机器人前瞻（公众号：robot_pro）
作者 | 许丽思
编辑 | 漠影

机器人前瞻6月18日报道，今天，专注于因果世界模型（Causal World Model）的AI公司Aether AI 宣布完成首轮约2000万美元（约合1.35亿元人民币）融资，由经纬创投领投，英诺基金、SWC Global、九合创投等机构联合参投。

Aether AI称，本轮资金将用于因果世界模型的技术研发与迭代、工程化基础设施建设、核心团队扩充，以及具身智能方向的首批商业化部署。

Aether AI聚焦于研发能够理解现实世界运行机制的新一代AI系统，为机器人打造统一的因果推理层，让机器人可以在复杂环境中进行推理、预测和决策。

创始人黄碧薇，是美国加州大学圣地亚哥分校（UCSD）Halıcıoğlu数据科学研究所（HDSI）助理教授，在NeurIPS、ICML、ICLR、CVPR等国际顶级会议及期刊发表论文逾百篇，获得Apple Scholar等奖项，并主导开发了因果发现领域的全球标准开源工具Causal-Learn和Causal-Copilot，被广泛使用，在因果发现与机器学习领域有着超过十二年的研究经历。

值得一提的是，今年3月，黄碧薇还在上海成立了上海原识之智科技有限公司。

Aether AI的学术顾问覆盖因果AI领域三代核心学者，包括图灵奖得主Judea Pearl、马普所所长Bernhard Schölkopf，以及因果发现学科奠基人Clark Glymour与Peter Spirtes等。而黄碧薇本人，就是这个学术谱系中的第三代代表人物。

在Aether AI看来，过去AI的核心进展主要来自规模化训练。大语言模型和VLA通过海量数据学习统计相关性，在语言理解、视觉识别、任务执行等方面取得显著突破。

但当AI系统进入真实物理世界，这一路线的局限也逐渐显现：仅依赖统计相关性，往往难以保证系统在复杂、动态、开放环境中的泛化能力、推理能力和稳定性。

黄碧薇觉得，物理世界是基于因果关系，而非相关性。如果机器要在复杂的现实环境中做出可靠决策，它们必须理解驱动结果的机制，而不仅仅是观察统计关联。

她认为，AI的下一次跃迁不会单纯来自既有架构的扩展，而会来自机器学习、推理和与世界交互方式的范式转变。

▲Aether AI团队的关于因果关系的研究成果

Aether AI所打造的因果世界模型，与主流技术范式有三点不同：

• 因果特征表示（Causal Feature Representation）：直接从视频、文本、传感器信号等多模态输入中提取可解释的因果变量，而不是生成难以解释的黑箱嵌入向量；
• 因果结构发现（Causal Structure Discovery）：自动识别变量之间的因果依赖关系和层级结构，理清“什么因素、以什么方式、影响了什么结果”；
• 因果动力学建模（Causal Dynamics Modeling）：推演系统在不同干预条件下的演化轨迹，让模型具备反事实推理（Counter-factual Reasoning）和因果想象（Causal Imagination）的能力。

据Aether AI介绍，在早期验证研究中，其因果方法已在部分操作任务上实现20%至30%的数据效率提升。在一些案例中，仅需约50条高质量因果标注，就能够让此前持续失败的任务达到较稳定的成功率。

Aether AI称，因果世界模型有望在降低训练成本的同时，能够有效提升AI系统跨环境、跨任务的泛化能力。

在商业化落地上，Aether AI选择的首个方向是Physical AI与机器人。机器人既是对因果推理能力要求最高的场景之一，也是最能体现因果推理价值的试金石。

从长期来看，Aether AI希望构建一个统一的因果推理层，也就是面向各类机器人和智能系统的“因果大脑”，为它们提供底层认知与决策能力。