林方舟 发自 凹非寺 | 量子位公众号 QbitAI

具身智能领域正面临一场深刻的世界“水土不服”危机。

尽管机器人在模拟环境中表现优异，模型但一旦部署至真实工厂，因果往往迅速失效。技术具身这一行业痛点揭示了具身赛道的标杆核心瓶颈：泛化能力缺失。

传统模式下，大脑环境变更意味着重新采集数据、真长重新训练及重新交付。世界机器人仅习得特定场景的模型“经验”，却未能掌握现象背后的因果“规律”。

在此背景下，技术具身构建“世界模型”成为具身智能发展的标杆关键赛道。近期，大脑初创公司 Aether AI宣布完成 2000 万美元种子轮融资，真长由经纬创投领投，世界英诺基金、SWC Global、九合创投参投。其技术路线独树一帜：摒弃视频生成、3D重建及 JEPA 主流方案，专注于 因果世界模型（Causal World Models）。

Aether AI 指出，当前主流大模型多基于数据表层的相关性，缺乏底层因果逻辑，这在物理世界中难以奏效。其核心目标在于赋予机器人类似人类的机制理解能力，不仅预测“接下来可能发生什么”，更洞察“为何发生”。

若将 LLM、VLA 和视频生成模型比作依赖算力堆叠的“相扑选手”，因果世界模型则如同修炼“内功”，旨在通过底层理论突破，以少量数据实现强泛化，达成“四两拨千斤”的效果。

殊途同归：厘清世界模型的四大技术路线

尽管均冠以“世界模型”之名，但各技术路线在物理理解深度上存在显著差异。

Aether AI 创始人、加州大学圣地亚哥分校（UCSD）助理教授 黄碧薇将当前主流路线归纳为三类，并提出了第四种路径：

1. 视频生成路线：
2. 优势：像素级渲染效果惊艳。
3. 局限：仅拟合画面表层相关性。像素平滑过渡不代表物理可行性（如杯子穿桌），无法支持精准物理控制。
4. 3D 生成路线：
5. 优势：空间结构还原度高。
6. 局限：本质为静态快照，缺失时间维度的动力学与因果交互。知晓物体位置不等于理解其运动机制。
7. JEPA 路线：
8. 优势：在隐空间进行状态转移，避免像素解码。
9. 局限：未显式拆解因果变量与结构，摩擦力、接触力等精细交互信息易在抽象过程中丢失。

上述路线主要解决“AI 如何建立现实世界内部表征”的问题。而黄碧薇进一步追问更底层的问题：物理世界演化的底层逻辑是什么？

由此衍生出 第四条路线：因果世界模型。该路线侧重在隐空间中显式学习因果变量、结构及动力学，旨在掌握底层物理规律。其核心关切不仅是“下一步最可能发生什么”，更是“导致下一步发生的根本原因”。

黄碧薇认为，因果世界模型是世界模型的“终局形态”，也是实现物理 AGI 的最优路径。

因果世界模型的三大核心要素

深入拆解，因果世界模型包含以下关键组件：

1. 因果变量提取：从像素及传感器原始数据中，剥离出独立的因果特征单元，如物体形状、速度、角速度、摩擦系数及表面粗糙度等。
2. 因果结构学习：显式建模变量间的影响关系。例如，手施加的力、角度与速度如何共同决定抓取成功率。此过程摒弃“端到端”黑箱，确保结构的可解释性。
3. 因果动力学建模：学习系统随时间与动作的状态转移规律。并非简单拟合轨迹，而是学习支配轨迹的规则，以预测不同动作下的下一时刻世界状态。

全栈架构与数据优势

在系统架构上，Aether AI 构建了四层体系：
* 底层：Transformer（未重新发明轮子，因果逻辑兼容 Transformer）。
* 中间层：因果世界模型与模块化架构（类似 MoE）。
* 顶层：Agent 系统。

这套“因果 AI 全栈架构”并非在现有模型上添加因果插件，而是从底层到应用层均由因果思维驱动。

数据效率优势：
相较于 VLA、WAM 等模型，因果世界模型对数据要求极低。Aether AI 约 80% 的数据来自模拟、第一视角及公开视频，仅 20% 为遥操数据用于“最后一公里”校准。因果模型能从相同数据中提取出相关性模型无法识别的深层信息，其技术门槛在于背后的数学与统计理论。

从“找规律”到“懂原理”：为何因果不可或缺？

过去几年，LLM 的成功强化了“大力出奇迹”的行业信仰：通过堆叠数据、算力和参数，智能即可涌现。这一逻辑在语言领域有效，因为人类知识已压缩为文本，模型只需极致捕捉语义表层关联。

然而，物理世界不具备这种便利性。摩擦力、遮挡、角度等变量均会改变机器人行为结果，仅靠“看数据”无法习得这些复杂关系。

辛普森悖论警示：
统计学中的辛普森悖论表明，忽略隐变量（如肾结石大小）可能导致基于同一数据得出截然相反的结论。物理世界遍布隐变量，VLA 和 WAM 等模型均存在此盲区。

黄碧薇指出，LLM、VLA、WAM 及视频生成模型均属“相关性模型”，其局限性体现在三方面：

1. 数据无限性困境：物理世界状态与动作空间连续且变量组合无限，每次动作均改变数据分布，违背机器学习独立同分布假设。
2. 场景覆盖不全：泛化能力不足导致机器人被困于实验室，每换场景即需重训，证明未学到通用规律。
3. 物理干预必要性：语言模型输出错误答案无物理后果，但机器人错误动作会不可逆地改变物理世界。被动“猜下一个 token”在物理世界中行不通。

因此，Aether AI 判定：物理 AI 的答案是“因果性大模型”，而非“相关性大模型”。

理论基石：因果之梯

图灵奖得主 Judea Pearl 提出的“因果之梯”将 AI 推理能力分为三层：
1. 关联（Association）：观察数据规律。
2. 干预（Intervention）：理解“如果我执行某动作，会发生什么”。
3. 反事实（Counterfactuals）：想象“如果当初未执行某动作，结果会如何”。

当前相关性模型仅停留在第一层。例如，冰淇淋销量与鲨鱼攻击呈正相关，但二者无因果，均受“天气热”这一混杂变量驱动。若仅依赖相关性，AI 将得出错误结论。

因果模型能抵达第二、三层，使机器人理解动作背后的机制。机制不变，场景万变皆可应对，从而自然实现泛化，并提升长程任务执行能力。

实证数据：
Aether AI 内部数据显示，在机器人操作任务中，因果世界模型相比传统模型：
* 成功率提升 25%-50%。
* 样本效率提升 5-10 倍。
* 仅需 50 条高质量数据，即可使此前频繁失败的任务达到可靠成功率。

黄碧薇总结：“懂因果的模型，用 20% 的数据即可达到相关性模型 100% 数据的效果。”

AI 范式变革：从相关性大模型到因果性大模型

Aether AI 的野心不止于机器人公司，而是旨在开创以因果世界模型为核心的下一代 AI 范式。

黄碧薇将 AI 发展划分为四个范式：
1. 相关性小模型
2. 因果性小模型
3. 相关性大模型（当前行业所处阶段）
4. 因果性大模型（Aether AI 的目标）

这一判断拥有深厚的学术积淀。黄碧薇的因果研究始于德国马普所，历时十三年，师从因果发现奠基人 Clark Glymour 及核心推动者 Bernhard Schölkopf、Kun Zhang。三代学术传承在此汇聚。

护城河：人才与理论壁垒

在 AI 领域，因果学派处于“困难模式”：
* 对数学和统计要求极高，研究者稀缺。
* 兼具因果理论与工程落地能力的人才极少，与深度学习从业者不在同一量级。

这正是 Aether AI 的核心护城河：非数据或算力，而是深厚的人才储备与学术积淀。

市场时机与未来展望

行业视角下，VLA 的泛化性与数据天花板已现，市场急需新路线。因果理论在机器人核心难题上已有解法，加之大模型工程能力成熟、具身数据规模化及成本下降，时机已至。

Aether AI 的发展路线图：
* 明年：机器人具备较强泛化及长程任务能力。
* 明年晚些时候：结合运动（locomotion）与操作（manipulation），实现开放环境下的移动与操作。
* 未来：走向开放环境中的移动、操作及持续学习。

此次种子轮融资标志着从 0 到 1 的起步。资本选择 Aether AI，即是在押注非共识路线的范式颠覆潜力。

对于 Aether AI 而言，真正的分水岭在于：能否将因果基础模型的理论优势，转化为可量化的泛化能力、长程任务能力及数据效率，从而构建深厚的商业壁垒，推动范式切换。

在具身智能技术路线百花齐放的当下，Aether AI 从根源重新审视“智能本质”，这一信号值得行业高度重视。