智能AI
morning
世界模型来了因果技术标杆!具身大脑真要长脑子了
2026-07-02
1 阅读
约9分钟阅读
林, 方舟
字号:
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 世界模型来了因果技术标杆!具身大脑真要长脑子了 林, 方舟 2026-07-02 12:36:47 来源: 量子位 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 。 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”。 如果将LLM、VLA、视频生成模型等技术路线比作拼体格的相扑选手,力量来自更大的算力、参数和数据,因果世界模型更像是在练内功,通过底层的理论突破,试图用更少的数据实现更强的泛化,“四两拨千斤”。 都叫世界模型,但彼此并不一样 先厘清一个问题:都以“世界模型”命名,因果世界模型和其它世界模型有什么区别? Aether AI创始人、加州大学圣地亚哥分校(UCSD)助理教授黄碧薇,将当前行业内主流世界模型分为三条路线: 视频生成路线 :像素级渲染效果确实惊艳,但问题在于它拟合的只是画面的表层相关性。画面看上去合理,不代表物理上可行。一个杯子可以凭空穿过桌面,只要像素过渡平滑,模型就不会觉得有什么不对。这种路线做视频可以,做精准控制不行。 3D生成路线 :空间结构还原得很好,但它本质上是一个静态的世界快照。时间维度上的动力学、因果交互,这一块基本是缺失的。知道物体在哪,不等于知道它会怎么动、为什么动。 JEPA路线 :去掉像素解码器,在隐空间做状态转移,思路很巧妙。但它没有显式地去拆解因果变量和结构,像摩擦力、接触力这类精细交互信息,很容易在抽象过程中被丢失。 这些技术路线都在回答同一个问题:AI如何建立对现实世界的内部表征。但黄碧薇追问的是更底层的那个问题: 物理世界为什么这样演化? 从这个角度看, 因果世界模型是第四条路线 ,侧重在隐空间显式学习因果变量、结构、动力学,掌握底层物理规律。 它关心的不只是“下一步最可能发生什么”,还有“是什么导致了下一步的发生”。 在黄碧薇看来,因果世界模型才是世界模型的“终局形态”,是实现物理AGI的最优技术路线。 进一步拆开来看,因果世界模型包含三大核心要素: 第一, 因果变量提取 。从像素、传感器这些原始数据里,拆出真正独立的因果特征——物体的形状、速度、角速度、摩擦力系数、表面粗糙度等等,这些变量是物理交互的基本单元。 第二, 因果结构学习 。建模不同变量之间的影响关系。手施加的力、角度、速度,如何共同决定抓取的成功率?这里没有”端到端”的黑箱,结构是显式的,可解释的。 第三, 因果动力学建模 。学习系统统随时间、动作的状态转移规律,这不是在拟合轨迹,而是在学习支配轨迹的规则,预测不同动作下下一时刻的世界状态。 从完整的系统层面,Aether AI有四层架构:底层依然是Transformer——没有重新发明轮子,因果并不排斥Transformer;中间层是因果世界模型和模块化架构(类似MoE);最顶层是Agent系统。 这套架构被称为“因果AI全栈架构”,从Transformer到Agent,需要注意的是, 它不是给现有模型加因果“插件”,而是从Transformer到Agent系统,全部由因果思维驱动。 还有一点很关键:相较于VLA、WAM等其它模型, 因果世界模型对数据几乎没有额外的要求。 Aether AI约80%数据使用的是模拟、第一视角和公开视频数据,约20%使用遥操数据完成“最后一公里”。 面对同样的数据,因果模型能从中提取出相关性模型读不出来的深层信息。 实现这一点,靠的是因果世界模型背后的数学和统计理论,这恰恰也是其技术门槛所在。 从“找规律”到“懂原理” 为什么非做因果不可? 熟悉AI的人都知道,过去几年,LLM的成功让行业形成了一种朴素信仰:大力出奇迹,数据、算力、参数堆上去,智能就会涌现。 这套逻辑在语言世界确实奏效。原因很简单:人类文明几千年的知识已经被压缩成了文字,模型只需要把语义表层的关联学到极致,就足以显得“智能”。 但物理世界不提供这种便利。 摩擦力、遮挡、角度、速度……每一项都可能改变机器人的行为结果,这些变量之间的关系,光靠“看数据”是学不出来的。 统计学里有一个著名的辛普森悖论:在肾结石治疗案例中,如果忽略结石大小这个隐变量,同一份数据甚至会得出完全相反的结论。只看相关性,不看隐藏的成因,结论可以直接翻过来。 机器人面临的是同样的处境。物理世界遍布隐变量。VLA也好,WAM也好,全都有这个盲区。 在黄碧薇看来, LLM、VLA、WAM、视频生成模型都属于“相关性模型”。它们的共同特征是:擅长捕捉数据中的规律和相关性,但不理解数据生成的底层机制。 具体来说,相关性模型存在三个明显的局限性: 第一,数据永远不够。语言可以被离散化为有限词汇,但机器人面对的是连续的状态空间和动作空间。物理世界的变量组合几乎是无限的,而且每一次动作都会改变下一时刻的数据分布——这和数据独立的机器学习假设完全冲突。 第二,场景永远覆盖不全。泛化性上不去,机器人就永远被困在实验室和精心布置的demo里。每换一个场景就得重来一遍,这本质上说明模型没有学到真正通用的东西。 第三,物理世界需要干预,而不只是预测。语言模型输出一个错误答案,世界不会因此改变。但机器人输出一个错误的动作,物理世界就被不可逆地改写了。被动地“猜下一个token”在语言上行得通,在物理上行不通。 所以,Aether AI的判断是, 物理AI的答案并非“相关性大模型”,而是“因果性大模型”。 当然,这个判断有坚实的理论基础。 图灵奖得主Judea Pearl提出的“因果之梯”理论,把AI对世界的理解与推理能力划分为由低到高的三个层级:关联、干预、反事实。 今天的相关性模型只到了第一层。 举个典型的例子。数据告诉我们,冰淇淋卖得越多,鲨鱼攻击事件也越多。对于这件事,是冰淇淋导致事故?还是背后有一个隐藏的混杂变量同时影响了两者?相关性模型无法回答。 实际上,冰淇淋和鲨鱼攻击之间没有因果关系,它们只是被同一个东西驱动——天气热。AI也是一样的。如果AI只学数据里的相关性,它会得出很多看起
这篇文章对您有帮助吗?
订阅66必读
每日精选科技资讯,直达你的邮箱