用结构替代数据，因果世界模型如何重塑具身智能大脑

2026年正在成为具身智能的落地元年。 年初至今，一大批企业密集完成新一轮融资，产业信号再明显不过：这一波浪潮，已经从实验室冲进了商业化的前夜。然而，热钱涌入的同时，一个老问题始终没有解决—— 机器人 的“身体”越来越强，但“大脑”还远远不够聪明。 就在红杉资本AI Ascent2026大会上， 英伟达 机器人方向负责人JimFan给出了一个极具争议的论断：“VLA已死，世界动作模型WAM当立。”这句话在行业内外迅速掀起轩然大波，但争议的背后，是行业对现有技术路线已经到了忍耐极限。 没隔多久，图灵奖得主YannLeCun离开Meta后创立的AMILabs，锁定的也是世界模型及相关方向，即使公司还没拿出公开模型，但估值已经冲到了35亿美元。 从美国到中国，从学界到产业界，一场围绕机器人大脑技术路线的角逐已经全面展开。 而就在多数人涌向世界模型这条大道时，创立于2026年的新一代人工智能公司Aether AI，其创始人、加州大学圣地亚哥分校（UCSD）助理教授黄碧薇选了一条更少人走的路：构建以因果智能为核心的下一代AI范式。 黄碧薇师从多位因果学术奠基人Kun Zhang, Clark Glymour, Peter Spirtes，和Bernhard Schölkopf，在她看来，因果世界模型并不是对现有技术路线的简单改良，而是从"相关性学习"到"因果性理解"的底层范式转移。这套逻辑，正在成为具身智能“大脑”路线之争中一条独立的技术路径。 从“ 背答案 ”到理解世界 在黄碧薇的定义中，因果世界模型必须同时做到三件事：从观测数据（视频像素或文字符号）中识别出真正的因果变量，找出这些变量之间的因果结构，然后建模整个系统的因果动力学，也就是系统如何随时间演化、如何随行动而改变。 听上去很抽象，但放在机器人抓取杯子的例子中就很好理解。传统的VLA（Vision-Language-Action）模型，学习方式本质上是在“背”数据：把“这个角度、这个光线下的杯子抓取动作”记下来，下次遇到一样的场景就能复现。但光照变了、桌面高了、杯子换了个材质，模型就抓瞎，因为它从没“想清楚”过手对杯壁施加摩擦力、杯子被抬升这一整套因果链条到底是什么。 过去几年里，VLA模型一直是构建机器人大脑的主流范式。它将视觉感知、语言理解和动作生成三个模块集成在一起，通过大规模演示数据的模仿学习，让机器人能够执行各种复杂任务。 问题在于，泛化能力跟不上。VLA路线天然偏重语言部分，底层逻辑是把复杂的物理世界先翻译成语言，再靠海量动作数据做模仿学习。这么做的好处是，让机器人在固定任务上快速上手，但一旦面对陌生环境或长尾场景，短板就暴露无遗——它对物理世界缺少真正的理解。 随着机器人的硬件日趋成熟，越来越多的行业人士认识到，具身智能真正的瓶颈不在“身体”而在“大脑”，大脑的通用与泛化能力才是亟待突破的关键节点。行业迫切需要一条能让机器人真正“理解”物理世界的技术路线。 因果世界模型走的就是这条路。用黄碧薇的话来说，这套模型的核心是让机器人拥有因果认知能力——不会因为桌面高了1厘米或者碰到一个从没见过的场景就手足无措。它理解的是物体受力后运动的底层规律，物理参数变了，也能举一反三。 黄碧薇表示，相比传统模型是用暴力数据拟合来掩盖结构的缺失，因果模型是用智能的结构设计替代盲目的大数据训练。 换句话说，一旦模型厘清了背后的因果机制，环境变化通常只影响部分因果环节，不需要推倒重来。只需少量新数据就能完成更新。 在早期小规模模型上，这种因果方法已经带来25%-50% 成功率提升。 这组数字对应的产业现实是：具身智能极度“数据饥渴”。斯坦福的ALOHA等项目证明了遥操作数据收集的昂贵和低效，而一旦因果模型能够在更大规模场景中验证类似的数据效率，它对整个行业的训练成本曲线将产生直接影响。 黄碧薇表示，因果世界模型的核心逻辑在于：打造一个拥有因果认知能力的机器人，它不会因为桌面高了1厘米或遇到从未见过的场景就束手无策。它能理解物体受力后运动的底层规律，哪怕物理参数变了，也能举一反三地适应。这正是因果AI相较于VLA的核心优势——泛化能力。“我们大概只用了50条数据，就把一些之前做不好的操作任务提高了非常多。” 因果智能的另一个长处在于推理深度，大约二十年前，计算机科学家Judea Pearl通过发现和系统地研究「因果阶梯」（Ladder of Causation），在理解因果关系方面取得了突破，该框架着重说明了观察、做事和想象的独特作用。它的认知能力分三个层次：第一层是观察层面的预测，这也是当前AI普遍所处的层次；第二层是干预——“如果我做了A，结果会变成什么”；第三层是反事实推理——“如果我当初做了B而不是A，结果会不会更好”。第三层正是人脑在做决策前能在意识里预先演练、做出预判的核心机制。 落到机器人身上，就意味着它能在执行抓取之前，先在“思维”中模拟物体的运动轨迹，再选择最优操作路径。黄碧薇把这称为一种“物理直觉”。 因果如何从概念变成可训练的系统 因果世界模型的想象力，凝结在一套四层架构之中。 黄碧薇强调，区别于市面零散外挂的因果模块，以及基于现有大模型微调的改良方案，Aether AI因果世界模型的设计目标从一开始就很明确：把因果认知从理论构想一步步落地为可扩展、可训练的工程化AI范式。 “四层架构并非独立的模块，它们是彼此支撑、层层递进的技术栈，最终目标是彻底改变底层AI算法的认知逻辑。” 第一层是因果驱动的智能体系统。当前主流的智能体系统，运作逻辑本质上还是“日志记录加简单回放”——把浏览记录、工作日志和上下文信息平铺直叙地存下来，直接用于后续任务。一台机器在某个平台上学会的订票技能，换一个平台就完全失效，而且Token消耗惊人。 因果驱动的智能体系统则不同，它从海量信息中提取底层结构化知识。“真正的认知源于结构化，而非简单的数据堆砌。”黄碧薇说。结构一旦被提取出来，跨平台、跨场景时的稳定性会大幅提升。 第二层是因果世界模型。这是整套架构的核心。作为系统的认知核心，这一层负责理解物理世界的运行规律。它接收上层传来的子任务，在内部模拟“如果这样做，世界会怎样变化”，然后生成精确的任务指令，驱动上层的智能体系统。黄碧薇认为，当前的大语言模型和VLA模型，停留在非常表层的符号处理上——它们能读懂“因为……所以……”这类连接词，却无法理解这些词语背后真正的物理机制。 因果世界模型的目标，就是从像素层面贯通到物理层面，让模型真正“理解”动作的因果链。 第三层是模块化架构层，触及神经网络本身的架构设计，目标是构建一个真正模块化的神经架构——不同区域主管不同功能，区域之间既解耦又协同，共同完成复杂任务。 黄碧薇指出了，当前混合专家模型都存在一个普遍问题，就是专家模型之间功能的高度重叠。一个10个专家的MoE模型，常常只有一两个专家承担几乎所有工作。因果世界模型追求的是真正的功能性分区，各模块各司其职又相互配合，在保持效率的同时释放更强的复杂认知能力。 第四层是底层基础层，该层基础架构仍以Transformer为主。黄碧薇的解释很务实：Transformer简洁的可扩展性已经经受过千亿级参数的工程考验，没必要推倒重来。 因果AI的突破方式是在现有Tra