生成式AI、物理AI之后,"因果AI"來了！

“我們相信，AI 的下一個飛躍不會來自現有架構的擴展，而是來自機器學習、推理和與世界互動方式的范式轉變。”今天，加州大學圣迭戈分校（UCSD）黃碧薇（Biwei Huang）教授在 X 上發推說。

她同時透露，自己領銜創立的Aether AI 已融資 2000 萬美元，用于構建理解機制的因果世界模型。

這也標志著她開始將所提倡的“因果 AI”理論，正式推向市場。

她說，“我花了十多年時間研究因果發現和因果 AI。無數個深夜，無數篇論文，還有無數未解之謎。今天，我們要向世界推出一些東西。”

黃碧薇目前擔任加州大學圣迭戈分校 Hal?c?o?lu數據科學研究所（HDSI）助理教授，其研究方向是，突破當前大模型僅依賴“統計相關性”的瓶頸，致力于將因果推理（Causality）注入新一代人工智能中。

她是知名因果發現開源 Python 庫 ?causal-learn? 的核心貢獻者之一，并在近期推出了自主因果分析智能體 ?Causal-Copilot?。

因果 AI（Causal AI）的目標是，讓機器學會人類最核心的思考方式，即理解“為什么”。

與之相比，GPT、Claude 等生成式AI模型，本質上都是高級的統計數據找規律機器，主要解決“是什么”和“接下來最可能出現什么”的問題。

有個經典的冰淇淋悖論。

統計數據顯示，冰激凌銷量暴漲時，溺水事故也會暴漲。

傳統 AI看到冰激凌銷量上升，就會預測溺水風險增加，甚至可能建議“禁止賣冰激凌來減少溺水”。

因果AI則能夠識別出背后的真正原因是“天氣炎熱”。天氣熱，導致人去游泳引發溺水，且吃冰激凌，因此它不會愚蠢地去干預冰激凌銷量。

還有，傳統生成式AI 只能基于“已經發生的數據”做預測，而因果 AI 可以回答“如果當時不這樣做，會怎么樣？”的問題。

比如， “如果上個月我們沒有投放這筆 500 萬的廣告，銷量會下降多少？”這是因果科學掌門人 Judea Pearl 提出的“因果之梯”的最高層。

以下為她介紹因果世界模型的論文——

《因果世界模型：面向現實世界智能》

埃瑟（Aether）正在研發新一代人工智能系統，這類系統能夠理解事物運行機理、在人為干預下展開推理，并在現實場景中穩定運行。

一、突破模式識別局限

真正的智能，需要構建世界運行規律的模型。

下一代人工智能范式，不會僅依托模式識別搭建。當前AI已能實現超大規模的識別、生成、模仿與預測，但現實中關鍵系統絕非被動的數據分布：物理環境、生物體系、科學實驗，都會在人為操作、擾動、觀測、改造后產生反饋變化。

真正的智能，依托對世界運轉邏輯的建模：明確關鍵變量、變量間作用關系、干預行為如何改變后續狀態、結果產生的底層原因。我們將這類系統定義為因果世界模型。

因果世界模型讓AI跳出被動預測的范疇，轉向對行為后果、反事實假設、人為干預的邏輯推演。

它串聯起觀測信息、隱狀態、內在機理、動作行為與最終結果，使系統不只預判大概率事件，更能知曉哪些現狀可以被人為改變。

1.5 因果閉環

觀測轉化為干預行為，繼而產生新的客觀信息。

系統循環往復：推導事物內在結構、執行動作測試、觀測環境變化、迭代更新模型。

二、物理人工智能

物理人工智能是我們的首個實踐試驗場。

機器人領域將這一問題具象化：機器人僅靠物體識別無法穩定作業，必須理解接觸、作用力、摩擦力、支撐關系、約束條件、環境可用屬性，以及動作作用下環境發生變化的物理動力學規律。

當下多數機器人AI仍采用“觀測直接映射動作”的模式，在固定場景中可習得有效行為，但一旦物體、環境、時序、任務框架發生變動，系統便極易失效。

長周期任務里微小失誤會持續累積；由于缺少解釋動作失敗原因的內在模型，想要修正錯誤往往只能補充數據、重新訓練或人工調試。

埃瑟致力于打造物理人工智能的決策中樞——坐落于感知層與控制層之間的智能層，實現從場景理解到物理邏輯推理、再到落地動作的完整轉化。

三、不止于機器人領域

同一套邏輯同樣適用于科學發現。

在生物、醫藥、長壽研究領域，進步的核心是探明內在機理，而非單純捕捉數據規律。

以衰老為例，是代謝、炎癥、細胞衰老、線粒體功能、表觀遺傳調控、免疫反應與外界環境多重過程相互作用的結果。

因果世界模型能夠區分現象誘因與表征指標、預判干預措施對后續連鎖狀態的影響、設計對照實驗以甄別相悖的理論假說。

各領域的核心難題高度統一：探明事物間的作用關系、理清底層緣由，并以此為依據制定干預方案。

四、技術路線

埃瑟的研發思路

埃瑟搭建串聯狀態、動作、機理與結果的因果世界模型，可挖掘穩定的因果結構、模擬未來多種可能性、比對反事實方案、測算不確定性，并依托現實反饋持續迭代。

整套體系形成閉環：從觀測數據推導隱層狀態→推演可行干預方案→通過動作或實驗驗證模型→依據預期與實際結果的偏差更新模型表征。

落地物理人工智能時，它成為機器人的決策大腦；落地科研領域時，它可生成研究假說、設計實驗方案，挖掘僅靠觀測無法發現的內在機理。

下一代人工智能離不開算力規模與邏輯架構兩大核心：規模賦予模型基礎能力，因果架構讓能力具備穩定性、復用性與現實落地根基。

埃瑟打造的AI不止能夠預測結果，更能習得底層機理，從而實現可靠的人為干預。

團隊介紹

創始團隊是因果挖掘、因果人工智能、因果基礎模型、因果強化學習、智能體系統、大模型訓練方向的頂尖專家。