刚刚落幕的2026世界机器人大会（WRC）上，具身智能与物理AI成为全场焦点——机械臂自主抓取运动物体、四足机器人在地形突变中调整步态、世界模型驱动的机器人开始理解物理世界。但走下展台，行业面临一个共同的基础设施难题：训练世界模型所需的4D世界状态数据分散在各方手中，模型、数据、算力分属不同主体，协作的信任瓶颈尚未打通。

两支清华系技术团队——由清华大学与北京雁栖湖应用数学研究院联合孵化的清雁科技，与由清华大学孵化创立的深度内核——联合宣布达成战略合作，共同发布数据空间可信AI基础设施解决方案。该方案将清雁科技在数据空间与物理AI场景的多方协作经验，与深度内核在可信AI领域的能力深度融合，面向"数据、模型、算力分属不同主体"的AI协作场景，提供一套从远程证明、加密执行到结果可验证的完整基础设施，让"数据可用不可见、模型可验不可偷"从口号变成可交付的现实。

一个真实的困境：当机器人想学习，数据却不敢出门

要让机器人从展台上的惊艳演示走向工厂里的长期可靠作业，需要海量的4D世界状态数据来训练世界模型。而这些数据——多视角视频、力觉传感、关节状态、物理仿真轨迹——分散在各家机器人厂商、制造工厂和数据采集方手里。

想象一家机器人公司要训练一个通用操作世界模型。它需要接入多家机器人厂商和工厂的真实操作数据，还需要调用自己多年研发的世界模型与几何物理引擎。合作的意愿很强烈，但项目往往卡在三件事上：

世界模型与物理引擎如何不被数据方看见？机器人公司的世界模型、几何物理引擎是多年投入的核心IP。物理AI的根基在于对几何物理规律的理解，这些核心算法一旦部署到数据提供方的环境中，执行环境归对方所有，技术层面没有隔离手段，只能靠保密合同约束——而合同，防不住"万一"。

多方4D数据如何"融合"而不"暴露"？机器人厂商A的操作数据、工厂B的产线数据、采集方C的4D扫描数据，各自握有高价值资产。4D世界状态数据不仅包含视频画面，还隐含产线工艺、操作流程、材料参数等核心商业机密。数据分散在各处，沙箱却只能部署在某一个机构提供的机器上，该机构在拓扑上自然成为"中心节点"，其他各方都会担心自己的数据被复制、被还原。

GPU算力从哪里来？世界模型训练需要大规模GPU集群，4D数据的物理仿真与长程推演对算力的要求比普通大模型更高。数据提供方通常没有这样的算力储备；让每家都自建GPU集群并不现实；把算力集中到某一方，又会再次回到"信任归谁"的老问题。

结果是：以具身智能为代表的物理AI的下一仗，拼的不是谁的Demo更炫，而是谁能把分散的数据、模型和算力安全地组织起来。这不是业务问题，而是基础设施层面的信任问题——今天的执行环境，默认"谁提供机器、谁就拥有最高权限"，而这个默认设定，恰恰是物理AI规模化落地最大的阻碍。

从"沙箱"到"可信执行"：信任基础的范式转移

目前数据空间里数据沙箱解决的主要是"流程可控"——通过审批、日志、合同来管理数据使用。为了保护数据安全，数据沙箱更多是由数据提供方建立。但在多方互不信任的场景下，沙箱有一个结构性缺陷：它必须跑在某一台具体机器上，而这台机器的归属方天然拥有更高权限。

可信AI基础设施要打破的，正是这个默认设定——让AI运行环境的"主人"不再拥有特殊权力。它的做法，基于可信芯片、密码学和分布式系统，为AI训练和推理构建端到端可信域，实现AI Trusted Computing（AITC），具体而言：

· AITC实现了内存加密与显存加密，宿主机操作系统、云平台运维、智算系统所有者都无法读取世界模型权重和4D训练数据；

· AITC会生成一份由可信硬件签名的"远程证明"，任何参与方都可以独立验证里面跑的是什么系统、什么模型、什么代码；

·数据加密后进入AITC域之后，解密只在AITC域发生；世界模型和物理引擎同理，明文始终不离开可信域；

· 计算结果带有一份"可信收据"，记录输入数据、模型版本、输出结果的哈希，可独立验证、可追溯。

这四项特性，恰好一一回应了开头的三个担心。把传统沙箱与AITC放在一起对比，差异一目了然。

方案架构：上层业务不变，下层可信执行

本次合作的方案采用"上下解耦"的架构设计：上层继续由清雁科技提供数据空间已有的业务能力，包括数字合约/签约、数据分级、出域审批工作流和管理控制台；下层由深度内核提供执行与验证能力，包括机密计算、远程证明、执行管控与审计留痕。

需求方、数据提供方与算力提供方各自通过清雁连接器接入，并保留独立AITC模块，可自行核验证明报告与度量值。执行层对平台方与云厂商均不可读明文，真正做到"数据可用不可见、模型可验不可偷、算力可租不可控"。

三大技术优势：安全、可扩展、易用

1. 支持GPU的可信基础设施

可信计算不应只是CPU上的概念验证。方案适配多种主流智算平台，并将GPU纳入可信边界，支持在AITC域内完成世界模型的推理、微调与训练。这意味着企业可以把真正的大模型负载搬进可信计算域内，而不是为了安全退回到小模型演示——可信，不再以牺牲性能为代价。

2. 可扩展的GPU算力

数据提供方无需自建GPU集群。方案提供可按需租用的GPU可信算力池，算力由第三方或平台提供，但4D数据和世界模型明文始终不离开AITC域。参与方只需验证AI训推环境、加密传输数据，即可调用远端算力完成可信可验证物理仿真与模型训练。这既解决了"算力从哪来"的问题，也避免了"算力归谁"带来的中心化信任风险。

3. 可度量的内置模型服务

为了让用户不必自己编写复杂的可信计算服务，方案提供开箱即用的内置模型服务：SQL查询、RAG、微调、推理等常见任务，均可通过控制台或SDK直接下发。每次服务启动时，环境、镜像、模型都会被度量并生成远程证明，做到"服务可用"与"状态可验"同时满足——开箱即用，且每一步都可审计。

一句话价值：把"可信"从成本变成基础设施

对需求方（模型方/机器人公司）：世界模型和物理引擎进入AITC域后，明文不离开，数据提供方只能验证、无法读取；结果带"可信收据"，可追溯、可举证。

对数据提供方（机器人厂商/工厂/数据采集方）：4D数据加密进入AITC域，出域需多方共同批准，原始敏感字段被白名单过滤，且全程有硬件签名的审计链。

对平台/算力方：不再承担"中心化信任责任"，只需提供经远程证明验证的算力环境，各方独立验证后即可使用。

关于本次合作

清雁科技由清华大学与北京雁栖湖应用数学研究院联合孵化，以"模数共振"为核心发展主线，协同共建数据基础设施与物理AI基础模型，在数据空间与多方协作流程方面拥有丰富的落地经验；深度内核同样由清华大学技术团队孵化创立，以“真实世界AI”为核心发展主线，让AI在真实世界实现智能闭环，完成可验证、可授权、可信任的AI Workload，团队实现了涵盖算法、模型、系统、芯片与网络的体系化创新，形成全球领先的技术栈。两支清华系团队联合发布的数据空间可信AI基础设施，旨在把"可信"从单点能力升级为多方协作的基础设施，让数据、模型、算力在硬件级可信环境中安全协作。

目前，该方案的核心能力已在清雁科技"可信数据空间"和深度内核的可信AI基础设施中完成技术验证，成功跑通模型部署、提供方独立校验、全链路证据链生成与出域合规审批等完整流程，并将在具身智能数据协作、政务数据共享、金融联合建模、跨企业AI协作等场景中持续落地。