生成式AI、物理AI之后,"因果AI"来了！

“我们相信，AI 的下一个飞跃不会来自现有架构的扩展，而是来自机器学习、推理和与世界互动方式的范式转变。”今天，加州大学圣迭戈分校（UCSD）黄碧薇（Biwei Huang）教授在 X 上发推说。

她同时透露，自己领衔创立的Aether AI 已融资 2000 万美元，用于构建理解机制的因果世界模型。

这也标志着她开始将所提倡的“因果 AI”理论，正式推向市场。

她说，“我花了十多年时间研究因果发现和因果 AI。无数个深夜，无数篇论文，还有无数未解之谜。今天，我们要向世界推出一些东西。”

黄碧薇目前担任加州大学圣迭戈分校 Halıcıoğlu数据科学研究所（HDSI）助理教授，其研究方向是，突破当前大模型仅依赖“统计相关性”的瓶颈，致力于将因果推理（Causality）注入新一代人工智能中。

她是知名因果发现开源 Python 库 ⁠causal-learn⁠ 的核心贡献者之一，并在近期推出了自主因果分析智能体 ⁠Causal-Copilot⁠。

因果 AI（Causal AI）的目标是，让机器学会人类最核心的思考方式，即理解“为什么”。

与之相比，GPT、Claude 等生成式AI模型，本质上都是高级的统计数据找规律机器，主要解决“是什么”和“接下来最可能出现什么”的问题。

有个经典的冰淇淋悖论。

统计数据显示，冰激凌销量暴涨时，溺水事故也会暴涨。

传统 AI看到冰激凌销量上升，就会预测溺水风险增加，甚至可能建议“禁止卖冰激凌来减少溺水”。

因果AI则能够识别出背后的真正原因是“天气炎热”。天气热，导致人去游泳引发溺水，且吃冰激凌，因此它不会愚蠢地去干预冰激凌销量。

还有，传统生成式AI 只能基于“已经发生的数据”做预测，而因果 AI 可以回答“如果当时不这样做，会怎么样？”的问题。

比如， “如果上个月我们没有投放这笔 500 万的广告，销量会下降多少？”这是因果科学掌门人 Judea Pearl 提出的“因果之梯”的最高层。

以下为她介绍因果世界模型的论文——

《因果世界模型：面向现实世界智能》

埃瑟（Aether）正在研发新一代人工智能系统，这类系统能够理解事物运行机理、在人为干预下展开推理，并在现实场景中稳定运行。

一、突破模式识别局限

真正的智能，需要构建世界运行规律的模型。

下一代人工智能范式，不会仅依托模式识别搭建。当前AI已能实现超大规模的识别、生成、模仿与预测，但现实中关键系统绝非被动的数据分布：物理环境、生物体系、科学实验，都会在人为操作、扰动、观测、改造后产生反馈变化。

真正的智能，依托对世界运转逻辑的建模：明确关键变量、变量间作用关系、干预行为如何改变后续状态、结果产生的底层原因。我们将这类系统定义为因果世界模型。

因果世界模型让AI跳出被动预测的范畴，转向对行为后果、反事实假设、人为干预的逻辑推演。

它串联起观测信息、隐状态、内在机理、动作行为与最终结果，使系统不只预判大概率事件，更能知晓哪些现状可以被人为改变。

1.5 因果闭环

观测转化为干预行为，继而产生新的客观信息。

系统循环往复：推导事物内在结构、执行动作测试、观测环境变化、迭代更新模型。

二、物理人工智能

物理人工智能是我们的首个实践试验场。

机器人领域将这一问题具象化：机器人仅靠物体识别无法稳定作业，必须理解接触、作用力、摩擦力、支撑关系、约束条件、环境可用属性，以及动作作用下环境发生变化的物理动力学规律。

当下多数机器人AI仍采用“观测直接映射动作”的模式，在固定场景中可习得有效行为，但一旦物体、环境、时序、任务框架发生变动，系统便极易失效。

长周期任务里微小失误会持续累积；由于缺少解释动作失败原因的内在模型，想要修正错误往往只能补充数据、重新训练或人工调试。

埃瑟致力于打造物理人工智能的决策中枢——坐落于感知层与控制层之间的智能层，实现从场景理解到物理逻辑推理、再到落地动作的完整转化。

三、不止于机器人领域

同一套逻辑同样适用于科学发现。

在生物、医药、长寿研究领域，进步的核心是探明内在机理，而非单纯捕捉数据规律。

以衰老为例，是代谢、炎症、细胞衰老、线粒体功能、表观遗传调控、免疫反应与外界环境多重过程相互作用的结果。

因果世界模型能够区分现象诱因与表征指标、预判干预措施对后续连锁状态的影响、设计对照实验以甄别相悖的理论假说。

各领域的核心难题高度统一：探明事物间的作用关系、理清底层缘由，并以此为依据制定干预方案。

四、技术路线

埃瑟的研发思路

埃瑟搭建串联状态、动作、机理与结果的因果世界模型，可挖掘稳定的因果结构、模拟未来多种可能性、比对反事实方案、测算不确定性，并依托现实反馈持续迭代。

整套体系形成闭环：从观测数据推导隐层状态→推演可行干预方案→通过动作或实验验证模型→依据预期与实际结果的偏差更新模型表征。

落地物理人工智能时，它成为机器人的决策大脑；落地科研领域时，它可生成研究假说、设计实验方案，挖掘仅靠观测无法发现的内在机理。

下一代人工智能离不开算力规模与逻辑架构两大核心：规模赋予模型基础能力，因果架构让能力具备稳定性、复用性与现实落地根基。

埃瑟打造的AI不止能够预测结果，更能习得底层机理，从而实现可靠的人为干预。

团队介绍

创始团队是因果挖掘、因果人工智能、因果基础模型、因果强化学习、智能体系统、大模型训练方向的顶尖专家。