哪条路线，才能通往「世界模型」的终局？｜对话黄碧薇：Aether AI 创始人
因果世界模型，一种 AI 新范式
👦🏻 播客采访：Koji
🥷 整理编辑：十字路口
🧑🎨 排版: Zeoooo
🚥总有人在朝着星辰大海前进。
世界模型是 2026 年 AI 与具身智能领域最热的关键词之一。但越是热门的词，越容易被过度使用：视频生成、3D 生成、JEPA、VLA、WAM，似乎都可以被叫作世界模型。可当我们真正谈论「世界模型」时，我们到底在谈论什么？
本周「十字路口」邀请到 Aether AI 创始人 / CEO 黄碧薇教授。 她从德国马克思·普朗克研究所、CMU 到 UCSD，一路深耕因果发现与因果 AI，是这个领域的重要学术贡献者之一。
Aether AI 最近迅速完成 2000 万美金的天使轮融资，黄碧薇选择把因果 AI 这套长期被认为「更合理、但更难实现」的方法，带到 Physical AI 和机器人大脑的问题里，打造「因果世界模型」。
我和黄碧薇聊了世界模型的定义边界、视频生成为什么不等于世界模型、VLA 为什么在真实任务中碰壁、WAM 为什么可能只是中间态，以及「因果世界模型」想要解决的三个核心问题。
这也是一期关于创业选择的节目。为什么一个 UCSD 教授会在 2025 年初决定下场创业？她看到了什么信号？
如果你正在关注世界模型、具身智能、机器人、因果 AI，或者正在思考下一代 AI 范式会从哪里出现，这期节目也许能帮你重新校准一个问题：哪条路线，才能通往「世界模型」的终局？
微信收听播客：
小宇宙收听播客：
🎬 视频播客已同步上线于 @Koji杨远骋 的视频号、小红书、哔哩哔哩、Youtube 等平台
🚥
快问快答
👦🏻 Koji
你好，黄教授。我们先从快问快答开始，可以介绍一下你的求学经历吗？
👩🏻 黄碧薇
我这一路还蛮有意思的。从上海华师大计算机系毕业后，去了德国马克斯·普朗克研究所，再到 CMU 读博，毕业后加入 UCSD 担任助理教授。
👦🏻 Koji
你的 MBTI 和星座是？
👩🏻 黄碧薇
偏 INTJ，有时也会是 INTP，星座是水瓶座。
👦🏻 Koji
用一句话介绍 Aether AI 这家公司。
👩🏻 黄碧薇
我们要构建真正的因果世界模型，让 AI 理解物理世界背后的因果关系和物理规律，从而可以举一反三，在物理世界中真正帮到大家。
我们第一个落地的场景就是具身大脑。
👦🏻 Koji
听起来是非常星辰大海的创业。目前的融资情况如何？
👩🏻 黄碧薇
我们得到了很多顶级美元基金的支持，在很短时间内融了 2000 万美金左右。
👦🏻 Koji
恭喜。创业之前，你主要在做什么？
👩🏻 黄碧薇
在因果发现和因果 AI 领域做了 12 年。
从马普所读研，到 CMU 读博，再到 UCSD 担任助理教授。
这一路都是我主攻的科研方向：怎么超越现在基于相关性的 AI，寻找背后的因果关系。
三条世界模型路线，和那条没人提的第四条
👦🏻 Koji
我们待会细聊因果模型，先从"世界模型"开始。可不可以请黄教授做个科普，到底什么是世界模型？
👩🏻 黄碧薇
"世界模型"可能是今年被提到最多的词，但它的定义非常不统一。
现在视频生成模型、3D 生成模型，包括 V-JEPA 等，都被统一称为世界模型。
但如果看具体实践，会发现侧重点完全不同：有的侧重渲染，有的侧重模型本身对动力学系统的理解，有的侧重视频生成的效果。
我这边的定义是：世界模型需要理解背后的物理规律和因果关系。
换句话说，它可以模拟这个世界是如何运行的——基于时间或不同的动作，它是如何从当下的状态演变到下一个状态。
👦🏻 Koji
你认为目前最主流的路线有哪几条？
👩🏻 黄碧薇
第一是大家熟知的视频生成模型，第二是 3D 生成模型，第三是杨立昆教授主导的 JEPA 路线。
JEPA 的核心是学习底层规律。它去掉了从隐空间到像素空间的整个 decoder，只在隐空间保留平滑（Smooth Transition）的过渡信息。
👦🏻 Koji
你最看好哪一条？
👩🏻 黄碧薇
最终落地的世界模型，必须懂物理世界的底层规律和因果结构，懂物理动力学到底是怎样的。
但现在的世界模型还没有真正做到这一点。
👦🏻 Koji
那刚才这三条路线，谁最可能先达到你说的这种理想状态？
👩🏻 黄碧薇
可能就是我们的因果世界模型。
👦🏻 Koji
所以不是那三条，而是你们在做的第四条路线。
👩🏻 黄碧薇
当然，我们也是站在巨人的肩膀上。
我们将早期的因果小模型、基于相关性的大模型，以及视频生成模型结合起来。把这些不同的方法在各个层面融合，才形成了我们现在以因果为核心的世界模型。
因果世界模型，到底不一样在哪
👦🏻 Koji
因果世界模型和 3D 生成、视频生成，以及 JEPA 路线，最核心的差异是什么？
👩🏻 黄碧薇
最核心的差异在于，我们的模型能在隐空间里实现三个要素：
第一是学到因果变量和特征。 比如物体的形状、数量、速度、角速度、摩擦力等。
第二是学习这些变量之间的因果结构与相互影响。 比如抓杯子时，手的握力点、速度、角度如何影响抓取的成功率。
第三是自主学习物理动力学。 比如施加某种动作，下一时刻会达到什么状态。
有了这三点，就学到了完整的因果系统，从而实现真正的泛化。当把机器人从一个环境迁移到另一个环境、从一个任务迁移到另一个任务时，因为它理解了基础规律，就可以像人一样举一反三，快速适应。
👦🏻 Koji
为什么因果这么重要？在大语言模型里，通过"大力出奇迹"，模型不需要知道因果也能展现出严密的逻辑。
但在世界模型里，因果为什么不可或缺？是不是只要数据够了、算法好了，因果关系最终也能像大模型一样"涌现"出来？
👩🏻 黄碧薇
这是一个特别好的问题。首先我问你一个问题，为什么 LLM 目前只在自然语言和 Coding 任务上取得了巨大成功？
👦🏻 Koji
因为我们在真实世界中，视频或者其他维度的训练数据还不够多？
👩🏻 黄碧薇
这是一个原因，但核心在于：自然语言和 Coding 是两个非常简单的模态，它们的信息只存在于语言表层。
比如"因为今天天气很好，所以我今天要出去逛一圈"，这种因果关系已经被总结并写在了语言表面。加上语言是离散的 Token，数据量又足够大，所以 LLM 这种单纯学习表层相关性的模型范式就能做得很好。
但如果进入更难的具身任务、机器人操作，以及复杂的科研发现，比如生物制药、新材料研发、天文学等，现有的 LLM 范式显然就不够了。
以具身智能为例。机器人每次与环境交互，其实都在做干预，这天然是一个因果过程。如果不理解因果关系，是不可能做好操作任务的。
比如让机器人煎一个 pancake。如果它只是通过看视频学习，可能只学到了一个表面流程：倒面糊，等一会，翻面。从视频生成的角度看，生成的视频好像还不错。
但如果走到真实的厨房里，每次情况都不同：这次锅更热，或者没那么热；面糊更厚，或者更薄；油多了一点，或者少了一点。
如果机器人不懂背后的因果关系，它就只会机械地模仿，无法灵活地举一反三。锅很热时，等 30 秒可能面糊已经糊了；锅不够热时，30 秒又远远不够。
物理世界对操作精度的要求，比视频生成要高得多。
👦🏻 Koji
你之前提到，你们的数据有一个自循环系统，这是怎么实现的？
👩🏻 黄碧薇
这是一种"自我进化"的概念。
首先在数据输入端，从因果角度收集数据可以更有的放矢。比如采集 1 万条数据，其中包含模型所需新信息的可能只有 100 条，我们只需要把这 100 条高价值数据喂给模型，效率就会高很多。
其次在数据输出端，当因果世界模型训练到一定程度后，它本身就能作为模拟器，产生高质量、长程的数据，包括各种 Corner Cases 和可控的 Failure Cases。这些数据会反过来反哺模型的训练。
这种由因果世界模型生成的数据，在真机场景中往往极难采集。它能很好地弥补真实数据的不足，特别是在遥操无法覆盖的极端 Corner Cases 下。
你可以看到：高质量数据作为燃料喂给模型，模型变强后产生更高质量的数据，再反哺自身的训练。
第一版因果 AI 世界模型
👦🏻 Koji
要训出第一个里程碑的模型，在数据量和算力上有什么硬性要求？
👩🏻 黄碧薇
我们第一版模型预期需要 7000 到 8000 小时的数据量。
算力方面需要几百张卡，我们目前有大概 400 张卡。
👦🏻 Koji
这 8000 小时的数据，主要由哪些部分构成？
👩🏻 黄碧薇
主要有四个方面：
第一部分是模拟生成的数据。包括物理模拟器产生的，以及我们因果世界模型自生成的数据。
第二部分是第一人称视角的数据。
第三部分是视频数据。
第四部分是遥操数据。 这是最后一公里，负责把背后的物理规律映射到机器人实体上。
👦🏻 Koji
这第一版模型训出来后，泛化能力能达到什么程度？
👩🏻 黄碧薇
第一是可以执行非常长程的任务。
第二是具备真正的推理思考能力。 比如在家里收拾屋子，看到账单，它能判断出这是私人物品，应该放进抽屉；看到书本，知道这是公开物品，会整理好放在书桌上。
第三是泛化操作。 即便碰到没见过的物体或新任务，也能自如操作，前提是任务背后的物理规律已经包含在以前的训练数据里。
这是我们第一版的目标。
👦🏻 Koji
目前在研发中，已经看到哪些让你们有信心的积极信号？
👩🏻 黄碧薇
举个简单的例子。我们让机器人在训练数据里学会抬起（Lift）和拾取放置（Pick and Place）这两个任务。
随后，我们测试一个它从未接触过的全新任务：堆叠（Stacking）。
如果模型只是死记硬背学过的动作，不理解背后的因果关系和规律，它是无法完成 Stacking 的。
但我们的因果世界模型在掌握了 Lift 和 Pick and Place 之后，直接就能完美地完成 Stacking。
👦🏻 Koji
除了 Stacking，其他更复杂的任务也能这样直接泛化吗？
👩🏻 黄碧薇
只要底层的物理规律是共享的就可以。
它不看表层步骤，而是理解背后的物理本质。如果一个新任务是由 10 条已知的物理规律组合而成的，它就能完成得很好。
当然，如果出现了完全没见过的物理规律，它也需要像人一样去探索和学习。
👦🏻 Koji
Lift 和 Pick and Place 训练好之后，为什么可以直接做 Stacking？它们共享的物理规律是什么？
👩🏻 黄碧薇
拆解一下 Stacking 的过程：它同样需要拾取、放置（Pick and Place）以及抬起（Lift）上移。所以 Stacking 相当于是 Lift 和 Pick and Place 物理规律的组合。
👦🏻 Koji
这些学术成果有发表相关的论文吗？
👩🏻 黄碧薇
可以关注我们最近发表的几篇论文。
其中一篇发表在今年的 ICML 上，题目是 《Learning Task-Sufficient World Models by Synergizing Agentic Exploration and Structured Modeling》；另一篇是 《Ada-Diffuser: Latent-Aware Adaptive Diffusion for Decision-Making》。
👦🏻 Koji
论文里呈现的泛化效果，用了多少训练数据？
👩🏻 黄碧薇
数据来自论文里的模拟环境任务，包括 Lift、Pick and Place 和 Stacking。
数据量其实不大，大概只有上百个小时。
👦🏻 Koji
所以目前所有的训练和验证都在模拟器里？在真实物理世界中，开始做训练和真机验证了吗？
👩🏻 黄碧薇
在之前发表的论文里，我们主要是在模拟器里进行测试。
👦🏻 Koji
你们在真实世界的落地计划是怎样的？
👩🏻 黄碧薇
我们计划今年发布真机 Demo，展示机器人在执行长程任务时的泛化与推理能力。
从 2014 年进入这个领域起，我一直在思考：以前的因果范式在完美环境下可以做得极好，但到了真实物理世界，就会面临各种"不完美"——存在无法观测的隐变量、数据有偏差、存在缺失值或分布偏移。
在这些问题出现时，如何真正找到背后的因果关系？既要从理论上证明，又要从算法上推导。这也是我在 PhD 阶段的主要研究贡献。
👦🏻 Koji
即使在一个极度不完美的世界里，依然要想办法归纳出本质的因果关系？
👩🏻 黄碧薇
对，这是核心。
因果学界的「三国鼎立」
👦🏻 Koji
因果研究的历史很长，学术界内部有学派之分吗？主流路线是怎样的？
👩🏻 黄碧薇
大致有三个门派，早期相互不太对付。
一派是以因果发现为主的 CMU 派，代表人物是 Clark Glymour 和 Peter Spirtes。
另外两派属于因果推断：
一派是以图模型为核心，来估计因果效应，核心人物是图灵奖得主、UCLA 教授 Judea Pearl；
另一派不以图为核心，叫潜在结果框架，核心人物是哈佛大学教授 Donald Rubin。
他们几位都 80多岁了，德高望重。但在早期，学派之间可以说是三国鼎立、相互不服。
👦🏻 Koji
那你们属于哪一派？
👩🏻 黄碧薇
我们主要属于 CMU 派。我毕业于 CMU，直接师承 Clark Glymour、Peter Spirtes 教授以及张坤教授。
我在马普所时的导师 Bernhard Schölkopf 也是 CMU 派。当然，在宏观理念上，我们也深受 Judea Pearl 的影响。
👦🏻 Koji
当初你是怎么走上因果 AI 这条学术道路的？很多学者的学术路线是出于命运的安排或巧合，你也是这样吗？
👩🏻 黄碧薇
我属于极其巧合的那种。
在德国读研时，我的专业是计算神经科学。当时的想法很简单，我想研究如何将人脑机制引入 AI，提供一些新灵感。
那年暑假，我碰巧去听了一个 Summer School 的讲座，主讲人正是 Bernhard Schölkopf 教授，他讲的主题是因果发现。那是我第一次接触这个概念。
虽然当时没完全听懂，但冥冥之中觉得这个问题非常核心，有深远意义。回去后，我就联系了相关实验室，正式跨入了这个领域。
👦🏻 Koji
是那场讲座震撼了你，让你抓住了这个命题？
👩🏻 黄碧薇
对。我发现从因果的底层逻辑去看问题，不仅对科研有巨大帮助，甚至在日常生活中也能提供一种全新的、直击本质的视角。
👦🏻 Koji
那大概是哪一年？
👩🏻 黄碧薇
2013 年。
👦🏻 Koji
到现在快 13 年了。
👩🏻 黄碧薇
是的。后来随着 AI 发展，我们意识到原本的那套机器学习任务，完全是基于相关性去做预测。
当时我们很自然地开始思考，如何用因果机制更好地解决这些机器学习任务。我们在强化学习、分类、聚类、非稳态预测、表征学习和迁移学习等方面做了一系列工作。
你会发现，几乎所有的机器学习任务，都能从因果理解中受益——这带来了性能上的提升、泛化能力的增强，以及更高的数据效率。
后来大模型火了，但它是基于相关性构建的。我也在思考，理论上因果 AI 显然更合理，但为什么相关性大模型反而先迎来了爆发应用？
CMU 毕业独立工作后，我开始琢磨怎么把因果理论与大模型、大数据结合，开创下一代以因果智能为核心的 AI 范式。
因果和大模型
👦🏻 Koji
因果研究的成果，目前对大语言模型有什么实质性的帮助吗？
👩🏻 黄碧薇
主要有两条路径，分别从外部和内部切入：
第一是外部辅助。 通过传统的因果发现方法找出变量间的因果关系，再通过 RAG 或 Prompt 的形式提供给大模型，让它的回答更可靠，从而减少幻觉。
第二是内部架构重构。 直接改变大模型的内部架构，让它在训练中就能自主学习因果关系。
👦🏻 Koji
OpenAI、Anthropic 或 Google 这类大厂有用这些方法吗？有产品落地吗，还是依然停留在前沿探索？
👩🏻 黄碧薇
大厂有它们的路径依赖。OpenAI、Anthropic 是 LLM 范式的开创者，它们的重心依然高度聚焦于 LLM 的延伸，还没有真正跨到因果这条道路上来。
👦🏻 Koji
其实你创业面临两个选择：用因果去做更好的 LLM，或者去做因果世界模型来解具身智能。你当时怎么选的？
👩🏻 黄碧薇
大语言模型在语言和 Coding 任务上已经做得很不错了，如果打分的话，已经到了 90 分。
但在具身智能领域，行业可能只有 10 分的状态。我想做的是把这 10 分推到 90 分。
因果简史
👦🏻 Koji
能否为我们梳理一下，因果 AI 这一整条学术脉络的历史？
👩🏻 黄碧薇
因果最初是在哲学领域被探索的，在西方从亚里士多德开始，在中国可以追溯到更早的《易经》。探讨了 2000 多年，直到近代才得出了一个基于干预的明确定义：A 导致 B，如果当且仅当改变 A（或者干预 A，Intervene on A）时，B 的概率发生变化，那我们就得出结论，A 导致 B。
这是现代关于因果的定义。
因果最早的实际应用是在医学上的随机对照实验，即双盲实验。为了确定某款药物是否对某项疾病有效，需要将受试者随机分在给药组和安慰剂组，观察疾病好转概率。
这是最早通过人工做干预实验来寻找因果关系的方法。
但做实验的成本非常昂贵，许多场景下由于伦理等问题根本无法进行。到 20 世纪 80 年代末，CMU 的三位教授意识到，仅靠随机对照实验是行不通的。我们手中有大量的观测数据，那么，能不能直接从观测数据中去挖掘背后的因果关系？
于是，CMU 的 Clark Glymour、Peter Spirtes 和 Richard Scheines 三位教授，第一次提出了 PC 算法。它允许我们通过复杂的统计方法，突破单纯的相关性，还原最本质的因果结构。
这套框架在 1989 年到 1997 年间发展得极好，涌现出了一大批杰出的研究者。但此后，因果发现遇到了瓶颈，很难往下推导。从 1997 年到 2006 年，因果领域经历了一段相对空白的沉寂期。
直到 2006 年，芬兰的科学家发现，在非高斯分布下存在一些额外的数学性质，使我们能够仅仅通过观测数据，就能确定任何两个变量之间的因果方向是 A 导致 B，还是 B 导致 A。
推动这一关键突破的人物，包括我后来的博士导师张坤教授、Bernhard Schölkopf 等。
👦🏻 Koji
前文提到的那四类训练数据，在你们当前的实践中比例如何？
👩🏻 黄碧薇
大概是这样：前三类——模拟数据、第一人称视角数据、视频数据，占比大约在 80%；剩下的最后一公里遥操数据，占 20% 左右。
👦🏻 Koji
刚才提到第一版模型的目标，和现在许多团队在做的 World Action Model 一致。你是怎么看待两者的优劣势的？
👩🏻 黄碧薇
现在的 WAM 比较像 VLA 的一个加强版变体。
短期内大家之所以觉得 WAM 的效果不错，核心是因为视频数据非常充足。
它的逻辑是：先预测下一帧视频长什么样，再反向去推导这两帧之间的动作应该是怎样的。
但对于我们正在做的因果世界模型，我们的路线更符合这个物理世界运行的客观规律。
最合理的形态应当是一个动作条件下的世界模型，配合一个策略模型。
👦🏻 Koji
从 WAM 或更早的 VLA 实践中，你得到的最大启发是什么？
👩🏻 黄碧薇
VLA 本质是在 VLM上加了一个 Action Head。
我认为这并不完美。因为大家还是试图用语言的角度去理解和解决动作问题。其实对待 Action ，应该站在 Time Series 的视角去处理。
👦🏻 Koji
现在业内普遍都在讲"WAM 好，VLA 不行"。具体怎么看它们的生命周期？
👩🏻 黄碧薇
从 VLA 的起源说起。大家一开始之所以选择 VLA 这条路径，主要是因为看到了大语言模型在自然语言上的大成，试图直接套用。
但为什么桌子稍微高了 2 厘米，任务就彻底失败了？核心在于 Action 是连续空间。你很难在训练数据里，把连续空间里可能的状态全部收集穷尽。这是 VLA 缺乏泛化能力，在真实物理世界走不通的致命硬伤。
正因如此，大家现在都转向了 WAM。我认为 WAM 算是一个不错的中间状态，现阶段它确实比 VLA 更好，原因在于我们拥有大量的视频数据。它可以通过预测下一帧的视频是什么样子，再反过来，通过逆动力学模型去推导这两帧之间的 Action 是怎样的。
但这依然不是一个最自然的状态迁移过程。最自然的过程应当是：在当前时刻的状态 t 下，输入一个 Action，观察它演变到下一时刻 t+1 时的状态。
如果满分是 10 分，VLA 的天花板可能是 5 分，WAM 可能是 6.5 分左右。它能提供一些阶段性的过渡，但无法帮助我们达到最终的终局目标。
我们坚信最终的模型形态一定是一个 Action-conditioned World Model 加上一个 Policy Model。
👦🏻 Koji
那你给你们坚守的因果路线打几分？
👩🏻 黄碧薇
谈到因果，其实它有很多维度。如果你在每一个关键节点上都彻底实现了因果，那就是 10 分。
当然，对我们公司而言，我们也是在各个层面逐步引入因果机制，不会一上来就采取极度激进的姿态直接去冲 10 分。
👦🏻 Koji
如果做 WAM 的团队来看你们的路线，他们可能提出最大的质疑或批评会是什么？
👩🏻 黄碧薇
其实对于"因果是终极目标"这一点，整个行业是完全有共识、毋庸置疑的。
大家质疑的焦点不在于因果对不对，而在于：因果世界模型到底要怎么实现？因为这确实是一个极难的工程和理论课题。在目前的商业界和学术界，真正懂得因果架构的人才也极其稀缺。
👦🏻 Koji
大模型的成功让大家确信了"只要堆数据就会有 Scaling Law 奇迹"。大家会不会怀疑，因果关系并不是靠单纯堆数据就能自然涌现出来的？
👩🏻 黄碧薇
大家的担心主要在具体实现的路径上。
如何面对各种输入的原始数据——无论是视频、时间序列还是传感器信号，从中精准提取出底层的因果变量？并在此基础上学习因果结构，掌握它随时间演化的物理因果动力学。
大家不确定这个闭环怎么实现。
👦🏻 Koji
所以这一路线其实可以实现更好的数据效率？
👩🏻 黄碧薇
行业里讨论的 Scaling Law 概念其实有点虚。
真正的 Scaling Law 必须和数据质量、模型去深度绑定。
比如在 LLM 里，塞入 100 万条数据可以增加 20% 的性能；而一个懂因果、掌握了底层规律的模型，可能只需要 20 万条高质数据，就能达到相同的性能。
👦🏻 Koji
从学术界出来创业，对你是一个极其重大的人生决定。有什么具体的 Trigger 吗？
👩🏻 黄碧薇
这是内外部因素共同作用的结果。
从我个人志向来说，科研和创业一直是我人生中唯二想做的事，是必须完成的两个板块。在学术界研究了十二三年之后，我们已经把因果 AI 的核心理论难题攻克得差不多了。我内心里已经 Ready，去将这些算法在商业和应用中真正去实现。
外部环境来看，近几年 AI 迭代极其迅猛。虽然 LLM 在语言层面做得很成功，但在具身智能领域，现有的 VLA 路线已经碰壁，而大家依然试图靠单纯盲目地堆叠数据去解。
在那个时间节点上，我觉得自己必须要把深耕多年的因果研究成果带到现实世界，去攻克"机器人大脑"这个卡脖子难题。
👦🏻 Koji
为什么"创业"成了一个必选项？
👩🏻 黄碧薇
科研往往是从一个 Idea 到一篇 Paper 的过程，它是以论文为成果承载的。
而创业，则是把原先停留在论文和算法层面的成果、那些小模型，转化为一个高可用、系统性、能商业化落地的实体，从而服务到更多人。
在 Paper 阶段，你服务的可能只是极少数学术同行；而一旦把技术做成了产品，你触及的就是千家万户。让机器人真正走进现实，去帮普通人整理家务、做菜，提供切实的日常便利。
👦🏻 Koji
学术需要耐得住寂寞慢慢打磨，绝大多数教授都习惯在象牙塔中。你是在哪一个瞬间，意识到自己也必须成为一个企业家？
👩🏻 黄碧薇
转机发生在 2025 年初。
当时我和朋友聊天，深入讨论了具身智能的瓶颈和当前 AI 范式的局限。突然之间，我心中那个必须立刻出去创业的想法就被彻底点燃了。
👦🏻 Koji
那是一个怎样的朋友，聊了什么？
👩🏻 黄碧薇
当时那位朋友正在和我探讨工厂中机器人与自动化的真实生态。
当时许多机器人已经进厂测试了，但往往没试多久就会被退货。因为它们没办法真正替代人类去处理多变和复杂的生产状况，反而成了工厂运维的一项负担。
它们的核心硬伤是：缺少一个具备真正智慧、能思考和理解物理规律的"大脑"。
我当时立刻反应过来：这不正是因果 AI 最擅长、也最应该去攻克的问题吗？那一刻我知道，时机已经熟透了，我必须迈出这一步。
👦🏻 Koji
现在教授和 PhD 创业很热，也带有一点躁动。你觉得自己更像是在创业的科学家，还是在做学术的企业家？这两者有什么区别？
👩🏻 黄碧薇
我觉得这两者在我身上是高度共存的。
我肯定是一个身在商业战场、致力于将产品落地的科学家。关乎于我们的路线，因为我们主攻的是更为底座、更为基础的技术革新，致力于开辟以因果智能为核心的下一代 AI 范式。
因此在现阶段，我们公司的创业行为和科学研究是高度重叠的。
我们的公司，性质更接近于一个前沿实验室。我们唯有通过在底层技术上实现真正的发明和创造，才可能实现具身智能大脑的实质性技术突破，进而服务大众。
PhD，到底还值不值得读
👦🏻 Koji
我们听众中许多都是 PhD 或年轻学者。AI 现在太强大了，可以写代码甚至写论文，大家普遍觉得有点迷茫。你觉得科研的门槛在今天究竟是升高了还是降低了？
👩🏻 黄碧薇
这是一个特别好的问题。
我的判断是：要去做真正核心、具备开创性的科研，门槛依然没有变。
但如果只是做一些重复性、跟随性的低门槛科研，门槛确实变得极低。因为你现在可以用 AI 极快地写代码、写论文。
关键在于我们要拥抱 AI，但绝不依赖 AI。你必须去合理利用 AI，而不是把最宝贵的批判性思维也让渡给它，被它控制。
👦🏻 Koji
你自己在工作里是怎么做这种边界划分的？"利用 AI"和"被 AI 控制"的微妙区别在哪里？
👩🏻 黄碧薇
核心思想必须是你自己的。
对于研究而言，最稀缺、最宝贵的永远是那些极具创造性的原创 Idea，以及在关键技术路径上的批判性审视。
👦🏻 Koji
年轻研究者应该如何训练自己去建立这种批判性、创造性思维？
👩🏻 黄碧薇
首先需要一定时间的实践积累。
在日常的工作、生活和科研中，必须有意识地维持深度审视：比如这篇文章的方法为什么采用这个路径？如果换个视角能不能做得更好？
其次，不要盲目跟风和盲从潮流。
因为被大家追逐的潮流，往往意味着这一方向已经相对成熟和拥挤了。我们要学着跨过当前的喧嚣，去预判下一个真正爆发的潮流在哪里，然后朝着那个方向去努力。
👦🏻 Koji
大模型如火如荼的这几年里，因果学术圈处于一种怎样的氛围和心态？
👩🏻 黄碧薇
基本分为两派。
一派是极少数德高望重的资深学者，他们几乎心如止水，依然笃定地去做自己认为更有本质意义的理论科研。
年轻学者则现实得多，由于面临生存和找工作的压力，他们更倾向于寻找折中路线——将因果机制和当前的流行趋势结合，这样既能发高分文章，又能在市场上拿到不错的 Offer。
👦🏻 Koji
在 ChatGPT 发布的那个瞬间，你是怎样的心境？在过去几年的浪潮中，你的心路历程发生了哪些转折？
👩🏻 黄碧薇
那一刻的印象极深。我做了非常深刻的反思。
我当时有些困惑：明明因果 AI 才是逻辑上最合理、最完美的范式，为什么一夜之间大语言模型抢占了全部的注意力？
在此之前，我的学术路径是试图攻克一个终极难题——如何在不需要极强外部假设的前提下做因果发现。即使存在隐变量、数据中有很多偏差、分布偏移或缺失，我们依然在理论上彻底解决它。
但大模型的爆发逼迫我去面对一个被学术界忽视的常识：数据规模的暴力堆叠是有着极其客观的能量的。
尽管大语言模型只是在海量数据中，抽取出表层非常简单的关联信息，但它确实爆发出巨大的泛用能量。
我后来想明白了：数据规模的堆叠是一个不可违背的规律。 我们需要做的是，在庞大数据规模的基础上，用更深层的因果机制去挖掘底层的动力学，把两者的优势兼顾，去定义下一个爆发点。
👦🏻 Koji
从那一次反思，到如今决定创业，中间经历了几个阶段？
👩🏻 黄碧薇
大致分为两个阶段。
第一阶段是反思后，先尝试去改进 LLM。比如研究怎么从因果角度去缓解大模型的幻觉，提升底层表现。
随后，我开始看具身智能。我意识到，随着 LLM 一代代的快速自我更新，纯语言领域的边际效益其实在递减，能提供给我们的增量优势非常有限。而具身领域，即物理世界的 AI 范式依然是一片蛮荒。
这促使我下定决心，全面转向因果世界模型，走第二阶段的物理 AI 和具身大脑落地。
👦🏻 Koji
做因果世界模型，数据是全部自采，还是可以向第三方数据商采购？
👩🏻 黄碧薇
绝大部分都是我们自生成、自采集的数据。
模拟数据方面，我们可以不限量、无边界地通过系统自产生；对于最后一公里的遥操数据，我们会自己采集极少数的核心样本，再向供应商那里定向定制一些长尾的特种数据。
👦🏻 Koji
如果现在有本科生来咨询你："世界变化太快了，我不想再耗五六年读 PhD 了，我想赶快去产业界。"你会怎么建议？
👩🏻 黄碧薇
我对 PhD 的理解从未变过。
我认为，只有那些对探索和研究本身抱有强烈渴望、能得到精神取悦的人，才应该来读 PhD。
如果你的目的仅仅是拿个学位作为求职敲门砖，其实没必要把人生中最黄金的五六年用来读博，你可能会错失许多在工业界积累财富和上升的机会。
👦🏻 Koji
怎么去识别自己内心那种所谓对研究的渴望，是真正的学术欲望，而不是短暂的功利跟风？
👩🏻 黄碧薇
往往那些带有一点纯粹理想主义气质的人，会更适合攻读 PhD。
在这个 AI 时代，每天都会被技术热点轰炸。一个真正适合做学术的人，不会被这波热闹带着跑，而是会维持一种"我走在自己定义的正确道路上"的底气。
他能在繁杂的环境中剥离噪声，看清什么才是属于自己的、真正有科学研究价值的目标。
👦🏻 Koji
这很难。当你坚守在实验室里时，发现身边那些早早去产业界或者进入 OpenAI 的同学，可能已经实现财务自由。在这样强烈的同辈压力下，应该怎么做才能稳住心态？
👩🏻 黄碧薇
确实。在真正全身心沉浸之前，许多人可能并不能完全搞清自己的天性。
如果你已经笃定自己这一生最渴望的是探寻人类未知的知识边界，那不用犹豫，直接读 PhD 即可。
但如果自己依然在纠结、反复，最实用的方式就是去尝试，去脱敏。你可以先选择读博，或者先去业界感受几年，如果发现方向不对随时进行调整。现在的学术界和工业界壁垒前所未有得低。
👦🏻 Koji
大语言模型的天花板，会在什么时间、以怎样的形式显现？
👩🏻 黄碧薇
取决于具体任务的复杂度。
在具身智能这类物理世界的交互任务上，LLM 的天花板其实已经清晰地显露出来了。
你可能也注意到了，最近行业里大家其实越来越开始提到"因果"这个词了。
这是让人非常欣慰的变化，这代表大家开始清醒地意识到，依靠简单的"关联匹配和概率预测"是不可能解掉具身大脑的。
我们的终极目标，必须是训练出真正掌握因果结构、懂得客观规律的底层模型。
👦🏻 Koji
在学术圈之外，有哪些行业力量开始站出来提到了"因果"，让你感到因果开始被更多人关注了？
👩🏻 黄碧薇
杨立昆教授在最近的多场公开访谈中，一直在高层层面极力推崇因果，并探讨因果机制对大模型泛化和性能提升的关键作用。
再如李飞飞教授，她近期关于具身智能和空间智能的不少底层想法，其本质也和因果息息相关，即便她没有直接使用这个词汇。
在国内，许多前沿的头部团队也开始在技术介绍中引入因果的概念。比如 DeepSeek 此前披露的信息里，也提及并在一定层面上融合了因果的机制。
不过在我看来，现阶段大部分团队对因果的探索，要么停留在高维的纯理念认知，要么只是在极局部、偏简单的点上做了融合，比如依靠历史输入预测未来状态。
能真正沉下心从物理世界的本质出发，构建我们前面所说的包含"因果变量、因果结构、因果动力学"三位一体的深度世界模型。在行业和前沿学术界里，我们目前确实是走得最深的团队。
图灵奖得主 Yoshua Bengio 教授对我们的这套因果模型非常看好，甚至可以说是"十分上头"。我们此前针对如何突破经典因果发现的技术边界有过极其深度的研讨，他也多次引用过我的研究论文。
👦🏻 Koji
你和杨立昆教授或李飞飞教授，有过深入的直接交流吗？
👩🏻 黄碧薇
我和杨立昆教授之前有过直接联络。
此前我们筹办一场学术研讨会时我向他发出了邀请，虽然他由于在巴黎正巧有另外一场会冲突未能出席，但他非常热情地回复了长文邮件，对我们因果世界模型的底层技术路线表达了高度的肯定和赞许。
👦🏻 Koji
这次在很短时间里融了 2000 万美金，在当前的寒冬下是一笔巨额筹码。你打算把这笔钱花在什么地方？
👩🏻 黄碧薇
主要用在三个核心方向：购买高质算力、构建因果数据壁垒，以及招募最顶级的人才。
👦🏻 Koji
有引入学术圈大佬的个人投资吗？
👩🏻 黄碧薇
主力资金必然来自风投。
学术圈同行的友情注资占一小部分。他们出于对这个技术方向和我们研究的信任，提供了一定的资金支持。我肯定不能要他们太多钱。
👦🏻 Koji
这次人才招募，你们最急缺、也是最想寻找到的究竟是哪些类型的人才？
👩🏻 黄碧薇
我们求贤若渴。目前最看重三个维度的核心人才加盟：
第一是算法领域。对 AI 算法、特别是因果计算有极高热忱和成熟落地经验的人才。
第二是大规模工程化训练。在视频生成模型等重载模型训练架构中，有非常深、且被验证过能训出优秀效果的大牛。
第三是全栈机器人专家。不仅对传统的硬件、经典的底层运动控制了如指掌，还能够紧跟前沿 AI 算法变迁。
如果听众里有相关方向的专家，欢迎随时和我们团队联系。
五年后回头看，今天什么是错的
👦🏻 Koji
假设我们坐在 5 年后的节点，回看 2026 年今天锣鼓震天的"世界模型"浪潮。你觉得有哪些现在大家深信不疑的共识，可能会被证明是错的？
👩🏻 黄碧薇
倒也不能严格地定性为"错"。技术探索本来就是不断试错的过程，每一步都会在历史上留下痕迹。
即使今天大家狂热追捧的 VLA 被证明不是终局，但它确实贡献了多模态 Action Head 的建模思路；同理，WAM 也可能只是阶段性产物，但它打通了从"视频生成"到"物理世界模拟"的工程链路。
这些阶段性路径的探索，无论成败，在当下都有其独特的历史合理性。
👦🏻 Koji
假设现在有一个全知全能的上帝站在你面前，你可以问他一个关于 AI 或世界模型的终极问题，你会想问什么？
👩🏻 黄碧薇
我最想问："因果是客观存在的吗？还是说人基于这个理解可以更好的理解世界。"
这就类似于时间。直到今天，大家也不能完全确定时间是否存在。
👦🏻 Koji
这是一个极其深刻的哲学问题。如果因果不存在，我们会直接陷入存在主义的巨型危机中。
👩🏻 黄碧薇
是的。这非常适合在茶余饭后作为思辨的课题。
但回到现实生活与创业轨道上，我们还是要保持务实：假设时间存在，物理世界确凿真实，因果真实存在。
👦🏻 Koji
今天非常开心能和黄教授进行这样一场极具深度的探讨。
谢谢你的时间。我们共同期待 Aether AI 的真机 Demo 尽快问世，届时我们再聚一次，聊聊最新的因果落地进展。谢谢黄教授。
👩🏻 黄碧薇
谢谢 Koji，谢谢大家。
十字路口正在寻找独立撰稿人，撰写 AI 产品和模型评测。
如果你写过类似文章：《实测 PixVerse C1[1]》、《实测 LibTV[2]》，请联系 zeo0811@gmail.com ，邮件内容请包括：① 个人介绍、② 你写过的 AI 评测文章。
我们会提供有竞争力的稿酬。期待与你一起观察与记录 AI 时代 🎪