Aether AI 完成 2000 万美元种子融资，主攻因果世界模型

因果学派出身的具身智能公司 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。公司由加州大学圣地亚哥分校（UCSD）助理教授黄碧薇创立，专注「因果世界模型」技术路线，意图以更少的数据实现更强的机器人泛化能力。

融资与团队

Aether AI 本轮融资总额为 2000 万美元，由经纬创投领投，英诺基金、SWC Global、九合创投参投。公司瞄准的是具身智能领域最棘手的瓶颈——泛化能力。长期以来，机器人模型在模拟环境中表现优异，但换到真实工厂往往立刻失灵，每换一个环境都需要重新采数据、重新训练。

黄碧薇的因果研究始于德国马普所，至今已有十三年。她师从因果发现奠基人 Clark Glymour，以及第二代核心推动者 Bernhard Schölkopf 与 Kun Zhang，几代因果发现学术成果在此汇聚到 Aether AI 这一创业项目上。

第四条世界模型路线

黄碧薇将当前行业主流的世界模型路线分为三条：

• 视频生成路线：像素级渲染效果惊艳，但拟合的只是画面表层相关性，可能出现「杯子凭空穿过桌面」这类物理上不可行的结果。
• 3D 生成路线：空间结构还原良好，但缺乏时间维度的动力学与因果交互建模，「知道物体在哪」不等于「知道它会怎么动、为什么动」。
• JEPA 路线：在隐空间做状态转移，但未显式拆解因果变量，摩擦力、接触力等精细交互信息容易被抽象过程丢失。

Aether AI 选择的是黄碧薇所称的「第四条路线」——因果世界模型，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。其技术框架包含三大核心要素：

• 因果变量提取：从像素与传感器数据中拆出独立的因果特征，如形状、速度、角速度、摩擦力系数等。
• 因果结构学习：建模变量之间的影响关系，结构显式且可解释，并非黑箱端到端。
• 因果动力学建模：学习系统在时间与动作作用下的状态转移规则，而非简单拟合轨迹。

在系统架构上，Aether AI 采用四层「因果 AI 全栈架构」：底层仍是 Transformer（因果并不排斥 Transformer），中间层为因果世界模型与模块化架构（类似 MoE），最顶层为 Agent 系统。公司强调，从 Transformer 到 Agent 系统全部由因果思维驱动，而非给现有模型加因果「插件」。

为什么必须做因果

Aether AI 认为，当前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。引用图灵奖得主 Judea Pearl 提出的「因果之梯」理论，AI 对世界的理解被划分为三层：关联、干预、反事实，今天的相关性模型只抵达第一层。

黄碧薇将相关性模型的局限性归纳为三点：

• 数据永远不够：物理世界面对的是连续的状态空间与动作空间，变量组合几乎是无限的，且每一次动作都会改变下一时刻的数据分布，与机器学习的数据独立假设相冲突。
• 场景永远覆盖不全：泛化性上不去，机器人就被困在实验室与精心布置的 demo 里。
• 物理世界需要干预：语言模型输出错误答案无伤大雅，但机器人输出错误动作会不可逆地改写物理世界。

在数据使用上，Aether AI 约 80% 数据来自模拟、第一视角和公开视频，约 20% 为遥操数据用于「最后一公里」对齐。公司称其因果世界模型在机器人操作任务上相比传统世界模型实现了 25%–50% 的成功率提升，以及 5–10 倍的样本效率提升；在部分案例中，仅用 50 条高质量数据即可达到此前频繁失败任务的可靠成功率，「用 20% 的数据达到相关性模型 100% 数据的效果」。需要指出的是，上述数字来自公司内部验证，尚未经过第三方独立评估或同行评议。

下一步目标

黄碧薇将 AI 发展划分为四个范式：相关性小模型 → 因果性小模型 → 相关性大模型 → 因果性大模型，并认为整个行业目前正站在第三个范式上，Aether AI 的目标是推动行业向第四个范式跃迁。她说：「OpenAI 开创了 LLM 范式，我们要开创以因果世界模型为核心的下一代范式。」

公司公布的下一阶段目标是：预期在 2026 年让机器人具备较强的泛化与长程任务能力；之后结合 locomotion 与 manipulation，让机器人在开放环境里既能走动又能完成操作任务；进一步则走向开放环境中的移动、操作与持续学习。

这是一笔种子轮融资。种子轮往往对应从 0 到 1 的起步，对投资人而言，成熟路线拼执行，非共识路线赌范式。眼下多种具身大脑技术路线都朝着「物理 AI」这一终点狂奔，谁更接近目标尚无定论。但在大家争相模仿的技术语境里，有团队从根上重新追问「智能到底是什么」，本身就是一件值得被认真对待的事。