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

摘要

• 核心call：现有三条世界模型路线都不是终局。 Ethereal AI创始人黄碧薇把视频生成、3D生成、杨立昆的VGAPA都归为过渡形态，押注第四条"因果世界模型"：在隐空间同时学因果变量、因果结构与transition dynamics，“因为理解了基本规律，它可以像我们人一样举一反三”。公司刚融约2000万美金（顶级美元基金），现有约400张卡。
• 路线打分（满分十）：VLA天花板可能是五分——action端是连续空间，训练数据很难覆盖所有状态，“桌面高了两厘米，这个任务可能就失败了”；WAM可能六点五分，靠video数据多、先预测下一帧再用IDM反推action，“一定是个中间路线”；终局形态"一定是一个action-conditioned world model加上policy model"。
• LLM为何到具身不够：语言和coding是"非常简单的模态"，因果关系已被总结在语言表面、token离散、数据量大，学表层相关性就够；而机器人每次与环境交互"其实就是在做intervention"，天然是因果过程。 她的categorical判断：在具身任务上，大语言模型天花板已经出现了——这也是她选具身不选LLM的算术：LLM已90分、具身才10分，“我更想把这个十分推到九十分”。
• 对scaling law的祛魅：“现在说的scaling law比较weak、比较虚”，必须与数据质量和模型绑定——LLM加一百万条数据涨20% performance，懂因果的模型"可能只需要二十万条"达到同样效果。 配套的数据自进化飞轮：采一万条只喂含新信息的一百条，模型训到一定程度自己当simulator，产出真机可能采不到的corner case和可控failure case数据反哺训练。
• 泛化信号与时间表：只学过lift和pick and place两个任务的模型，零样本把全新的stacking"完成得非常完美"——因为stacking正是二者物理规律的加和；第一版模型预期七八千小时数据（模拟+ego-centric+视频约80%、遥操20%），今年计划真机demo展示长程任务泛化与推理。
• 共识与质疑并存：市场对"因果是终局目标"有共识、毋庸置疑，质疑全在怎么实现——如何从raw data提取因果变量、学结构、学动力学；杨立昆近期从high level谈因果，李飞飞的一些high-level idea被她认为与因果有关；杨立昆（AI三巨头之一、图灵奖获得者）曾深度探讨并大量引用其paper，但真正做全三层的"应该是我们团队是仅有的"。
• 创业trigger具体而微：2025年初朋友讲工厂机器人被退货——“没法真正替代人类，反而成了工厂里的负担，因为缺一个非常智慧的大脑”，“那不是因果AI最擅长的事情嘛，right time for me”。 五年后回看她拒绝说谁错了：VLA留下action head建模、WAM留下视频生成到世界模型的中间产物，但"现在的模型范式不会是终局"。

精读

1. “世界模型"是被混用的热词：她的判据是能否模拟世界如何运行

• 柯基的开场之问直指定义混乱：视频生成、3D生成、VGAPA如今都被统称世界模型，但实现侧重完全不同——有的重渲染、有的重模型对动力学系统的理解、有的重视频生成效果。黄碧薇的定义只有一条硬标准：能理解背后物理规律与因果关系，“可以模拟我们这个世界是怎么运行的，基于时间或者基于不同动作，从当下状态变到下一个状态”。
• 主流三条路线：视频生成、3D生成、以及杨立昆主导的VGAPA——后者把decoder到像素空间完整去掉，在隐空间只保留smooth transition的信息。问最看好哪条，她的回答是第四条：“可能就是我们的因果世界模型”——但强调是站在巨人肩膀上，把早期因果小模型、基于相关性的大模型、视频生成"从各个层面结合起来”。

2. 因果世界模型的三要素：变量、结构、动力学

• 与其他路线的核心差异是隐空间里同时学三样东西：一学因果变量——物体形状、数量、速度、角速度、摩擦力；二学变量间的因果结构——抓杯子时握力点、速度、角度如何共同决定成败；三学transition dynamics——不同动作下一时刻到达什么状态。
• 三要素齐了才有真泛化：“把机器人模型从一个环境迁到另外环境、从一个任务迁到另外一个任务，因为理解了基本规律，它可以像我们人一样举一反三，很快适应新的环境新的任务。”

3. 为什么LLM大力出奇迹，到具身就不够

• 柯基的追问是全集最好的问题：LLM不懂因果照样逻辑严密，数据够了因果会不会是"涌现出来的结果"？她的回答从LLM为何只在语言和coding成功讲起：这两个是"非常简单的模态"，因果关系已经被总结在语言表面（“因为今天天气好，所以我要出去逛一圈”），token离散、数据量大，学表层相关性的范式就够了；但到更难的具身任务和科研发现（生物制药、新材料、天文学），“现在的LLM这套范式它显然是不够了”。
• 机器人每次与环境交互"其实就是在做intervention，自然而然的一定是个因果的过程"。煎pancake的例子as told：只看视频学习的机器人学到表面流程——倒面糊、等一会、翻面，生成的视频"还不错，能看的"；但真实厨房里锅更热或更冷、面糊更厚或更薄、油多一点少一点，“锅很热的时候等三十秒就已经糊了”。物理世界对操作的要求比视频生成高很多。
• 天花板判断是分任务的、且不留余地：“在具身任务上面，大语言模型天花板已经出现了。”

4. 数据自进化飞轮：一万条里只喂一百条

• 输入端从因果视角"有的放矢"：采一万条数据可能只有一百条包含模型需要的新信息，只喂这一百条。输出端模型训到一定程度自己就是simulator，产出long horizon、含corner cases和可控failure cases的数据——这些在真机遥操场景"可能没法采集到"，再反哺模型训练，形成"数据作为燃料、模型再产生高质量数据"的闭环。
• 数据四类、配比明确：模拟数据（物理模拟器+自身模型作为模拟器）、ego-centric数据、视频数据合计约80%，遥操数据约20%——遥操是"最后一公里"，把物理规律back到机器人身上。大部分数据自产（模拟数据"可以不限量采集"），遥操小部分自采、部分从供应商定制。

5. 第一版模型：八千小时、四百张卡，与stacking的零样本信号

• 第一版预期七八千个小时数据、几百张卡（现有约400张）。目标三条：非常长程的任务；真正的思考能力——收拾屋子时账单是私人物品放抽屉、书"比较public"放书桌；以及对没见过物体、新任务的泛化——hedge保留原样：“这些任务的物理规律必须是在以前训练数据里cover过的”。
• 已有的信心信号：模型只学过lift和pick and place两个任务，测试全新的stacking——“如果只是死记硬背过去习得的技能……显然是不会的，但我们的因果世界模型可以把stacking完成得非常完美”，因为stacking正是lift与pick and place物理规律的加和。规律shared就能做好；“出现完全没见过的物理规律，它也需要再去探索学习一下，像我们人一样”。
• 目前成果在模拟器环境、数据量"上百个小时"（今年ICML论文《Learning Task Sufficient Word Models by Synergize…》及《Add Diffuser Latent Aware Adaptive Diffusion for Decision Making》等）；今年计划真机demo，展示机器人长程任务的泛化性和推理能力。

6. 因果AI的学术谱系：哲学两千年、PC算法与三国鼎立

• 因果在哲学里定义了两千年（西方从亚里士多德、中国从易经），近代定义落在intervention上：当且仅当改变A使B的概率变化，才是A causes B。最早应用是临床随机对照实验，但"做实验非常贵，有时候你没法做实验"——八十年代末CMU三位教授Clark Glymour、Peter Spirtes、Richard Scheines提出PC算法，从观测数据中用超越相关性的统计方法挖因果结构；89年到97年发展迅猛，97到06年"比较空白"，06年芬兰科学家发现非高斯情形下的额外性质，可仅凭观测数据判定A cause B还是B cause A。
• 门派三分且"早期相互不太对付"：因果发现的CMU派；因果推断里以图为核心的Judea Pearl派（UCLA、图灵奖）与哈佛Don Rubin的Potential Outcome Framework——几位都八十多岁，“有点三国鼎立，相互不服谁”。她是CMU嫡系：师承Glymour、Spirtes、Kun Zhang，马普所导师Bernhard Schölkopf也出自CMU门派，“当然很多high level idea也是被Judea Pearl影响非常多”。
• 入行纯属巧合：2013年在德国读计算神经科学研究生，暑期学校偶然听Schölkopf讲discovery，“虽然当时没有完全听懂，但冥冥之中就感觉这个问题特别核心”。此后十二年的主攻方向是不完美世界里的因果发现：隐变量、bias、missing value、distribution shifts存在时，“从理论上证明、从算法层面导出"背后的因果关系。

7. 给路线打分：VLA可能五分，WAM可能六分半，终局是action-conditioned world model

• VLA天花板可能五分（满分十）：在VLM上加action head，“大家还是在想着从language角度去做这个问题，但其实看action的时候应该从time series角度去看”；action端是连续空间，训练数据很难覆盖所有状态——“桌面高了两厘米，这个任务可能就失败了”，这是VLA没有泛化能力的核心原因。
• WAM可能达到六点五分，“但它一定是个中间路线，达不到我们最后想实现的目标”：靠video数据多，先预测下一帧、再用IDM（inverse dynamics model）反推两帧之间的action——“不是一个自然的状态迁移过程”，自然迁移应是状态t给一个action、看t+1的状态。最终形态"一定是一个action conditioned world model，然后再加上policy model”。
• 因果路线若在每个层面都实现就是十分，但公司策略是逐层加入因果，“不会特别激进的直接冲那个十分”。

8. 市场最大的质疑不在方向，在实现——以及scaling law的"虚"

• 她转述对手视角相当坦诚：市场对"因果一定是要实现的目标"有共识、毋庸置疑，质疑全在怎么实现——如何从video、time series、sensor signal等raw data里提取因果变量、同时学因果结构、学随时间变化的因果系统，“真正懂因果的，在市场上或者在学术界都不是很多”。
• 对scaling law的祛魅值得单独记录：“现在说的scaling law它也是比较weak、比较虚的”——必须与数据质量和模型绑定：LLM加一百万条数据涨20% performance，“真正懂因果、懂核心底层规律的模型，可能只需要二十万条数据就可以达到一样的performance”。
• 因果被主流提及让她"欣慰"：杨立昆近期从high level讲因果，李飞飞的一些high-level idea被她认为与因果有关、杨立昆也曾在邮件里肯定她的路线。DeepSeek之前的模型名字也加了"因果"。但多数团队"要么在high level有意识，要么只在简单的点上真正做到（比如过去预测未来）"，真正做全变量-结构-动力学三层的，“应该是我们团队是仅有的”。杨立昆（AI三巨头之一、图灵奖获得者）曾对这套因果模型"非常上头"，有过深度探讨并"cite我很多paper"。

9. 创业trigger：进厂的机器人被退货

• 转折在2025年初，朋友聊起工厂自动化：“机器人已经进厂打工了，但测试了一阵子之后又被退回去了，因为它没法真正替代人类去做这些事情，反而成了工厂里的一个负担——他们缺了一个非常智慧的大脑。“她的反应：“那不是因果AI最擅长的事情嘛？这是一个right time for me。”
• ChatGPT发布曾令她"深刻反思”：明明因果AI更合理，为什么LLM吸引了所有注意力？“我以前没有意识到一个问题——数据量堆叠，它是有用的”，因此结论变成在大数据基础上"用更深入的方法挖掘背后更深层的信息，两者兼顾”。因果帮LLM有内外两条路：外部用因果发现找变量关系、以RAG/prompt形式喂入减少hallucination，内部改架构让模型真正学因果——但OpenAI、Anthropic"有路径依赖……还没有真正走到因果这条道路上来"。
• 选具身不选LLM的算术：LLM在语言和coding"已经达到九十分"，具身"基本上十分的状态，我更想把这个十分推到九十分"——LLM一代代更新能力涨得太快，往那边走"增益非常有限"。
• 约两千万美金融资投向算力、数据、人才三块；小部分是朋友的"友情赞助"（“我肯定不能要他们太多钱嘛”）。公司自我定位是frontier lab，急招三类人：因果算法、视频生成模型训练、robotics full stack。

10. 给PhD的话与五年后的回望：没有路线是错的，但都不是终局

• PhD观从未变过：“只有真正对研究有渴望的人才应该来读”，只为学位"不用花五六年，你可能错失很多赚钱的机会"；理想化的人更合适，且要"识别外面到底哪些是噪声"——哪怕同学去了OpenAI"一年三千万美金"。好在"工业界和学术界的gap更低了……不是说选一条路就得走到黑"。对AI时代的科研门槛她分两截：真正开创性科研的门槛没变，简单科研门槛大降；“要拥抱AI但不依赖AI——核心的创造性思想一定得是自己的”。
• 五年后回看2026年这场世界模型的"锣鼓震天"，她拒绝用对错框架：“不能严格的说错，每步它会留下一些东西，但现在的模型范式它不会是终局”——VLA留下了action head的建模方式，WAM留下了从视频生成模型变为世界模型的中间产物，“它存在还是都是有道理的”。
• 结尾问上帝的问题意外地哲学：“因果是客观存在，还是人基于理解可以更好understand这个世界（的构造）？就像时间是不是存在，大家有时候也不是完全确定的事情。“柯基接话：“如果因果不存在，我们会集体陷入存在主义的巨型危机。“她的务实收尾：茶余饭后可以argue，平时生活"假设时间存在、物理世界真实存在、因果真实存在”。