投中网独家获悉，，专注于因果天下模子（Causal World Model）的人工智能公司Aether AI正式宣布完成首轮融资，，召募资金总额约2000万美元。。。。该轮融资由经纬创投领投，，英诺基金、SWC Global、九合创投等机构联合参投。。。。

Aether AI由美国加州大学圣地亚哥分校（UCSD）助理教授黄碧薇（Prof. Biwei Huang）开办。。。。它正在打造一种全新的AI范式，，因果天下模子。。。。它的目的不是让AI更“大”，，而是让AI更“懂”。。。。这一厘革意义非凡，，可能将改变AI的未来走向——让机械明确“为什么”，，而不但仅是“是什么”。。。。

已往三年，，具身智能领域投入了重大资源，，VLA（视觉-语言-行动）模子被寄予厚望。。。。然而，，大宗demo在训练数据上体现惊艳，，一安排到真真相形就频仍失败。。。。

“各人最先意识到，，只靠堆数据、堆算力，，沿用LLM那条老路，，在物理天下里是行欠亨的。。。。LLM在自然语言和编程上很乐成，，是由于语言自己就是人类已经归纳好的浅层信息。。。。”黄碧薇说。。。。她把这个征象归结为范式的基础缺陷：相关性不即是因果性。。。。她判断，，下一代AI范式是以因果为焦点的大模子。。。。

这个判断，，正是经纬和英诺等机构在2026年这个时间点下注Aether AI的焦点逻辑。。。。

12年学术生涯后开启创业，，“在地铁站里聊出来的融资”

黄碧薇决议出来创业的时间点，，并非无意。。。。

“我一直在做科研，，也一直有创业的想法。。。。”黄碧薇说。。。。她在因果发明与机械学习领域深耕凌驾12年，，学术轨迹横跨德国马普智能系统研究所、卡内基梅隆大学（CMU）和加州大学圣地亚哥分校（UCSD），，在NeurIPS、ICML、ICLR、CVPR等顶会揭晓论文逾百篇，，获得Apple Scholar，，还主导开发了全球因果发明领域的标准开源工具Causal-Learn和Causal-Copilot。。。。

但真正促使她迈出创业这一步的，，是内因与外因的共振。。。。

“内因是我在学术上已经把一些焦点问题解决得较量好了，，但局限在学术圈。。。。”她说，，“外因是，，已往三年具身智能领域投入了重大资源，，各人实验了种种蹊径，，却始终没有实质性的突破。。。。资源市场和工业界最先意识到，，纯粹依赖大语言模子那条范式已经不敷用了。。。。”

而此时，，黄碧薇深耕的因果AI要领被越来越多人望见——它自然适合物理天下、适合具身智能，，也适合更重大的科学发明。。。。Aether AI由此降生。。。。

本轮融资的投资方阵容颇为亮眼。。。；；；
；
；票剔笔窃跹哟サ秸庑┩蹲嗜说模浚？这背后的故事并不重大。。。。

黄碧薇与投资人的接触，，源于朋侪牵线。。。。她与英诺基金王晟最初只在微信上简朴聊了几句，，王晟对因果蹊径体现出浓重兴趣，，两人随后约了一次视频通话。。。。其时黄碧薇恰幸亏地铁站地下空间，，找不到可以坐下的地方，，就拿着电脑站在那里讲，，连耳机也没电了。。。。

“周围的人没有打搅我，，就听到我很高声地在语言，，说得特殊激动。。。。”这一聊，，聊出了投缘。。。。在她看来，，投缘的基础原因是英诺对因果蹊径已关注了一段时间，，“他们以为这才是准确的蹊径。。。。”

经纬创投同样对因果偏向坚持了恒久关注。。。。合资人童倜在谈到这笔投资时说：“随着AI逐步走向真实天下和重大情形，，仅依赖已往的数据模式、相关性学习，，已难以知足下一代智能系统的需求。。。。未来是什么难以通盘看清，，但我们相信‘因果明确’属于其中的主要组成部分。。。。”

英诺基金的投资人也给出了一个高度概括的判断：“因果是人类智能的特有表达，，是对天下信息的重大压缩，，其数据效率和参数效率千倍、万倍地优于统计的履历相关。。。。因果智能的视察、行动、反事实系统，，在天下模子上的智能潜力远超目今的履历系统。。。。Aether AI旨在解决困扰因果AI的焦点问题‘因果发明’，，推动Causal AI进入Scaling时代。。。。”

在选择投资方时，，黄碧薇最看重的并不是估值或条款，，而是两点：第一，，投资人是否真正明确并相信这个偏向。。。。“他们必需是认知很强的，，他们相信这一定是下一个AI范式的偏向”；；；
；
；第二，，他们能否在工业资源上提供实质性的资助。。。。

黄碧薇透露，，本轮融资后公司将加速手艺研发、工程化基础设施建设、团队扩充以及具身智能偏向的商业化安排。。。。资金使用优先级很明确：人才第一，，其次是算力和数据基础设施，，最后才是市场拓展。。。。

“凯时AG融资节奏会较量快。。。。这是首轮，，我相信会有越来越多机构关注我们、相信我们，，并希望加入进来。。。。”这种信心有现实支持：2026年上半年，，全球AI投资圈最先反思“堆数据、堆算力”的简单起径，，寻找新范式的突破。。。。具身智能作为AI走向物理天下的“最后一公里”，，已成为资源追逐的热门，，而Aether AI代表的因果天下模子蹊径，，恰恰站在这个拐点上。。。。

三代学术传承，，一个“唯一无二”的团队

若是要明确Aether AI的奇异性，，绕不开一个要害词：学术传承。。。。

黄碧薇的导师们，，险些就是因果AI领域的涤讪人。。。。Bernhard Sch?lkopf教授（马普智能系统所所长）、Clark Glymour教授和Peter Spirtes教授（因果发明算法的涤讪人），，以及Kun Zhang教授（将因果发明推进到隐变量场景的第二代代表人物），，Judea Pearl教授（图灵奖得主，，因果推理框架的建设者）。。。。这些人配合组成了Aether AI的学术照料网络。。。。

而黄碧薇自己，，是这个学术谱系中的第三代代表人物。。。。“我的导师们是开山始祖、第一代和第二代的主要推动者。。。。我自己算是第三代的leader。。。。我们经由了三代传承。。。。”

黄碧薇用“范式演进四阶段”清晰地定位了自己的位置。。。。她以为，，AI范式可以从两个维度划分：模子巨细！！！（小模子→大模子）和笼统能力（浅层相关性→深层因果机制）。。。。

第一代（90年月初）是小模子+浅层相关性；；；
；
；第二代（2010年左右）是小模子+因果结构发明——她的导师们在这一阶段涤讪；；；
；
；第三代（2022年）是大模子+相关性，，即LLM范式，，在自然语言和编程使命上取得了重大乐成；；；
；
；而第四代，，正是她正在推动的——大模子+因果机制。。。。

这种奇异的学术位置，，让Aether AI在吸引顶尖人才时拥有了自然的优势。。。。

公司的手艺合资人周博士，，在大模子训练领域做过许多开创性事情。。。。另一位手艺合资人冯博士，，在因果天下模子和因果强化学习领域耕作了六七年，，是该领域年轻学者中最顶尖的之一。。。。团队中尚有不少00后的年轻成员，，同样做出了许多有影响力的事情。。。。

各人愿意群集在一起，，是由于所有人都相信统一个判断：以相关性为焦点的大语言模子范式已走到拐点，，下一站必需是因果智能。。。。“各人以为我们在做的事情是唯一无二的，，没有任何一个团队可以取代。。。。”

“明年头就能看到机械人的GPT-3时刻”

Aether AI的焦点手艺是因果天下模子。。。。它与主流范式的实质区别，，可以用一句话概括：结构化压缩vs.简朴压缩。。。。

“压缩即智能”是业内常说的话，，但黄碧薇以为这不敷准确。。。。“简朴的压缩纷歧定爆发智能。。。。我们需要的是结构化的压缩——把物理天下背后的因果结构、物理纪律、动力学方程从数据中抽取出来，，而不是仅仅记着像素层面的统计模式。。。。”

她用一个例子诠释：若是模子真正学会了鸡蛋打进热油锅的因果纪律——锅的巨细、油温、蛋液状态之间的结构关系——那么纵然改变油温、换一口锅，，模子也能准确展望效果。。。。而纯相关性的模子，，只要变量稍有转变就会失效。。。。

这个目的通过四层手艺架构实现：

1.因果Transformer层：在可扩展架构上引入词元级因果建模；；；
；
；

2.模浚？榛芄共悖汗πЫ怦，，像人脑一样分工协作；；；
；
；

3.因果天下模子层：从像素到因果变量识别与动力学建模；；；
；
；

4.智能系一切层：因果驱动的妄想、归因与影象。。。。

“我们不是要推倒重来，，”黄碧薇强调，，“而是在现有架构上平滑过渡，，逐步加入因果系统。。。。”

早期验证中，，这套要领已经在部分操作使命上实现了20%-30%的数据效率提升。。。。约50条高质量因果标注数据，，就能让此前频仍失败的使命抵达可靠的乐成率。。。。这意味着，，因果天下模子有可能大幅降低对海量遥操数据的依赖——后者被以为是具身智能商业化的一大瓶颈。。。。

“遥操数据很难scale up。。。。你不可能让机械人重复摔坏杯子来学习‘掉落’这个因果。。。。”黄碧薇说，，“凯时AG战略是80%来自模拟数据、第一人称视频和果真视频数据，，只有20%是遥操数据——用作‘最后一公里’的适配。。。。”

采访中，，黄碧薇多次提到一个词：“回归实质”。。。。

“各人现在对scaling law的讨论太虚了——究竟scaling什么？？？模子架构是什么？？？数据该采哪些？？？若是这些都不界说，，scaling的效率极低。。。。”她说：“若是你用更好的模子（真正懂因果、懂物理纪律的模子），，再加上自动收罗模子真正需要的数据，，那么scaling的斜率可能能抵达0.8；；；
；
；而漫无目的地堆数据，，斜率只有0.2。。。。”

“我以为各人一定要突破一些古板依赖的路径，，真正看到天下背后的实质，，从基础去解决现在模子和数据的问题。。。。”她说。。。。

选择具身智能作为首个落地场景，，黄碧薇给了三层理由。。。。

第一，，AI正从数字天下走向物理天下，，人类需要能真正干活的机械人。。。。“我们更需要既有身体又有大脑的智能体，，才华帮人类做那些危险或繁琐的事情。。。。”

第二，，具身智能的范式远未统一，，做增量、定标准的空间最大，，未来可以引领这一领域。。。。

第三，，具身智能的数据相对清洁，，比科学发明（如生物制药）更容易验证因果模子的有用性。。。。“验证很简朴，，做一个抓取使命就行。。。。接触面、角速率、握点位置——这些干预很容易实验，，乐成与否一目了然。。。。”

她也给出了明确的里程碑：预计2027年头，，在机械人操作使命上抵达“GPT?3时刻”——即多种使命具备较好的泛化能力、高乐成率并能执行长程使命；；；
；
；到2027年下半年，，连系移动与操作，，在开放情形中实现自主探索与终身学习。。。。

“到了谁人阶段，，机械人不需要被教会所有事情，，它可以在新情形中自己探索、自己学习，，就像人类一样。。。。”黄碧薇的信心来自一个判断：目今具身智能最大的瓶颈不是硬件，，不是感知，，而是决议层的大脑。。。。一旦因果推理能力被内置到机械人中，，乐成率、泛化能力和长程使命推理能力都会迎来质的飞跃。。。。

与市场上其他天下模子蹊径相比，，黄碧薇以为Aether AI的奇异性在于：李飞飞团队着重空间智能与3D结构渲染，，杨立昆的JEPA着重去除像素噪声、保存隐空间语义，，而Aether AI的焦点是显式地学习因果变量、因果结构和因果动力学。。。。

采访竣事时，，我问黄碧薇：你希望Aether AI十年后成为一家什么样的公司？？？她的回覆很短，，分量却很重：“LLM这条蹊径是OpenAI开创的，，我们要开创的是以因果智能为焦点的下一代AI范式。。。。”

若是说深度学习教给了机械“望见”，，那么因果AI要教给机械的，，是“明确”。。。。而这，，或许是通往通用智能真正的那道窄门。。。。

科学就是去确定未知的事物