Aether AI 获 2000 万美元种子轮融资，推因果世界模型挑战具身智能泛化瓶颈

事件概述

具身智能领域长期面临泛化能力不足的瓶颈：在模拟环境中表现优异的机器人，进入真实工厂后往往失效，需要重新采集数据和训练。为解决这一问题，构建能够理解物理世界规律的“世界模型”成为热门方向，但多数路线聚焦于视频生成、3D 重建或隐空间状态转移。

核心信息

• 公司融资：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。创始人黄碧薇为加州大学圣地亚哥分校（UCSD）助理教授，在因果发现领域拥有 13 年研究经验，师从因果发现奠基人 Clark Glymour 及 Bernhard Schölkopf 等。
• 技术路线：因果世界模型区别于三条主流路线：
  • 视频生成路线：像素级渲染效果好，但可能生成物理上不可能的动画（如杯子穿桌），不适合精准控制。
  • 3D 生成路线：空间结构还原好，但缺乏时间维度的动力学和因果交互。
  • JEPA 路线：隐空间状态转移巧妙，但易丢失精细交互信息（如摩擦力、接触力）。
  • 因果世界模型：在隐空间显式学习因果变量、结构和动力学，回答“是什么导致下一步发生”。
• 三大核心要素：
  1. 因果变量提取：从原始数据中拆解形状、速度、摩擦系数等独立物理变量。
  2. 因果结构学习：显式建模变量间的影响关系（如手的力量、速度如何决定抓取成功率）。
  3. 因果动力学建模：学习状态随时间与动作的转移规则，而非仅仅拟合轨迹。
• 系统架构：底层为 Transformer，中间层是因果世界模型与模块化架构（类似 MoE），顶层为 Agent 系统，全部由因果思维驱动。
• 数据需求：约 80% 数据来自模拟、第一视角和公开视频，20% 为遥操数据；因果模型能从中提取相关性模型读不出的深层信息。
• 性能表现：在机器人操作任务上，因果世界模型相比传统世界模型实现 25%-50% 的成功率提升，5-10 倍样本效率提升；部分案例仅用 50 条高质量数据即可达到可靠成功率。

值得关注

• 范式意义：创始人黄碧薇将 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。当前行业处于第三范式，因果世界模型试图推动至第四范式。
• 克服相关性模型的局限：
  • 数据永远不够：物理世界连续状态空间与机器学习独立数据假设冲突。
  • 场景覆盖不全：模型未学到真正通用的规律。
  • 物理世界需要干预：机器人错误动作会不可逆地改变世界，被动预测（如 LLM 的下一词预测）不适用。
  • 关键在于因果之梯的第二层（干预）和第三层（反事实能力）。
• 公司目标：预期明年机器人具备较强泛化和长程任务能力；明年晚些时候结合移动与操作能力；未来走向开放环境的持续学习。
• 资本赌注：作为种子轮公司，Aether AI 选择非共识路线，资本押注的是范式颠覆而非成熟路线的执行优化。如果能够将因果理论优势转化为量化的泛化能力、长程任务能力和数据效率，将形成厚实商业壁垒。