换一个环境，可能就要重新采数据、重新训练、重新交付。机器人学的始终是特定场景下的"经验"，而非现象背后的"规律"。 在这一背景下，为了让机器真正理解物理世界，构建"世界模型"逐渐成了具身大脑近年来最拥挤的赛道，各式技术路线层出不穷。 最近，有一家成立不久的公司—— Aether AI ，宣布完成2000万美元种子轮融资，由经纬创投领投，英诺基金、SWC Global、九合创投 参投。它的路线在业内几乎是独一份：不做视频生成，不做3D重建，也不做JEPA，而是走了一条少有人走的路： 因果世界模型 。 这家公司认为， 如今的主流大模型，本质上都是基于数据表层的相关性，而非底层的因果性，这在物理世界可能行不通。 简单来说，它的因果世界模型想让机器人像人类一样，真正理解背后的机制和"为什么"，而不仅仅是推测"接下来最可能发生什么"。 林方舟 发自 凹非寺 量子位 | 公众号 QbitAI 具身智能正在经历一场普遍的"水土不服"。 很多人发现，在模拟环境里表现优异的机器人，一旦进入真实工厂，往往立刻失灵。这是行业内最尴尬的现状，也是整个具身赛道最核心的 瓶颈： 泛化能力 。 如果将LLM、VLA、视频生成模型等技术路线 ...

文｜武静静 推荐语 当大模型、视频生成与具身智能掀起一轮轮浪潮时， Aether AI 创始人黄碧薇 却 选择了一条 " 慢 " 路 ：让 AI 真正理解世界背后的因果规律。 值得一提的 是， 这条路，她 已经 走了十余年。 作为美国加州大学圣地亚哥分校（ UCSD ）助理教授， 黄碧薇的学术轨迹几乎与因果 AI 的当代演进同频。她亲历并推动 了这个 领域多个关键方向的突 破。但与许多研究者不断向外开疆拓土不同，她的路径始终向内、向下 —— 追问本源。 起点，源于本科时一门神经网络课程 ，激发了她对 " 大脑如何启发 AI" 的兴趣；随后 ， 她进入中科院神经所 ， 投身 计算神经科学，试图用机器学习理解 大脑。但她逐渐发现， 现有工具无法解释神经元之间纷繁复杂的交互，相关性统计在真正的生物系统面前显得苍白。 转折发生在德国马普所。 当她第一次接触到因果理论，并 被辛普森悖论震撼后， 一个念头清晰浮现 ： 仅仅依靠相关性，永远无法触及系统运行的本质。 于是，她转身前往卡内基梅隆大学（ CMU ），深耕因果发现与 Causal AI ， 追寻更底层的世界规律。 当大模型时代 呼啸 到来， 学术界与工业界几乎一边 ...