Aether AI融资2000万美元：当世界模型都在拼统计规模，这家公司押注”因果推理”能否打破Physical AI的数据效率天花板？

2026年的Physical AI赛道正在上演一场方法论分野。就在逆矩阵科技（Physis）以超亿美元融资和”预测下一个物理状态”的范式叙事搅动市场仅数日之后，另一条截然不同的技术路线也获得了资本的入场券——Aether AI宣布完成首轮约2000万美元融资，用一个更为根本的命题直面行业核心焦虑：AI需要的究竟是更多的数据，还是更深的因果理解？ 如果说Physis代表着”用规模法则压缩物理世界”的工程主义路径，那么Aether AI则试图从认知科学的源头出发，让AI不只是在统计层面拟合世界的表象，而是真正理解”为什么”。这不是一场融资金额的比拼，而是一场关于AI智能本质的路线之争——其胜负，可能决定Physical AI的下一个十年走向何方。

相关性不够，因果才行：为什么这条路线在此刻浮出水面

要理解Aether AI的价值主张，需要先理解当前世界模型领域的一个结构性困境。过去三年，从Sora到悟界·Physis-v0.1，世界模型的技术演进基本沿着同一条主干道前进：通过海量视频和物理交互数据，用Transformer架构学习统计分布，从而预测物理世界的下一个状态。这条路径的逻辑清晰而强大——既然大语言模型靠Scaling Law在文本领域实现了智能涌现，那么把同样的范式迁移到物理世界，只要数据够多、模型够大、算力够强，物理AI的涌现似乎也只是时间问题。

但黄碧薇看到了这条路径的致命盲区。在她超过十二年的因果发现研究中，一个反复验证的结论是：统计相关性无法等价于因果关系。一个模型可以从十万段视频中学到”松手后物体会下落”，但它无法区分”是因为重力”还是”因为所有训练数据碰巧都在地球上拍摄”。这种区别在封闭的基准测试中无关紧要，但一旦机器人需要在月球表面、水下环境或从未见过的工厂车间中执行任务，基于统计相关性的模型就会因为分布偏移（distribution shift）而迅速失效。

这正是Aether AI切入的精确位置。黄碧薇在融资公告中的表述一针见血：”过去十年，深度学习通过规模法则取得了令人瞩目的成就。但当我们试图让AI系统在真实物理世界中做出可靠决策时，仅凭统计相关性是不够的——模型必须理解因果机制。”这句话不仅是对自身技术路线的辩护，更是对整个行业”数据为王”信念的一次温和而坚定的质疑。

因果世界模型的三重突破：从”黑箱相关”到”白箱因果”

Aether AI的技术路线与主流范式的差异体现在三个层面，每一层都直指当前世界模型的核心短板。

第一重：因果特征表示（Causal Feature Representation）。当前主流模型处理多模态输入（视频、传感器信号、文本）的标准做法是将其编码为高维嵌入向量——一种数学上高效但语义上不透明的”黑箱”表示。你无法从一个768维的向量中读出”这个物体的质量是多少”或”这股力的方向在哪”。Aether AI的做法截然不同：它从原始输入中直接提取可解释的因果变量——每一个变量都对应着物理世界中可观测、可干预的具体因素。这意味着模型的内部表示不再是一团无法拆解的数字雾气，而是一张清晰的因果地图。

第二重：因果结构发现（Causal Structure Discovery）。知道有哪些变量还不够，关键在于理清变量之间”谁影响谁、以什么方式影响、在什么条件下影响”。这正是因果发现（causal discovery）这一学科四十年来试图回答的核心问题，而黄碧薇恰恰是这一领域全球最活跃的研究者之一。Aether AI的模型能够自动识别因果依赖关系和层级结构，构建出一个动态更新的因果图谱。在物理世界中，这意味着模型不只知道”推力会让物体移动”，还知道”摩擦力会减弱推力的效果”、”坡度会改变摩擦力的大小”——以及这些关系之间的层级和条件。

第三重：因果动力学建模（Causal Dynamics Modeling）。这是整个体系中最具想象力的部分。传统世界模型只能做”前向预测”——给定当前状态和动作，预测下一个状态。但Aether AI的因果动力学建模可以推演系统在不同干预条件下的演化轨迹，赋予模型反事实推理（Counterfactual Reasoning）和因果想象（Causal Imagination）的能力。通俗地说，模型不仅能回答”如果我推这个杯子会怎样”，还能回答”如果我没推这个杯子会怎样”，甚至”如果重力是地球的六分之一会怎样”。这种能力在机器人决策、安全评估和异常归因中具有不可替代的价值。

三重突破叠加，Aether AI构建了一套四层技术栈架构：因果Transformer层在可扩展架构基础上引入词元级因果性建模；模块化架构层实现功能解耦的神经网络设计；因果世界模型层完成从像素到物理的因果变量识别与动力学建模；智能体系统层提供因果驱动的规划、归因与记忆机制。值得注意的是，这套架构的设计思路不是”另起炉灶”——它在现有的可扩展Transformer架构上平滑过渡，逐步引入因果机制，而非推翻既有的工程体系从零开始。

因果 vs. 统计：与逆矩阵的路线分野到底意味着什么

将Aether AI的因果路线与逆矩阵科技（Physis）的统计路线放在一起对比，会发现两者在几乎每个关键技术选择上都呈现出鲜明的对照——它们不是在同一条赛道上竞速，而是在不同的维度上定义”什么是理解世界”。

逆矩阵的核心范式是”预测下一个物理状态”（Next Physical State Prediction），其底层逻辑是：将物理世界的规律视为可以通过大规模数据压缩来逼近的统计分布。它构建了精巧的”数据金字塔”——从强物理交互视频到极端物理突变数据——并展示了令人振奋的Scaling Law趋势，证明随着数据和参数增加，预测误差持续下降。这是一条工程上强大、路径上清晰的技术路线，其最大的赌注在于：物理世界是否也存在类似于语言的Scaling Law？

Aether AI则从根本上质疑这一前提。在因果推理的视角下，统计规律的涌现不等于因果理解的获得。一个模型可能在十亿参数下完美预测地球表面的物体运动轨迹，但换一个引力场就全盘崩溃——因为它学到的是”在地球上物体这样运动”这一统计事实，而非”质量产生引力、引力决定加速度”这一因果机制。Aether AI的赌注在于：因果结构是一种远比统计分布更高效的世界知识压缩方式。英诺基金的投资人对此做了一个精辟的注解：”因果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。”

早期验证数据为这一判断提供了初步证据。在部分操作任务中，Aether AI的因果方法将数据效率提升了20%–30%，而仅凭约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。50条数据——对比逆矩阵需要构建的从真实视频到合成突变的”数据金字塔”，这个数字本身就构成了最有力的技术论证。如果因果世界模型能够持续以数量级更少的数据达到同等甚至更优的表现，那么它不仅是一种更优雅的技术路线，更是一种具有颠覆性成本优势的商业路径。

当然，两种路线并非必然互斥。逆矩阵自身也在架构中引入了”动作因果”概念，将动作原子嵌入隐空间以理解”做了什么”与”发生了什么”之间的关系。但这种因果性更多是工程层面的局部增强，而非体系层面的根本重构。Aether AI的差异在于：它将因果推理从一个”锦上添花的模块”提升为”整个架构的基石”——从特征表示到结构发现到动力学建模，因果性贯穿始终。这种”因果优先”（Causality First）的设计哲学，使得模型天然具备更强的可解释性、更高的跨域泛化能力和更低的数据依赖。

三代因果学者的学术护城河

Aether AI的团队配置揭示了一个被市场低估的事实：因果推理不是一个可以”调参”或”精调”就能做好的工程问题，而是一门有着四十年学术积淀的独立学科。

创始人黄碧薇的学术轨迹本身就是一部因果AI发展史的微缩版。从中国起步，辗转德国马克斯·普朗克智能系统研究所、美国卡内基梅隆大学，最终落脚加州大学圣地亚哥分校（UCSD）Halıcıoğlu数据科学研究所，她在NeurIPS、ICML、ICLR、CVPR等顶级会议及期刊发表论文逾百篇，获Apple Scholar等奖项，并主导开发了因果发现领域的全球标准开源工具Causal-Learn和Causal-Copilot。这些工具被全球学术界和工业界广泛采用，意味着Aether AI的创始人不仅是因果AI的研究者，更是这一领域基础设施的建造者。

但真正让Aether AI在学术护城河上与同赛道公司拉开身位的，是其覆盖三代核心学者的顾问网络。图灵奖得主Judea Pearl——贝叶斯网络和因果推断的奠基人，他的do-calculus理论从根本上定义了”什么是因果”；马普所所长Bernhard Schölkopf——将因果推理引入现代机器学习的关键推手，其”因果表示学习”理论直接影响了Aether AI的因果特征表示模块；因果发现学科的奠基人Clark Glymour和Peter Spirtes——他们在上世纪八十年代开创的PC算法至今仍是因果结构学习的标准方法；以及Kun Zhang教授——非线性因果发现领域的核心贡献者。

从Glymour和Spirtes的经典因果发现理论，到Pearl的因果推断框架，到Schölkopf的因果机器学习，再到黄碧薇这一代将因果推理工程化、规模化的研究者——Aether AI的顾问团队实际上串联了因果AI四十年发展的完整知识谱系。这不是简单的”名人背书”，而是一种深层次的知识传承和技术传递管道。在因果AI这样一个理论门槛极高的领域，这种学术网络的密度和深度本身就是最坚固的竞争壁垒。

投资逻辑：经纬为什么在Physical AI赛道上押注两条路线

一个耐人寻味的细节是：经纬创投既领投了Aether AI的首轮融资，也出现在逆矩阵科技超亿美元种子++轮的投资方名单中。同一家顶级基金同时下注两条对立的技术路线——这不是矛盾，而是一种精明的”对冲式押注”策略。

经纬创投合伙人童倜在投资评语中的措辞颇为微妙：”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。”注意这里的用词——”重要组成部分”而非”唯一正确路径”。这反映出经纬的投资逻辑：Physical AI的终局大概率不是”统计路线胜出”或”因果路线胜出”的零和博弈，而是两者在不同层面的融合与互补。统计方法在数据充裕的常规场景中高效且可靠，因果方法则在数据稀缺、分布偏移、需要可解释性的高风险场景中具有不可替代的优势。

英诺基金和九合创投的参投同样值得解读。英诺长期聚焦早期硬科技投资，其投资人给出的评论精准地揭示了因果AI的核心投资逻辑：”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DiT的经验体系。”这是一个比”数据效率提升20%–30%”更大的命题——英诺押注的不是增量改进，而是范式跃迁。九合创投作为中国最活跃的早期科技基金之一，其入局则为Aether AI带来了更广泛的产业生态连接能力。

从融资金额来看，2000万美元与逆矩阵的超亿美元之间存在数量级差距。但这恰恰反映了两家公司所处的不同技术阶段和资源需求结构：逆矩阵需要巨额资金来喂养通用基座模型的大规模预训练，而Aether AI的因果方法论本身就以”用更少数据做更多事”为核心卖点——如果一家标榜”数据效率千倍于统计方法”的公司反而需要更多的钱，那才是逻辑上的自相矛盾。

具身智能：因果推理的最佳试金石

Aether AI选择将首个应用场景锚定在具身智能（Physical AI），为机器人打造统一的因果推理层——一个”因果大脑”。这一选择绝非偶然，而是技术特性与应用场景之间的精准匹配。

在物理世界中，机器人的每一次动作本质上都是一次干预（intervention）——这是因果推理框架中最核心的概念之一。当一个机器人决定推一个物体时，它不是在被动观测统计规律，而是在主动改变世界状态。统计模型擅长从观测数据中提取模式，但对干预效果的预测天然存在系统性偏差——这在因果推理文献中被称为”观测-干预鸿沟”（observational-interventional gap）。一个只见过”人推杯子，杯子滑动”这一统计模式的模型，可能无法正确预测”机器人以不同力度、不同角度推杯子”的后果，因为统计相关性中混杂了人类动作习惯的偏差。

Aether AI的因果世界模型通过显式建模因果变量和干预效果，直接弥合了这道鸿沟。更重要的是，因果框架的反事实推理能力在机器人安全领域具有独特价值——当一次操作失败时，因果模型不仅能诊断”出了什么错”，还能回答”如果当时换一种方式会怎样”，这对于机器人系统的持续学习和安全保障至关重要。

约50条高质量因果标注数据就能让频繁失败的任务达到可靠成功率——这一早期验证结果如果能在更多场景中得到复现，将对整个具身智能行业产生深远影响。当前具身智能领域最大的瓶颈之一就是物理交互数据的稀缺和高昂的采集成本，如果因果方法确实能将数据需求降低一到两个数量级，它将从根本上改变具身智能公司的成本结构和扩张速度。

风险与挑战：因果之路上的三重不确定性

尽管技术叙事引人入胜，但Aether AI面临的挑战同样不容回避。

第一重不确定性：从学术到工程的跨越。因果推理在学术界有着深厚的理论基础，但将其工程化、规模化的尝试仍处于极早期。Causal-Learn和Causal-Copilot证明了黄碧薇团队的开源工程能力，但从一个被学术界广泛引用的工具到一个支撑商业化机器人系统的因果引擎，中间的鸿沟不亚于从一篇顶会论文到一个量产芯片。因果结构发现的计算复杂度会随变量数量指数增长，如何在保持因果精确性的同时实现实时推理，是一个严峻的工程挑战。

第二重不确定性：因果标注的可扩展性。50条高质量因果标注数据带来的效果令人印象深刻，但”高质量因果标注”本身的获取并非免费午餐。因果标注需要领域专家对变量间的因果关系做出判断，这一过程的成本和扩展性如何？当应用场景从实验室扩展到工业现场，因果变量的定义和标注能否自动化？这些问题将直接决定Aether AI的技术优势能否从论文中的”概念验证”转化为商业世界的”可复制模式”。

第三重不确定性：市场教育的时间成本。”因果世界模型”是一个对绝大多数客户而言都极其抽象的概念。在与统计路线的竞争中，Aether AI不仅需要证明技术上的优越性，还需要教育市场”为什么因果方法更好”——而在企业采购决策中，一个能直接看到Scaling Law曲线图的统计模型，往往比一个需要理解”反事实推理”才能评估的因果模型更容易获得预算批准。Aether AI需要找到一种方式，将深奥的因果理论转化为客户可感知的商业价值——例如”同样的任务成功率，只需十分之一的训练数据”这样直击痛点的量化指标。

结语：AI理解世界的两种哲学

Aether AI的2000万美元融资，其意义远超一家初创公司的资本故事。它标志着Physical AI领域出现了第一条真正意义上的”因果优先”技术路线，并获得了一线资本的认可和支持。

如果我们将物理AI的发展类比为人类认知的发展历程，那么当前主流的统计方法更像是人类的”直觉系统”——快速、高效、依赖经验、在熟悉环境中表现出色，但面对全新情境时容易犯系统性错误。而Aether AI追求的因果推理则更像是人类的”理性系统”——慢速、精确、依赖推理、在陌生环境中仍然可靠。丹尼尔·卡尼曼在《思考，快与慢》中告诉我们，人类智能的真正力量来自两个系统的协同——未来的Physical AI大概率也是如此。

黄碧薇和她的三代因果学者顾问团队，正在下一盘覆盖四十年学术积淀的棋。他们的对手不是逆矩阵科技或任何一家具体的竞争者，而是整个行业对”数据规模决定一切”这一信念的惯性。因果世界模型能否像它的理论所预言的那样，以数量级更少的数据实现更强的泛化能力和更深的世界理解？这个问题的答案，将决定Physical AI的未来是属于”蛮力”还是属于”理解”——或者更可能的是，属于两者的深度融合。

标签: Aether AI, 因果世界模型, 因果推理, Physical AI, 具身智能, 经纬创投, Judea Pearl, UCSD, 因果发现