恭喜 Aether AI 喜获投资。Aether AI 由 UCSD 助理教授黄碧薇创立。黄教授
@huang_biwei深耕因果 AI 领域 12 年,是 Causal-Learn 作者,发表过 100+ 篇顶会论文,并曾获 Apple Scholar。
过去几年,AI 行业默认相信:模型越大、数据越多、算力越强,智能就会继续进步。这套方法在语言模型上很成功。但当 AI 走向物理世界,问题就复杂了。
文字说错了可以改,机器人抓空一次,杯子可能就碎了。桌面高两厘米,光线、材质、角度一变,任务都可能失败。
所以具身智能真正需要的,不只是识别画面,而是理解物理世界如何变化。
现在很多 AI 模型学的是相关性:什么词后面接什么词,什么画面后面出现什么画面,什么动作后面大概率出现什么结果。这在文本、图像、视频里有效。
但机器人要判断的是:手有没有碰到杯子,摩擦力够不够,重心会不会变,继续动作会不会摔。
它真正要知道的是:如果我现在动一下,世界接下来会怎样?
这就是因果问题。
因果大模型关注的,不只是预测下一个状态,而是理解变量之间如何相互影响。
改变一个动作,结果会怎样?换个环境,技能还能不能迁移?如果没有执行这个动作,另一种结果会不会发生?
这些能力,对 Physical AI 很关键。因为真实世界不可能被训练数据完全覆盖。机器人不可能提前见过所有桌面高度、物体材质、失败姿态和真实环境。
只记住过去见过的模式,很难稳定工作。理解背后的因果结构,才有机会举一反三。
这也是 Aether AI 正在探索的方向:以因果世界模型为核心,打造下一代机器人大脑。
过去一年,“世界模型”很热。视频生成模型能生成连续画面,空间智能模型能理解三维结构。
但机器人还需要更进一步:和物理世界交互,处理接触、碰撞、摩擦、重心和反馈,在变化的环境里完成任务。
所以世界模型不能只停留在画面和空间结构上,还要进入因果推演:理解动作为什么导致结果,变量变化后系统如何演化,失败背后真正影响结果的因素是什么。
只有这样,机器人才能从“看起来会做事”,走向“真的能做事”。
大语言模型成功之后,Scaling Law 成了很多人的信仰。但在具身智能里,更重要的问题是:
Scale What?你到底在放大什么?
如果只是采集更多遥操数据、堆更多视频、买更多算力,未必能解决泛化问题。真正重要的是,模型能不能从同样的数据里抽取更深层的信息。
同样的数据,相关性模型看到的是表层模式,因果模型要挖的是背后的结构。
Aether AI 的短期目标,是打造一个能够跨本体、跨任务、跨环境泛化的机器人大脑,服务机器人本体厂商,以及工厂、仓储物流、家居、医疗健康等真实场景。
这家公司做的,不是简单给机器人接入一个语言模型,而是从算法、模型到系统层面,构建一套以因果智能为核心的新范式。
过去这一波 AI,让机器学会了生成语言、图像和代码。下一阶段,AI 要面对更难的问题:理解世界如何运转。
当 AI 进入机器人、科学发现、生物医药、新材料这些领域,它必须处理变量、干预、反馈和反事实推理。
这些问题,天然指向因果。
因果大模型值得关注,不只是因为它是一个新概念。它可能代表 AI 从“学习已有数据”,走向“理解世界机制”的一次范式变化。
如果说大语言模型打开了数字世界里的智能入口,那么因果世界模型,正在尝试打开物理世界里的下一扇门。
Aether AI 官网: