十字路口目录 · 研究对谈

黄碧薇:因果世界模型能怎样帮助机器人泛化

从煎饼的火候、物体堆叠到研究问题的选择:区分因果愿景、模拟实验和真实世界中的能力。

完整对谈重建:从世界模型混战到因果具身大脑

过去半年,“世界模型”成为 AI 与具身智能领域最炙手可热的关键词,但也陷入定义混乱:视频生成、3D 生成、JEPA、VLA(视觉—语言—动作模型)和 WAM(世界动作模型)常被笼统地归入同一标签。本期《十字路口》由 Koji 对谈 Aether AI 创始人兼 CEO 黄碧薇教授,从世界模型的定义边界一路深挖到因果科学两千年演化、VLA 与 WAM 的路线打分、工厂机器人退货触发的创业转折,以及 AI 时代是否还值得读博士。

维度嘉宾快问快答与背景信息(据访谈口述与官方简介)
姓名与身份黄碧薇,Aether AI 创始人 / CEO,加州大学圣地亚哥分校(UCSD)助理教授
求学与科研履历本科毕业于上海华东师范大学计算机系;赴德国马克斯·普朗克研究所(马普所)攻读研究生;随后在卡内基梅隆大学(CMU)读博;毕业后加入 UCSD 任助理教授。2013 年进入因果发现与因果 AI 领域,至今深耕 12 至 13 年
MBTI 与星座INTJ(有时偏向 INTP),水瓶座
公司定位与首个场景构建真正的“因果世界模型”,让 AI 理解物理世界背后的因果关系与基础物理规律,从而举一反三;首个商业落地场景为具身大脑
融资与资源现状短期内完成约 2,000 万美元天使轮融资(大部分来自顶级美元 VC,小部分为信任方向的朋友支持);当前约有 400 张算力卡

一、世界模型的四条路线:为什么视频生成与 V-JEPA 都还不够

Koji 开场抛出核心困惑:“世界模型”听起来宏大却极不准确,它究竟是严肃的技术对象还是被混用的热词?黄碧薇承认,当下视频生成、3D 生成乃至 V-JEPA 都被叫作世界模型,但具体实现的侧重点截然不同:有的重渲染,有的重视频视觉效果,有的重动力学系统。

在她的定义里,真正的世界模型必须理解背后的物理规律和因果关系——能模拟世界如何运行,即基于时间流逝或不同动作,从当下状态准确推演到下一时刻的状态。她将业界主流路线归纳为三条,再把 Aether AI 定位为第四条:

她用隐空间三大要素界定因果世界模型与前三条路线的本质差异:第一,在隐空间中真正学出因果变量与因果特征,例如物体形状、物体数量、速度、角速度、摩擦力等;第二,同时学习变量之间的因果结构,即彼此如何影响,比如伸手抓杯子时,握力、速度、角度如何共同决定抓取成败;第三,学习状态转移动力学(transition dynamics),即施加不同动作后下一时刻会进入何种状态。三者齐备,机器人从旧环境迁往新环境、从旧任务迁往新任务时,才能像人一样凭底层规律举一反三。

二、为什么大语言模型不懂因果也能严密推理,具身任务却不行

Koji 随即追问一个绕不开的反题:大语言模型(LLM)靠“大力出奇迹”并未显式引入因果,却依然展现出严密逻辑;世界模型会不会只要数据和算力够多,因果就自然涌现?黄碧薇反问主持人“为什么 LLM 目前只在自然语言和编程上大获成功”,随后给出三层拆解:其一,语言和编程属于相对简单的模态,许多“因为今天天气很好,所以我出去逛一圈”式的因果已经被人类总结到语言表层;其二,语言可以离散化为 token;其三,文本与代码数据量极其庞大。因此,单纯学习表层相关性的范式在语言与编程上就足以表现优异。

但一旦跨入具身机器人,或是生物制药、新材料发现、天文学等复杂科研任务,表层相关性便捉襟见肘。她强调,机器人每一次与环境、物体交互,本质上都在施加干预(intervention),天然构成因果过程。她以煎饼(pancake)为例:若机器人只靠看视频模仿,学到的只是“倒面糊—等一会儿—翻面”的表面顺序,生成视频看着不错,但真走进厨房,每次的锅温、面糊厚薄、油量都不相同。锅很热时等 30 秒已经煎糊,锅不够热时 30 秒还远未熟透。物理世界对操作精度的要求,远远高于生成一段看起来合理的视频。

三、自我进化的数据闭环、首版里程碑与“堆叠”迁移信号

谈及训练数据的“自我进化”,黄碧薇拆出输入与输出两个循环方向。在输入侧,借助因果视角可以有的放矢地采集模型真正欠缺的信息——比如采回 1 万条数据,其中或许只有 100 条包含新信息,只需喂入这 100 条即可。在输出侧,当因果世界模型训练到一定水准后,它本身就能化身模拟器(simulator),批量生成长程(long-horizon)、极端边缘案例(corner cases)以及可控的失败案例(failure cases),再反哺自身训练。这类数据在真实机器人乃至遥操作场景中往往极难甚至无法采到,恰好补上真实采集的短板。

对于首个里程碑版本,她估算需要 7,000 至 8,000 小时数据与数百张算力卡(团队当时约有 400 张卡)。数据由四部分构成:模拟数据(物理模拟器加上因果世界模型自生成,可不限量自产)、第一视角(ego-centric)数据、一般视频数据,以及作为“最后一公里”把物理规律落到真机上的遥操作数据(一小部分自采,另向供应商定制)。她给出的配比是前三类合计约占 80%,遥操作约占 20%。

她为首版模型勾勒了三项能力目标:第一,完成非常长程的任务;第二,具备真正思考的能力——例如整理房间时,看到一张账单知道属私人物品会收进抽屉,看到一本书属公开物品则整理摆在书桌上;第三,泛化到从未见过的物体和全新任务,前提是新任务背后的物理规律在训练中已被覆盖。

被问及已有何种信心信号,黄碧薇举出一个技能组合案例:让机器人在训练中只学 lift(抬起)与 pick and place(抓取搬放),测试时直接面对从未做过的 stacking(堆叠)。死记硬背动作序列的模型无法完成新任务,而她们的因果世界模型能够完成得很好。面对 Koji 追问“它们到底共享哪几条规律”,她解释堆叠本质上把抬起、向上移动与抓取搬放的物理过程组合在一起;若某个复杂任务由 10 条共享规律叠加而成就能胜任,但如果出现完全陌生的物理规律,模型同样需要像人一样重新探索学习。她点名推荐了两篇近期论文:发表在当年 ICML 的 Learning Task-Sufficient World Models by Synergizing Agentic Exploration and Structured Modeling(简称 MIST-WM)以及 Ada-Diffuser: Latent-Aware Adaptive Diffusion for Decision Making。在 Koji 连续追问测试环境与体量时,她如实说明此前论文主要在模拟环境中验证,数据量印象中约上百小时;真实机器人的长程泛化推理演示是当年计划推出的目标。

四、不完美世界的因果发现、学界“三国鼎立”与 2013 年偶然入行

回望自身科研起点,黄碧薇介绍自己从 2014 年深入该领域后便盯上一个硬骨头:早期因果范式在理想条件下效果很好,可真实物理世界处处充满不完美——存在观测不到的隐变量,数据常带偏差(bias)、缺失值(missing value)和分布偏移(distribution shifts)。她在博士及此后阶段的核心学术贡献,正是从理论可识别性证明与算法推导两方面,在不完美世界里依然把背后的因果关系挖出来。

应 Koji 请求,她勾勒了因果学界的“三国鼎立”格局——三位年过八旬、德高望重的泰斗早年其实彼此谁也不服谁:

黄碧薇清晰标出自己的学术谱系:她毕业于 CMU,直接师承 Clark Glymour、Peter Spirtes 与 Kun Zhang(张坤)教授;在德国马普所期间的实验室核心领导 Bernhard Schölkopf 同样师承 CMU 派,同时她们很多高层思想也深受 Judea Pearl 影响。

至于为何走上这条路,她坦言更像命运巧合。2013 年她在德国读研究生时原本研究计算神经科学,初衷是想从人脑机制为 AI 寻找灵感。那年暑假她偶然去听了一场暑期学校(summer school),Bernhard Schölkopf 主讲的一堂因果发现(causal discovery)讲座击中了她——虽然当时没完全听懂,却隐隐感到这个问题极其核心,不仅对科研有用,甚至能为日常生活提供直击本质的视角。她随即找到实验室老师转入这一方向,一做就是近十三年。

五、因果两千年简史,以及与大模型的融合和创业二选一

随后她带听众拉通了因果思想的演进脉络。在哲学界,西方从亚里士多德、中国从更早的《易经》起探索了两千多年,直到近代才确立基于干预的现代定义:当我改变(干预)A 时,B 发生的概率随之改变,才称 A 导致 B。最早的实践落地在临床医学——通过随机对照实验(RCT,嘉宾口述中并称双盲实验),把受试者随机分为给药组和安慰剂组,检验药物是否有效。然而现实中做实验极为昂贵,许多场景根本无法施加干预。

1980 年代末,CMU 三位教授意识到不能只依赖实验,转向海量观测数据,提出了里程碑式的 PC 算法,尝试用比相关性更深的统计约束发掘因果结构。1989 至 1997 年间该方向蓬勃发展,但 1997 至 2006 年陷入一段相对空白期。直到 2006 年,芬兰科学家发现:在非高斯分布条件下,数据中存在额外统计不对称性,仅靠观测数据即可判断任意两变量的因果方向(究竟是 A 导致 B 还是 B 导致 A)。随后 Kun Zhang、Bernhard Schölkopf 等学者推动该分支持续壮大。

进入现代 AI 阶段后,黄碧薇团队把因果引入因果强化学习、分类、聚类、非稳态预测、表征学习与迁移学习,发现几乎所有传统机器学习任务都能借因果提升泛化与数据效率。但 ChatGPT 横空出世引发了她的深刻反思:“明明因果 AI 更合理,为什么是靠相关性的 LLM 吸引了全世界注意力?”过去她一度以为,只要把因果发现的理论假设降得足够弱、足以兼容隐变量和各种噪声,就能彻底解完问题;大模型让她意识到,数据规模堆叠本身蕴含巨大威力,若把大数据与深层因果挖掘结合,前景会大得多。

她总结因果帮助大语言模型有内外两条路:外部方式是用传统因果发现算出结构,通过 RAG(检索增强生成)或 prompt 喂给大模型,提升可靠性、减少幻觉;内部方式是改造模型内部架构使其真正习得因果。她判断 OpenAI、Anthropic 和 Google 受限于自身开创的 LLM 路径依赖,尚未真正踏上因果路线。面对“用因果改进 LLM”还是“用因果做具身世界模型”的创业二选一,她的取舍非常直白:LLM 在语言和编程上已经做到 90 分,迭代飞快、边际增益有限;而具身智能还停在 10 分,她更想把这 10 分推到 90 分。

六、VLA、WAM 与因果路线的硬碰硬打分,及 Scaling Law 反思

在谈完四类数据 80% 与 20% 的配比后,Koji 把矛头引向当下最热门的路线之争:第一版目标听起来与 World Action Model(WAM)颇为相近,到底该怎么评价 VLA、WAM 和因果世界模型?黄碧薇给出了毫不客气的拆解与打分:

技术路线核心机制与黄碧薇指出的瓶颈嘉宾天花板打分(满分 10 分)
VLA(视觉—语言—动作模型)在视觉语言模型(VLM)上叠加动作输出头(action head),仍沿用语言视角而非时间序列视角。由于物理动作处于连续空间、无法穷尽采集,桌面高度变化 2 厘米就可能导致执行失败5 分
WAM(世界动作模型)更像 VLA 的加强版或中间态。因视频数据丰富,先预测下一帧画面,再借逆动力学模型(IDM,根据前后两帧状态反推中间动作)求动作,违背“当前状态 + 动作 → 下一状态”的自然迁移过程6.5 分
因果世界模型 + 策略模型采用动作条件世界模型(action-conditioned world model)配合策略模型(policy model),在各层级逐步引入因果变量、因果结构与转移动力学10 分(多层全部实现时的上限,公司分步渐进推进)

她也从反面替 WAM 阵营说出对因果路线的最大质疑:业界对“因果是终极方向”已有共识,真正的怀疑在于实现太难——如何从原始视频、时间序列和传感器信号等 raw data 中同时提取出因果变量、因果结构以及随时间演化的动力学系统,市场上和学界真正懂因果的人都寥寥无几。谈到 Scaling Law(缩放定律)时,她直言当下很多关于 Scaling Law 的说法偏弱、偏虚,规模效应必须与数据质量和模型归纳偏置绑定:对 LLM 而言,也许要加 100 万条数据才能换来 20% 的性能提升,而真正理解底层因果规律的模型,或许只需要 20 万条数据就能达到同等水平。

七、从“工厂机器人被退回”触发创业,到 2,000 万美元投向何方

为什么一名已经在 UCSD 立足的教授会在 2025 年初决定下场创业?黄碧薇说,科研和创业一直是她人生唯二必做之事:科研是从想法走到论文,服务小范围学术群体;创业是把论文、算法和小模型转化为系统化商业产品,让机器人走进千家万户整理房间、做家务、做菜。内在层面,十余年科研已把许多核心难题攻克得差不多;外部触发点则来自 2025 年初与一位朋友的聊天——对方谈到有些机器人已经进厂“打工”,但试用一阵后又被工厂退回,因为缺少智慧大脑,非但没能替代人力反而成了现场负担。那一刻她意识到 VLA 已经碰壁、大家仍在盲目堆数据,正是把因果 AI 带出象牙塔的时机。她把 Aether AI 定位为更接近 frontier lab 的形态,科研突破与创业落地密不可分。

谈及行业风向,黄碧薇直言 LLM 在具身任务上的天花板已经显现,而令她欣慰的是越来越多因果圈外的人开始提起“因果”。她列举了三个信号:图灵奖得主杨立昆近期在多次访谈中强调因果及其对性能的提升,此前不仅引用过她的多篇论文、与她深入探讨因果发现,还曾在因巴黎会议冲突婉拒其 workshop 邀请时发邮件明确肯定这条路线;李飞飞教授的一些高层思想在她看来也与因果相通;国内如 DeepSeek 此前的模型也加入过“因果”概念。不过她判断,目前大多数团队仍停留在高层意识或“用过去预测未来”的浅层阶段,真正同时做到因果变量、因果结构与因果动力学三层的,应该只有她们团队。

对于刚刚落袋的 2,000 万美元融资(主要来自 VC,小部分来自表达信任的朋友,且她刻意不向朋友多拿钱),她明确资金将投向算力、数据、人才招聘三大块,并列出三类最急需的人才:第一,对 AI 算法尤其是因果算法抱有热情且有经验的研究者;第二,具备强模型训练经验、尤其是视频生成模型训练经验的人才;第三,兼具传统机器人控制与硬件功底、又深入理解前沿 AI 模型的 robotics full-stack 全栈工程师。

八、AI 时代的科研品味、PhD 值不值得读,与问上帝的终极问题

面对播客中大量博士生与科研听众的迷茫,Koji 追问 AI 时代科研门槛究竟变高还是变低。黄碧薇的回答很清晰:简单科研(写代码、写论文)的门槛确实大幅下降,但真正开创性的核心科研门槛从未降低。她强调要“拥抱 AI,但不依赖 AI”,绝不能让 AI 控制自己的思维;科研界最宝贵的仍是原创想法(creative idea)和批判性判断。她建议年轻研究者读论文时反复追问“作者为什么用这个方法,换一种思路能不能做得更好”,同时警惕盲从“潮流”——潮流往往意味着已经相对成熟,真正要做的是跨过当下潮流看到下一个方向。她也坦承大模型热潮下因果学术圈分成两派:资深学者大多心如止水继续做理论,年轻研究者出于求职现实,则积极把因果与流行大模型结合。

当 Koji 抛出“同龄人去 OpenAI 已经一年拿 3,000 万美元,本科生还该不该读 5 到 6 年 PhD”的尖锐问题时,黄碧薇保持了一贯看法:只有真正渴望探索未知、偏理想主义、能够屏蔽外界热点噪声的人,才适合读博;如果只为了拿学位,大可不必错失产业机会。对尚不确定自己志向的人,她觉得不必焦虑,如今工业界与学术界的围墙已经变低,可以先去读博或先去业界试水,觉得不合适再转换轨道。

节目尾声,Koji 问起五年后回看 2026 年的世界模型热潮,今天哪些路线会显得是错的。黄碧薇认为不能简单说成“错”,探索总是一步步累积:VLA 虽非终局,却留下了动作头(action head)的建模经验;WAM 虽非终局,却扮演了从视频生成迈向世界模型的中间桥梁。最后一问是“若能问全知上帝一个问题,最想问什么”,她给出了极具哲学意味的答案:“因果究竟是客观存在的,还是人类为了理解世界而构建出的概念?”就像物理学界对“时间是否真实存在”也未有定论一样。Koji 感慨如果因果不存在,人类会陷入存在主义危机;黄碧薇则笑着回归务实:茶余饭后可以和朋友辩论,但在日常生活与科研中,还是得先假设时间、物理世界与因果都真实存在。

机制:观察、动作与可检验的因果预测

沿用煎饼例子,构造一个可检验的因果实验(本文自拟示意):假设在观测视频中,深色平底锅往往对应更短的煎制时间,单凭相关性不能立刻断言“锅色深导致煎得快”——更可能的原因是,厨房里深色铁锅恰好总被放在火力更猛的灶头上(灶头火力是混杂因素)。要在安全条件下检验因果,应固定面糊配方、锅具材质与环境温度,主动改变火力档位(施加干预),记录锅面温度、等待秒数与熟度;再分别改变锅具与面糊厚度做交叉对照。即便温度和熟度测量存在噪声,这种干预设计也能把“锅色与熟度的虚假相关”和“火力→锅温→熟度的真实机制”拆开。

动作条件世界模型(action-conditioned world model)与逆动力学(IDM)的分工差异:在黄碧薇推崇的架构里,世界模型接收当前状态观测与候选动作,向前预测执行该动作后的下一时刻状态,再由策略模型比较多个候选动作的预期后果并择优行动——比如当前锅温偏高时,在隐空间推演“再等 10 秒(焦糊风险升高)”与“立刻翻面(保持恰当熟度)”的差异。相比之下,先生成未来视频帧再用逆动力学模型反推动作,虽然能直接利用海量无动作标注的互联网视频,但视觉预测空间里的一帧画面可能对应多种不可行的物理力矩,且难以区分“画面看起来熟了”和“动作真正施加了合适干预”。

隐变量与不可识别性提醒:给模型喂入动作变量本身,并不自动等于模型学到了正确因果。如果训练数据里的动作总与未观测变量耦合(例如人看到锅冒烟才翻面,而摄像头在暗光下看不清烟),模型就可能把环境光照或面糊颜色当作温度代理,换一盏灯立刻失效。仅仅在网络里加上“隐变量”模块并不能绕开统计上的不可识别性;要可靠分离隐藏物理因子,仍需要额外的结构假设、额外传感测量(如触觉、力矩、红外测温)或具备信息增益的主动干预实验。

独立判断:泛化证据与概念边界应该怎样分层

一、“抬起 + 搬放 → 堆叠”的迁移,还不等于证明已识别完整物理因果

在训练中见过 lift 与 pick and place 后成功迁移到 stacking,展示了有价值的组合迁移能力;但这种迁移也可能部分源于共享的运动基元、物体中心表征或相近的桌面场景分布,而不必然证明模型内部已经还原出完整的物理因果图。若要坐实更强的因果主张,需要在同算力、同数据预算下对比非因果基线,并系统性地单独扰动物体质量、摩擦系数、桌面高度和目标位置,同时核查目标任务的适配成本。以节目后于 2026 年 7 月 5 日公开的 MIST-WM 论文版本为例,其 RoboSuite 堆叠实验在先学相关任务后,仍在目标任务上设置了适应阶段(附录列出一百万环境步的适应预算),因此该证据支持“模拟环境下的表征学习与迁移加速”,不能直接等同于“真实机器人零样本完成家庭堆叠”。

同理,整理房间时区分“账单进抽屉、书放桌面”混杂了两类不同能力:一类是底层物理操控(抓稳并放入抽屉),另一类是语义规范与家庭隐私约定(哪类纸张算私人物品)。如果评测不把“选对目的地”和“把物体安全送到目的地”拆开计数,就很难判断一次失败究竟出在物理世界模型,还是出在高层语义常识。

二、世界模型当模拟器扩增数据,同样会放大自身的系统偏差

用训练到一定阶段的因果世界模型自产长程轨迹和 corner cases,思路上极具吸引力,但也暗藏模型坍塌与误差自激风险:一旦模型对某种物理接触(如轻碰薄壁杯子是否倾倒、湿滑表面摩擦力阈值)存在系统性偏误,它会高置信度地反复生成带有同一错误物理规律的“高质量合成轨迹”;策略模型再拿这些轨迹反哺训练,反而会在错误方向上越练越笃定。防止自举漂移的关键,是把合成轨迹持续锚定到独立真实测量或高保真物理校验,并专门挑模型不确定度高、多模型分歧大或临近失效边界的场景做真机验证,而不是单纯追求合成小时数。

三、两个值得校准的论点:语言模态的因果,以及随机对照与双盲

黄碧薇用“语言和编程是相对简单的模态、LLM 主要利用表层相关性”来凸显物理干预的特殊难度,这有助于解释为何纯文本扩展未能自动解决机器人操作;但在认知与评测层面,语言语料中同样包含大量反事实推理、程序执行因果和人类实验总结,模型能否从文本与代码交互中习得局部因果结构,应由具体反事实任务检验,而非仅凭自回归训练目标一概排除。另外,访谈口述中将临床医学的“随机对照实验(RCT)”直接等同于“双盲实验”,严格来说二者属于不同实验设计维度:随机分组解决的是选择偏差与混杂平衡,盲法解决的是受试者与评估者的期望偏差,实际临床试验中存在无法双盲的随机对照实验。

四、从工厂退货故事到“提出新问题”的科研试金石

朋友讲述工厂机器人试用后被退回的故事,是一个极具说服力的创业触发点,但真实产线退货往往交织了硬件可靠性、节拍速度、换线成本、安全围栏与 ROI 核算,单凭个案还无法断言瓶颈纯粹在于缺少因果大脑。反过来看,黄碧薇关于“真正核心科研看 creative idea 与批判性思考”的观点,恰好指向她自己研究路线下一道更深的问题:当因果世界模型在陌生环境持续失败时,系统能否自主识别出此前隐变量列表里根本没包含的新物理因素,并提出可区分竞争假设的新探索实验?如果模型只能在人类预先设定的变量空间里优化参数,它与传统自适应控制之间的界限仍会比愿景更窄。

证据边界与资料索引

本文依据《十字路口》官方节目简介与公开文字记录重建完整对谈脉络,未对原声逐字听审。官方公司名为 Aether AI(转写中偶见异写),节目中提及的融资规模、算力卡数、数据配比、技术打分与真机演示计划均为嘉宾访谈时点口述,未作独立核验。针对节目点名的学术工作,额外核对了论文公开版本的摘要、实验设定与附录(其中 MIST-WM 引用 2026 年 7 月 5 日公开版本,发布时间晚于本期播客,不视为录制当日已公开结果);未复现论文实验。文中的煎饼干预实验设计为本文构造的机制示例。

返回十字路口目录