夜雨聆风专注于因果世界模型的人工智能公司「Aether AI」宣布完成九合创投参与的首轮融资。
Aether AI 由美国加州大学圣地亚哥分校（UCSD）助理教授黄碧薇创立，是一家主攻因果世界模型的前沿人工智能公司。公司致力于打造能够理解现实世界运行机制的新一代AI系统，让机器可以在复杂环境中进行推理、预测和决策。
它的目标不是让AI更“大”，而是让AI更“懂”。这一变革可能将改变AI的未来走向——让机器理解“为什么”，而不仅仅是“是什么”。
团队在因果AI方向具备最前沿的科研积累和规模化工程经验，始终把因果推理作为技术核心，致力于推动AI从“相关性”跨越到“因果性”，为机器人、Physical AI以及未来通用智能提供关键的基础能力。
专注于因果世界模型（Causal World Model）的人工智能公司 Aether AI 正式宣布完成首轮融资，募集资金总额约2000万美元。该轮融资由经纬创投领投，英诺基金、SWC Global、九合创投等机构联合参投。
Aether AI 由美国加州大学圣地亚哥分校（UCSD）助理教授黄碧薇（Prof. Biwei Huang）创办，主攻因果世界模型。公司表示，这笔资金将用于因果世界模型的技术研发与迭代、工程化基础设施建设、核心团队扩充，以及具身智能（Physical AI）方向的首批商业化部署。
Aether AI 想做的事情很明确：用更少的数据获得更强的泛化性，推动AI从“识别模式”跨越到“理解机制”，这背后需要一套以因果推理为底层架构的模型。
Aether AI 创始人黄碧薇教授在因果发现与机器学习领域有着超过十二年的研究经历。在她看来，当前主流的大语言模型和视觉-语言-动作模型（VLA）虽然在封闭测试环境中表现不错，但本质上靠的是从海量数据中提取统计相关性。一旦进入开放、动态的物理世界，这类模型的泛化能力和样本效率就会出现结构性的瓶颈。
黄碧薇教授表示：“过去十年，深度学习通过规模法则（Scaling Law）取得了令人瞩目的成就。但当我们试图让AI系统在真实物理世界中做出可靠决策时，仅凭统计相关性是不够的——模型必须理解因果机制。Aether AI 正在构建的因果世界模型是通向Physical AI和未来通用智能的重要一步，而本轮融资将使我们有能力加速这一愿景的落地。”
构建理解世界因果机制的AI
从技术路线上看，Aether AI 与主流范式有三点明显的不同：
因果特征表示（Causal Feature Representation）：直接从视频、文本、传感器信号等多模态输入中提取可解释的因果变量，而不是生成难以解释的黑箱嵌入向量；
因果结构发现（Causal Structure Discovery）：自动识别变量之间的因果依赖关系和层级结构，理清“什么因素、以什么方式、影响了什么结果”；
因果动力学建模（Causal Dynamics Modeling）：推演系统在不同干预条件下的演化轨迹，让模型具备反事实推理（Counter-factual Reasoning）和因果想象（Causal Imagination）的能力。
在早期验证中，这套因果方法已经在部分操作任务里把数据效率提升了20%–30%。只需要大约50条高质量因果标注数据，就能让此前频繁失败的任务达到可靠的成功率。
这一结果表明，因果世界模型有能力用“算法结构优化”来部分替代对海量数据训练的依赖，对于行业来说，这是一条训练成本更低、收敛周期更短、跨域泛化能力更强的技术路径。
Aether AI 的整体技术栈由四层架构组成：因果Transformer层，在可扩展架构基础上引入词元级因果性建模；模块化架构层，实现功能解耦的神经网络模块化设计；因果世界模型层，完成从像素到物理层面的因果变量识别与动力学建模；智能体系统层，提供因果驱动的规划、归因与记忆机制。
这套架构的设计思路不是另起炉灶，而是在现有可扩展架构上平滑过渡，逐步引入因果机制。Aether AI 希望在此基础上，构建覆盖基础模型到智能体系统的完整技术栈，最终让AI不仅能识别模式，也能理解现实背后的因果机制。
具体到落地层面，Aether AI 把首个应用锚点选在了具身智能（Physical AI）领域，为机器人打造统一的因果推理层，也就是“因果大脑”。在物理世界中，机器人的每一次动作本质上都是一次干预，而依赖统计捷径的决策一旦出错，就会立刻体现为操作失败。正因如此，具身智能被公司看作是检验因果推理能力最直接也最有说服力的场景。
世界级因果团队
Aether AI 的核心团队由来自全球顶尖学术机构与AI实验室的科学家、技术专家与资深工程人才组成。
创始人黄碧薇博士现任美国加州大学圣地亚哥分校（UCSD）Halıcıoğlu数据科学研究所（HDSI）助理教授。她的学术轨迹横跨中国、德国马克斯·普朗克智能系统研究所（Max Planck Institute for Intelligent Systems）、卡内基梅隆大学（Carnegie Mellon University）及UCSD，在NeurIPS、ICML、ICLR、CVPR等国际顶级会议及期刊发表论文逾百篇，获得Apple Scholar等奖项，并主导开发了因果发现领域的全球标准开源工具Causal-Learn和Causal-Copilot，被广泛使用。
公司拥有一支覆盖因果AI领域三代核心学者的学术顾问网络，其中包括图灵奖得主Judea Pearl教授、马普所所长Bernhard Schölkopf教授，以及因果发现学科奠基人Clark Glymour教授与Peter Spirtes教授等。而黄碧薇是这个学术谱系中的第三代代表人物。
黄碧薇预计，2027年初在机器人操作任务上将达到“GPT‑3时刻”，即多种任务具备较好的泛化能力、高成功率并能执行长程任务；到2027年下半年，结合移动与操作，可以在开放环境中实现自主探索与终身学习。
如果说深度学习教给了机器“看见”，因果AI要教给机器的是“理解”。这或许是通往通用智能的那道窄门。
更多信息请访问：https://aetherlabs.ai
「无尽方舟」联合创始人在《Nature》发表突破性研究，提出治疗癌症新思路 | 九合Portfolio
「井英科技」获数千万美元融资，原AWS首席应用科学家加盟，打造内容行业的Agent原生公司 | 九合系融资新闻
「欧拉万象」完成数亿元天使轮融资，以 “可养成” 范式重构家庭具身智能的物理世界数据闭环 | 九合系融资新闻
