独家｜经纬领投了一家因果世界模型公司“Aether AI”

投中网独家获悉，专注于因果世界模型（Causal World Model）的人工智能公司Aether AI正式宣布完成首轮融资，募集资金总额约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）创办。它正在打造一种全新的AI范式，因果世界模型。它的目标不是让AI更“大”，而是让AI更“懂”。这一变革意义非凡，可能将改变AI的未来走向——让机器理解“为什么”，而不仅仅是“是什么”。

过去三年，具身智能领域投入了巨大资源，VLA（视觉-语言-动作）模型被寄予厚望。然而，大量demo在训练数据上表现惊艳，一部署到真实环境就频繁失败。

“大家开始意识到，只靠堆数据、堆算力，沿用LLM那条老路，在物理世界里是行不通的。LLM在自然语言和编程上很成功，是因为语言本身就是人类已经归纳好的浅层信息。”黄碧薇说。她把这个现象归结为范式的根本缺陷：相关性不等于因果性。她判断，下一代AI范式是以因果为核心的大模型。

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的核心逻辑。

12年学术生涯后开启创业，“在地铁站里聊出来的融资”

黄碧薇决定出来创业的时间点，并非偶然。

“我一直在做科研，也一直有创业的想法。”黄碧薇说。她在因果发现与机器学习领域深耕超过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等顶会发表论文逾百篇，获得Apple Scholar，还主导开发了全球因果发现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核心问题解决得比较好了，但局限在学术圈。”她说，“外因是，过去三年具身智能领域投入了巨大资源，大家尝试了各种路线，却始终没有实质性的突破。资本市场和产业界开始意识到，单纯依赖大语言模型那条范式已经不够用了。”

而此时，黄碧薇深耕的因果AI方法被越来越多人看见——它天然适合物理世界、适合具身智能，也适合更复杂的科学发现。Aether AI由此诞生。

本轮融资的投资方阵容颇为亮眼。黄碧薇是如何接触到这些投资人的？这背后的故事并不复杂。

黄碧薇与投资人的接触，源于朋友牵线。她与英诺基金王晟最初只在微信上简单聊了几句，王晟对因果路线表现出浓厚兴趣，两人随后约了一次视频通话。当时黄碧薇刚好在地铁站地下空间，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。

“周围的人没有打扰我，就听到我很大声地在说话，说得特别激动。”这一聊，聊出了投缘。在她看来，投缘的根本原因是英诺对因果路线已关注了一段时间，“他们觉得这才是正确的路线。”

经纬创投同样对因果方向保持了长期关注。合伙人童倜在谈到这笔投资时说：“随着AI逐步走向真实世界和复杂环境，仅依赖过去的数据模式、相关性学习，已难以满足下一代智能系统的需求。未来是什么难以全盘看清，但我们相信‘因果理解’属于其中的重要组成部分。”

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，是对世界信息的巨大压缩，其数据效率和参数效率千倍、万倍地优于统计的经验相关。因果智能的观测、行动、反事实体系，在世界模型上的智能潜力远超当前的经验体系。Aether AI旨在解决困扰因果AI的核心问题‘因果发现’，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，投资人是否真正理解并相信这个方向。“他们必须是认知很强的，他们相信这一定是下一个AI范式的方向”；第二，他们能否在产业资源上提供实质性的帮助。

黄碧薇透露，本轮融资后公司将加快技术研发、工程化基础设施建设、团队扩充以及具身智能方向的商业化部署。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。

“我们的融资节奏会比较快。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。”这种信心有现实支撑：2026年上半年，全球AI投资圈开始反思“堆数据、堆算力”的单一路径，寻找新范式的突破。具身智能作为AI走向物理世界的“最后一公里”，已成为资本追逐的热点，而Aether AI代表的因果世界模型路线，恰好站在这个拐点上。

三代学术传承，一个“独一无二”的团队

如果要理解Aether AI的独特性，绕不开一个关键词：学术传承。

黄碧薇的导师们，几乎就是因果AI领域的奠基人。Bernhard Schölkopf教授（马普智能系统所所长）、Clark Glymour教授和Peter Spirtes教授（因果发现算法的奠基人），以及Kun Zhang教授（将因果发现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，因果推理框架的创立者）。这些人共同构成了Aether AI的学术顾问网络。

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

黄碧薇用“范式演进四阶段”清晰地定位了自己的位置。她认为，AI范式可以从两个维度划分：模型大小（小模型→大模型）和抽象能力（浅层相关性→深层因果机制）。

第一代（90年代初）是小模型+浅层相关性；第二代（2010年左右）是小模型+因果结构发现——她的导师们在这一阶段奠基；第三代（2022年）是大模型+相关性，即LLM范式，在自然语言和编程任务上取得了巨大成功；而第四代，正是她正在推动的——大模型+因果机制。

这种独特的学术位置，让Aether AI在吸引顶尖人才时拥有了天然的优势。

公司的技术合伙人周博士，在大模型训练领域做过很多开创性工作。另一位技术合伙人冯博士，在因果世界模型和因果强化学习领域耕耘了六七年，是该领域年轻学者中最顶尖的之一。团队中还有不少00后的年轻成员，同样做出了很多有影响力的工作。

大家愿意聚集在一起，是因为所有人都相信同一个判断：以相关性为核心的大语言模型范式已走到拐点，下一站必须是因果智能。“大家觉得我们在做的事情是独一无二的，没有任何一个团队可以取代。”

“明年初就能看到机器人的GPT-3时刻”

Aether AI的核心技术是因果世界模型。它与主流范式的本质区别，可以用一句话概括：结构化压缩vs.简单压缩。

“压缩即智能”是业内常说的话，但黄碧薇认为这不够精确。“简单的压缩不一定产生智能。我们需要的是结构化的压缩——把物理世界背后的因果结构、物理规律、动力学方程从数据中抽取出来，而不是仅仅记住像素层面的统计模式。”

她用一个例子解释：如果模型真正学会了鸡蛋打进热油锅的因果规律——锅的大小、油温、蛋液状态之间的结构关系——那么即使改变油温、换一口锅，模型也能准确预测结果。而纯相关性的模型，只要变量稍有变化就会失效。

这个目标通过四层技术架构实现：

1.因果Transformer层：在可扩展架构上引入词元级因果建模；

2.模块化架构层：功能解耦，像人脑一样分工协作；

3.因果世界模型层：从像素到因果变量识别与动力学建模；

4.智能体系统层：因果驱动的规划、归因与记忆。

“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，逐步加入因果体系。”

早期验证中，这套方法已经在部分操作任务上实现了20%-30%的数据效率提升。约50条高质量因果标注数据，就能让此前频繁失败的任务达到可靠的成功率。这意味着，因果世界模型有可能大幅降低对海量遥操数据的依赖——后者被认为是具身智能商业化的一大瓶颈。

“遥操数据很难scale up。你不可能让机器人反复摔坏杯子来学习‘掉落’这个因果。”黄碧薇说，“我们的策略是80%来自模拟数据、第一人称视频和公开视频数据，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：“回归本质”。

“大家现在对scaling law的讨论太虚了——到底scaling什么？模型架构是什么？数据该采哪些？如果这些都不定义，scaling的效率极低。”她说：“如果你用更好的模型（真正懂因果、懂物理规律的模型），再加上主动采集模型真正需要的数据，那么scaling的斜率可能能达到0.8；而漫无目的地堆数据，斜率只有0.2。”

“我觉得大家一定要突破一些传统依赖的路径，真正看到世界背后的本质，从根本去解决现在模型和数据的问题。”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正从数字世界走向物理世界，人类需要能真正干活的机器人。“我们更需要既有身体又有大脑的智能体，才能帮人类做那些危险或繁琐的工作。”

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干净，比科学发现（如生物制药）更容易验证因果模型的有效性。“验证很简单，做一个抓取任务就行。接触面、角速度、握点位置——这些干预很容易实施，成功与否一目了然。”

她也给出了明确的里程碑：预计2027年初，在机器人操作任务上达到“GPT‑3时刻”——即多种任务具备较好的泛化能力、高成功率并能执行长程任务；到2027年下半年，结合移动与操作，在开放环境中实现自主探索与终身学习。

“到了那个阶段，机器人不需要被教会所有事情，它可以在新环境中自己探索、自己学习，就像人类一样。”黄碧薇的信心来自一个判断：当前具身智能最大的瓶颈不是硬件，不是感知，而是决策层的大脑。一旦因果推理能力被内置到机器人中，成功率、泛化能力和长程任务推理能力都会迎来质的飞跃。

与市场上其他世界模型路线相比，黄碧薇认为Aether AI的独特性在于：李飞飞团队侧重空间智能与3D结构渲染，杨立昆的JEPA侧重去除像素噪声、保留隐空间语义，而Aether AI的核心是显式地学习因果变量、因果结构和因果动力学。

采访结束时，我问黄碧薇：你希望Aether AI十年后成为一家什么样的公司？她的回答很短，分量却很重：“LLM这条路线是OpenAI开创的，我们要开创的是以因果智能为核心的下一代AI范式。”

如果说深度学习教给了机器“看见”，那么因果AI要教给机器的，是“理解”。而这，或许是通往通用智能真正的那道窄门。