经纬领投Aether AI：因果世界模型突破LLM瓶颈，重塑AI未来

type

status

date

slug

summary

大模型的瓶颈：从相关性到因果性的必然跨越

过去几年，由openai主导的chatGPT以及Anthropic的claude等大语言模型取得了令人瞩目的成功。这些模型通过海量数据训练，掌握了极强的自然语言处理和编程能力。然而，正如Aether AI创始人黄碧薇教授所指出的，大语言模型的成功很大程度上是因为语言本身就是人类已经高度归纳好的浅层信息。

当我们将这些基于统计和“相关性”的大模型部署到真实的物理世界（如具身智能和机器人操作）时，它们往往表现得力不从心。在模拟环境中表现惊艳的VLA（视觉-语言-动作）模型，一旦面对真实环境中微小的变量改变（如光线、摩擦力、物体材质的变化），就会频繁失败。

这背后的根本原因在于：相关性不等于因果性。当前的LLM擅长通过统计规律进行“简单压缩”，但它们并不理解物理世界背后的运行机制。要实现真正的AGI，下一代AI范式必须跨越这一鸿沟，将核心从相关性转向因果机制。

Aether AI的核心突破：结构化压缩与因果世界模型

Aether AI的愿景不是让AI变得更“大”，而是让AI更“懂”。黄碧薇教授强调，“压缩即智能”这句话并不完全准确，真正能产生高级智能的是“结构化压缩”。

这意味着，模型需要从海量数据中抽取出物理世界背后的因果结构、物理规律和动力学方程，而不是仅仅记住像素层面的统计模式。例如，当机器人学习煎鸡蛋时，它需要理解锅的大小、油温和蛋液状态之间的因果关系，这样即使换了一口锅或改变了油温，模型依然能准确预测并完成任务。

为了实现这一目标，Aether AI构建了极具创新性的四层技术架构：

因果Transformer层：在现有的可扩展架构基础上，引入词元级（Token-level）的因果建模能力。

模块化架构层：实现功能解耦，模拟人类大脑的分工协作机制。

因果世界模型层：从底层的像素数据中识别因果变量，并进行动力学建模。

智能体系统层：基于因果驱动进行任务规划、归因分析与长程记忆。

这种架构并非推倒重来，而是允许在现有技术上平滑过渡。在早期的验证中，这套因果AI方法已经在部分机器人操作任务上实现了20%-30%的数据效率提升。只需约50条高质量的因果标注数据，就能让原本频繁失败的任务达到极高的可靠性。

具身智能的破局点：迎接机器人的“GPT-3时刻”

在探讨商业化落地时，Aether AI将首个目标锁定在了具身智能领域。这不仅是因为物理世界迫切需要能真正干活的机器人，更是因为具身智能的验证反馈极为清晰。

当前具身智能商业化的最大瓶颈之一是遥操数据的获取成本极高，且难以规模化（Scale up）。你不可能为了让机器人学习“易碎”的因果关系，就让它反复摔坏成千上万个真实的玻璃杯。Aether AI的策略是利用80%的模拟数据和公开视频数据进行因果规律学习，仅用20%的遥操数据进行“最后一公里”的适配。

通过这种方式，黄碧薇教授给出了一个明确的行业里程碑：预计到2027年初，机器人的操作任务将迎来“GPT-3时刻”。届时，机器人将具备强大的泛化能力，能够执行长程复杂任务；到2027年下半年，结合移动与操作，机器人将在开放环境中实现自主探索与终身学习。

资本与学术的共振：下一代AI范式的开端

Aether AI能够获得经纬创投、英诺基金等顶级机构的青睐，离不开其深厚的学术传承与“独一无二”的团队配置。黄碧薇教授在因果发现与机器学习领域深耕超过12年，其学术顾问网络几乎囊括了因果AI领域的奠基人，包括图灵奖得主Judea Pearl教授等。

在每日更新的AI日报中，我们经常看到关于如何优化提示词（Prompt）以实现AI变现的讨论。然而，真正决定AI行业天花板的，是底层范式的突破。投资界已经敏锐地察觉到，2026年前后将是AI技术路线的一个重要拐点。单纯依赖算力和数据的Scaling Law正在面临边际效益递减的窘境，而“大模型+因果机制”正是打破这一僵局的关键钥匙。

结语：通往通用人工智能的窄门

如果说以深度学习为核心的上一代AI教会了机器如何“看见”和“模仿”，那么以因果世界模型为核心的下一代AI，将教会机器如何真正“理解”这个世界。Aether AI的创立与融资，不仅仅是一家初创公司的里程碑，更是人工智能发展史上的一个重要信号。

在这个充满机遇与挑战的时代，保持对前沿技术的敏锐嗅觉至关重要。无论你是关注底层模型研发的开发者，还是寻求AI变现的创业者，理解并拥抱因果AI的新范式都将为你带来巨大的竞争优势。欢迎持续关注 https://aigc.bar，获取最全面、最深度的AI资讯与行业洞察，与我们共同见证AGI时代的真正到来。