给具身智能换个「因果」内核，Aether AI的愿景终于走进物理世界

编辑｜张倩 机械臂眼看就要抓到咖啡袋了，旁边的人突然伸手，把袋子挪走了。 视频链接：https://mp.weixin.qq.com/s/lmF7cN9YymTF5ETwp1WCtg 操作咖啡机时，人又拿灯光晃它，按钮周围的光照一下就变了。 视频链接：https://mp.weixin.qq.com/s/lmF7cN9YymTF5ETwp1WCtg 到了微波炉前，旁边的人又故意往应该装蛋糕的盘子里放了一个饮料罐…… 而等到它准备关门，一只手又伸到了门边…… 视频链接：https://mp.weixin.qq.com/s/lmF7cN9YymTF5ETwp1WCtg 视频链接：https://mp.weixin.qq.com/s/lmF7cN9YymTF5ETwp1WCtg 短短七分钟的一个视频，我们看到了各种意外干扰。但更令人意外的是，这些干扰，机器人居然一一化解了。 视频链接：https://mp.weixin.qq.com/s/lmF7cN9YymTF5ETwp1WCtg 从视频画面中可以看出，咖啡袋被挪走的瞬间，机械臂没再扑向原来的位置，而是顺着袋子挪走的方向，重新调整了自己的轨迹，再抓。灯光晃过来的时候，它按按钮的动作没有半点变形；盘子里的饮料罐，它没有忽略，而是先夹出来放到一边，确认剩下的东西可以安全加热，才继续手里的动作；最惊险的还数关门那一幕，手刚探到门边，机械臂立刻缩了回去，安安静静等在一旁。人把手撤走，它才重新上前把门关上。 这些插曲恰好也是这段演示值得看的地方。机器人进入物理世界，总免不了和人待在同一个空间里，意外情况层出不穷。要把事情做完， 机器人得随时留意：眼前的情况，还允许自己照着刚才的计划继续吗？ 这正是 Aether AI 此次发布的 CRIS-0 所擅长的地方。它是一个因果驱动的机器人智能系统。机器人每次受到干扰，它都能及时发现并调整策略，关门那一幕尤其明显，反应速度 0.1s 级。 这是因为，它本质上就是为了更好地适应现实世界的变化而设计的。面对每次「意外」，它都要弄清楚到底是怎么回事 —— 什么变了，这些变化对接下来的行动有什么影响，我是不是要退一步…… 而 这种理解变化、推演影响，并据此调整行动的能力，正是所谓的「因果智能」 。 仔细想想，这种边观望边行动的模式其实已经和人类非常接近了。也正因如此，CRIS-0 不仅抗干扰能力更强，完成长程任务和个性化任务的能力也更强。 此外，凡是需要在动态世界中行动和决策的领域，理论上都能从这条路线受益，机器人只是最典型的场景，也是 Aether AI 的因果智能走进真实世界的第一个落脚点。 至于因果智能凭什么能接住这些难题，我们接着往下聊。 为什么仅仅「预测下一步」还不够？ 在过去的几年里，凭借「从大量数据里找规律，然后预测下一步」，LLM 已经在数字世界里取得了巨大成功。但在 Aether AI 创始人、CEO 黄碧薇看来，这种成功有一定的特殊性。 语言是一种相当特殊的模态：它是离散的，人类几千年总结出来的规律，就写在文本表面，模型靠相关性拟合就能学得很好。物理世界却完全是另一回事 —— 规律没有写在表面，许多影响结果的条件，只有在交互中才会显现。更关键的是，机器人的每一个动作都在真实地改变世界，预测错了，没法像聊天那样撤回重来。 在这样的世界里，仅靠统计规律「预测下一步」会接连撞上几个问题，比如分不清哪些变量真正决定结果，哪些只是背景噪声，执行任务时极易被干扰；遇到训练里没出现过的干预，不知道怎么外推；任务失败后，不知道该退到哪一步；环境一变，不知道原来学到的哪些关系还成立。 因果智能补上的正是这层「因果」。它先把世界表示成任务相关的因果变量，再找出变量之间谁影响谁，最后把机器人的动作看成一种干预，去建模「如果我这样做，世界会怎么变」。 这样模型就不只是预测下一帧，而是能推演不同干预的后果，也能在失败时追溯根因。 因此，因果智能有望接住一些棘手的问题：分布外泛化、长尾场景、跨本体迁移、长程任务中的错误恢复，以及更主动的数据收集。机器人是最典型的场景，因为机器人每次动作都是一次干预，相关性拟合的局限，会立刻显现出来。但任何需要在变化世界里做决策的领域，其实都有同样需求。它解决的根本问题不是「预测得更准」，而是「 在变化环境中识别什么真正改变结果，并通过干预和反事实来行动 」。这就是它不只适合机器人，也能扩展到其他领域的原因。 因果驱动的 CRIS-0，是怎么工作的？ CRIS-0 的做法，不是让一个大模型从头到尾包办所有事，而是把机器人的智能分成两个层次： 高层负责理解任务、推理和规划「接下来该做什么」；底层负责理解具体的物理变化，预测「这个动作会让世界发生什么变化」 。 这两个层次，对应 CRIS-0 的两大核心组件： 因果驱动的机器人 Agent