因果

”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。

与市场上其他世界模型路线相比，黄碧薇认为AetherAI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AetherAI的核心是显式地学习因果变量、因果结构和因果动力学。

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。

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，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。

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。

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。

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。

”经纬创投同样对因果方向保持了长期关注。

因果世界模型层：从像素到因果变量识别与动力学建模；

BernhardSchölkopf教授（马普智能系统所所长）、ClarkGlymour教授和PeterSpirtes教授（因果发现算法的奠基人），以及KunZhang教授（将因果发现推进到隐变量场景的第二代代表人物），JudeaPearl教授（图灵奖得主，因果推理框架的创立者）。

AetherAI旨在解决困扰因果AI的核心问题‘因果发现’，推动CausalAI进入Scaling时代。

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AppleScholar，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。

“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。

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。