獨家｜經緯領投了一家因果世界模型公司“Aether AI”

投中網獨家獲悉，專注于因果世界模型（Causal World Model）的人工智能公司Aether AI正式宣布完成首輪融資，募集資金總額約2000萬美元。該輪融資由經緯創投領投，英諾基金、SWC Global、九合創投等機構聯合參投。

Aether AI由美國加州大學圣地亞哥分校（UCSD）助理教授黃碧薇（Prof. Biwei Huang）創辦。它正在打造一種全新的AI范式，因果世界模型。它的目標不是讓AI更“大”，而是讓AI更“懂”。這一變革意義非凡，可能將改變AI的未來走向——讓機器理解“為什么”，而不僅僅是“是什么”。

過去三年，具身智能領域投入了巨大資源，VLA（視覺-語言-動作）模型被寄予厚望。然而，大量demo在訓練數據上表現驚艷，一部署到真實環境就頻繁失敗。

“大家開始意識到，只靠堆數據、堆算力，沿用LLM那條老路，在物理世界里是行不通的。LLM在自然語言和編程上很成功，是因為語言本身就是人類已經歸納好的淺層信息。”黃碧薇說。她把這個現象歸結為范式的根本缺陷：相關性不等于因果性。她判斷，下一代AI范式是以因果為核心的大模型。

這個判斷，正是經緯和英諾等機構在2026年這個時間點下注Aether AI的核心邏輯。

12年學術生涯后開啟創業，“在地鐵站里聊出來的融資”

黃碧薇決定出來創業的時間點，并非偶然。

“我一直在做科研，也一直有創業的想法。”黃碧薇說。她在因果發現與機器學習領域深耕超過12年，學術軌跡橫跨德國馬普智能系統研究所、卡內基梅隆大學（CMU）和加州大學圣地亞哥分校（UCSD），在NeurIPS、ICML、ICLR、CVPR等頂會發表論文逾百篇，獲得Apple Scholar，還主導開發了全球因果發現領域的標準開源工具Causal-Learn和Causal-Copilot。

但真正促使她邁出創業這一步的，是內因與外因的共振。

“內因是我在學術上已經把一些核心問題解決得比較好了，但局限在學術圈。”她說，“外因是，過去三年具身智能領域投入了巨大資源，大家嘗試了各種路線，卻始終沒有實質性的突破。資本市場和產業界開始意識到，單純依賴大語言模型那條范式已經不夠用了。”

而此時，黃碧薇深耕的因果AI方法被越來越多人看見——它天然適合物理世界、適合具身智能，也適合更復雜的科學發現。Aether AI由此誕生。

本輪融資的投資方陣容頗為亮眼。黃碧薇是如何接觸到這些投資人的？這背后的故事并不復雜。

黃碧薇與投資人的接觸，源于朋友牽線。她與英諾基金王晟最初只在微信上簡單聊了幾句，王晟對因果路線表現出濃厚興趣，兩人隨后約了一次視頻通話。當時黃碧薇剛好在地鐵站地下空間，找不到可以坐下的地方，就拿著電腦站在那里講，連耳機也沒電了。

“周圍的人沒有打擾我，就聽到我很大聲地在說話，說得特別激動。”這一聊，聊出了投緣。在她看來，投緣的根本原因是英諾對因果路線已關注了一段時間，“他們覺得這才是正確的路線。”

經緯創投同樣對因果方向保持了長期關注。合伙人童倜在談到這筆投資時說：“隨著AI逐步走向真實世界和復雜環境，僅依賴過去的數據模式、相關性學習，已難以滿足下一代智能系統的需求。未來是什么難以全盤看清，但我們相信‘因果理解’屬于其中的重要組成部分。”

英諾基金的投資人也給出了一個高度概括的判斷：“因果是人類智能的特有表達，是對世界信息的巨大壓縮，其數據效率和參數效率千倍、萬倍地優于統計的經驗相關。因果智能的觀測、行動、反事實體系，在世界模型上的智能潛力遠超當前的經驗體系。Aether AI旨在解決困擾因果AI的核心問題‘因果發現’，推動Causal AI進入Scaling時代。”

在選擇投資方時，黃碧薇最看重的并不是估值或條款，而是兩點：第一，投資人是否真正理解并相信這個方向。“他們必須是認知很強的，他們相信這一定是下一個AI范式的方向”；第二，他們能否在產業資源上提供實質性的幫助。

黃碧薇透露，本輪融資后公司將加快技術研發、工程化基礎設施建設、團隊擴充以及具身智能方向的商業化部署。資金使用優先級很明確：人才第一，其次是算力和數據基礎設施，最后才是市場拓展。

“我們的融資節奏會比較快。這是首輪，我相信會有越來越多機構關注我們、相信我們，并希望加入進來。”這種信心有現實支撐：2026年上半年，全球AI投資圈開始反思“堆數據、堆算力”的單一路徑，尋找新范式的突破。具身智能作為AI走向物理世界的“最后一公里”，已成為資本追逐的熱點，而Aether AI代表的因果世界模型路線，恰好站在這個拐點上。

三代學術傳承，一個“獨一無二”的團隊

如果要理解Aether AI的獨特性，繞不開一個關鍵詞：學術傳承。

黃碧薇的導師們，幾乎就是因果AI領域的奠基人。Bernhard Sch?lkopf教授（馬普智能系統所所長）、Clark Glymour教授和Peter Spirtes教授（因果發現算法的奠基人），以及Kun Zhang教授（將因果發現推進到隱變量場景的第二代代表人物），Judea Pearl教授（圖靈獎得主，因果推理框架的創立者）。這些人共同構成了Aether AI的學術顧問網絡。

而黃碧薇本人，是這個學術譜系中的第三代代表人物。“我的導師們是開山鼻祖、第一代和第二代的主要推動者。我自己算是第三代的leader。我們經過了三代傳承。”

黃碧薇用“范式演進四階段”清晰地定位了自己的位置。她認為，AI范式可以從兩個維度劃分：模型大小（小模型→大模型）和抽象能力（淺層相關性→深層因果機制）。

第一代（90年代初）是小模型+淺層相關性；第二代（2010年左右）是小模型+因果結構發現——她的導師們在這一階段奠基；第三代（2022年）是大模型+相關性，即LLM范式，在自然語言和編程任務上取得了巨大成功；而第四代，正是她正在推動的——大模型+因果機制。

這種獨特的學術位置，讓Aether AI在吸引頂尖人才時擁有了天然的優勢。

公司的技術合伙人周博士，在大模型訓練領域做過很多開創性工作。另一位技術合伙人馮博士，在因果世界模型和因果強化學習領域耕耘了六七年，是該領域年輕學者中最頂尖的之一。團隊中還有不少00后的年輕成員，同樣做出了很多有影響力的工作。

大家愿意聚集在一起，是因為所有人都相信同一個判斷：以相關性為核心的大語言模型范式已走到拐點，下一站必須是因果智能。“大家覺得我們在做的事情是獨一無二的，沒有任何一個團隊可以取代。”

“明年初就能看到機器人的GPT-3時刻”

Aether AI的核心技術是因果世界模型。它與主流范式的本質區別，可以用一句話概括：結構化壓縮vs.簡單壓縮。

“壓縮即智能”是業內常說的話，但黃碧薇認為這不夠精確。“簡單的壓縮不一定產生智能。我們需要的是結構化的壓縮——把物理世界背后的因果結構、物理規律、動力學方程從數據中抽取出來，而不是僅僅記住像素層面的統計模式。”

她用一個例子解釋：如果模型真正學會了雞蛋打進熱油鍋的因果規律——鍋的大小、油溫、蛋液狀態之間的結構關系——那么即使改變油溫、換一口鍋，模型也能準確預測結果。而純相關性的模型，只要變量稍有變化就會失效。

這個目標通過四層技術架構實現：

1.因果Transformer層：在可擴展架構上引入詞元級因果建模；

2.模塊化架構層：功能解耦，像人腦一樣分工協作；

3.因果世界模型層：從像素到因果變量識別與動力學建模；

4.智能體系統層：因果驅動的規劃、歸因與記憶。

“我們不是要推倒重來，”黃碧薇強調，“而是在現有架構上平滑過渡，逐步加入因果體系。”

早期驗證中，這套方法已經在部分操作任務上實現了20%-30%的數據效率提升。約50條高質量因果標注數據，就能讓此前頻繁失敗的任務達到可靠的成功率。這意味著，因果世界模型有可能大幅降低對海量遙操數據的依賴——后者被認為是具身智能商業化的一大瓶頸。

“遙操數據很難scale up。你不可能讓機器人反復摔壞杯子來學習‘掉落’這個因果。”黃碧薇說，“我們的策略是80%來自模擬數據、第一人稱視頻和公開視頻數據，只有20%是遙操數據——用作‘最后一公里’的適配。”

采訪中，黃碧薇多次提到一個詞：“回歸本質”。

“大家現在對scaling law的討論太虛了——到底scaling什么？模型架構是什么？數據該采哪些？如果這些都不定義，scaling的效率極低。”她說：“如果你用更好的模型（真正懂因果、懂物理規律的模型），再加上主動采集模型真正需要的數據，那么scaling的斜率可能能達到0.8；而漫無目的地堆數據，斜率只有0.2。”

“我覺得大家一定要突破一些傳統依賴的路徑，真正看到世界背后的本質，從根本去解決現在模型和數據的問題。”她說。

選擇具身智能作為首個落地場景，黃碧薇給了三層理由。

第一，AI正從數字世界走向物理世界，人類需要能真正干活的機器人。“我們更需要既有身體又有大腦的智能體，才能幫人類做那些危險或繁瑣的工作。”

第二，具身智能的范式遠未統一，做增量、定標準的空間最大，未來可以引領這一領域。

第三，具身智能的數據相對干凈，比科學發現（如生物制藥）更容易驗證因果模型的有效性。“驗證很簡單，做一個抓取任務就行。接觸面、角速度、握點位置——這些干預很容易實施，成功與否一目了然。”

她也給出了明確的里程碑：預計2027年初，在機器人操作任務上達到“GPT?3時刻”——即多種任務具備較好的泛化能力、高成功率并能執行長程任務；到2027年下半年，結合移動與操作，在開放環境中實現自主探索與終身學習。

“到了那個階段，機器人不需要被教會所有事情，它可以在新環境中自己探索、自己學習，就像人類一樣。”黃碧薇的信心來自一個判斷：當前具身智能最大的瓶頸不是硬件，不是感知，而是決策層的大腦。一旦因果推理能力被內置到機器人中，成功率、泛化能力和長程任務推理能力都會迎來質的飛躍。

與市場上其他世界模型路線相比，黃碧薇認為Aether AI的獨特性在于：李飛飛團隊側重空間智能與3D結構渲染，楊立昆的JEPA側重去除像素噪聲、保留隱空間語義，而Aether AI的核心是顯式地學習因果變量、因果結構和因果動力學。

采訪結束時，我問黃碧薇：你希望Aether AI十年后成為一家什么樣的公司？她的回答很短，分量卻很重：“LLM這條路線是OpenAI開創的，我們要開創的是以因果智能為核心的下一代AI范式。”

如果說深度學習教給了機器“看見”，那么因果AI要教給機器的，是“理解”。而這，或許是通往通用智能真正的那道窄門。