因果世界模型公司 Aether AI 完成 2000 万美元种子轮融资
Aether AI 用因果世界模型解决机器人泛化瓶颈，获 2000 万美元种子轮融资。
Aether AI 认为主流世界模型仅学数据相关性而非因果性，导致机器人在新环境失灵。其因果世界模型提取因果变量并建模物理规律，用更少数据实现更强泛化，已完成 2000 万美元种子轮融资。
正文摘录
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”。 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： 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。