Aether AI融两千万美元 推因果世界模型破局具身智能

Aether AI融资两千万美元，推因果世界模型破局具身智能 大语言模型及视频动作模型因缺乏对底层物理因果的理解而存在天然天花板，机器人必须通过因果世界模型在隐空间内掌握状态转移动力学才能实现真正的长程任务泛化。 访谈深入拆解了“世界模型”的严肃技术定义，指出当前主流的视频生成和VLA路线未能真正理解物理动力学，并提出了以因果为核心的“第四条路线”——因果世界模型。黄碧薇教授详细阐述了具身智能必须死磕因果的核心逻辑、团队首版因果世界模型的研发规划与顶会论文验证，以及因果AI学界的三大历史门派演变。此外，她还分享了从UCSD教授转型创业的心路历程，对读博与科研门槛进行了批判性思考，并展望了五年后技术发展的终局形态。 Aether AI 创始人黄碧薇提出视频生成、3D 生成及 JEPA 之外的“第四条路线”——因果世界模型，强调模型必须在隐空间学习因果特征、变量相互影响及动作驱动的状态转移动力学。 (2:13) 大语言模型基于表层相关性在离散文本上取得了成功，但具身智能与物理世界的交互本质上是干预（Intervention），需要因果模型理解锅温、厚度等变量规律以避免机械模仿失败。 (4:49) 因果世界模型可充当高质量、可控的模拟器反哺长程与边缘场景数据；实验显示模型在仅学习“提升”和“拾取放置”后，即可自主跨任务泛化完成未经训练的“堆叠”任务。 (10:00) 黄碧薇将 VLA 路线评为 5 分、WAM 归为 6.5 分的中间态，指出终局形态应是由当前状态施加动作再演变至下一状态的 Action-Conditioned 世界模型搭配策略模型。 (25:00) 因果 AI 历史经历 CMU 发现派、UCLA 图模型派与哈佛潜在结果框架派的学术分歧；Aether AI 获 2000 万美金融资，选择跳过大模型修补幻觉的存量竞争，全面押注仅有 10 分成熟度的具身智能大脑。 (20:00)

Aether AI 创始人黄碧威教授主张，现有基于表层相关性的视频生成与语言模型无法真正理解物理动力学，具身智能必须转向以因果为核心的动作条件世界模型（Action-Conditioned World Model），才能实现对物理世界的可靠泛化与干预推理。 世界模型的定义争论与因果路线提出 (0:00) 过去半年中，“世界模型”涵盖了视频生成、3D 生成及 Yann LeCun 主导的 V-JEPA 等截然不同的技术路线。黄碧威教授提出严格定义：世界模型必须理解底层物理规律与因果关系，并能基于时间或动作模拟世界如何从当下状态演变到下一状态。他认为，Sora 类的视频生成、3D 渲染以及在隐空间做平滑过渡的 JEPA，均未真正触及物理动力学机制。 面对大语言模型（LLM）的成功，黄教授指出语言和代码属于模态简单、信息浮于表面且数据离散丰富的任务，依靠表层相关性即可涌现逻辑；但具身任务与科研场景极其复杂，机械模仿无法应对扰动。为此他提出了“第四条路线”——因果世界模型，旨在融汇早期因果理论小模型、相关性大模型与视频生成，推动 AI 理解物理世界的真实动力学。 具身交互的干预本质与因果核心三要素 (5:00) 机器人与物理环境的交互本质是“干预（Intervention）”，天然是一个因果过程。黄教授举例说明，机器人若仅看视频模仿“煎煎饼”，在油量、面糊厚度或锅温变化时，机械执行“等待30秒”必然导致煎饼烤焦。只有理解因果，机器人才能举一反三。因果世界模型包含核心三要素：在隐空间学习因果变量与特征（如质量、摩擦力）、理解变量与结构间的相互影响，以及自主学习施加动作后的状态转移动力学（Transition Dynamics）。 针对真机长程任务与边缘场景数据采集昂贵且匮乏的问题，训练成熟的因果模型自身可充当高质、可控的模拟器，生成包含失败案例的长程数据进行反哺自进化。在技术验证上，团队发表于 ICML 的研究显示，模型仅学习“提升”与“拾取放置”两项任务后，因掌握底层物理规律，能自主泛化完成未训练过的“堆叠”任务。 路线辨析：为何 VLA 与 WAM 均非技术终局 (25:00) 黄教授评估当前热门方案认为，VLA（视觉-语言-动作）模型的天花板只有 5 分（满分 10 分）。由于物理动作处于连续空间，仅在视觉语言模型后附加 Action Head 极为脆弱，例如桌面升高 2 厘米就可能导致任务失败。而当前流行的 WAM（视频动作模型）被其定性为 6.5 分的“中间态”，其逻辑是预测下一帧图像再借由逆动力学模型（IDM）反推动作，背离了真实物理“状态 + 动作 $\rightarrow$ 下一状态”的演变规律。具身智能的终局应是 Action-Conditioned 世界模型搭配策略模型。 对于因果路线是否违背 Scaling Law 的质疑，黄教授澄清因果路线同样存在规模法则，但必须与数据质量及模型架构绑定。粗暴堆砌 100 万条数据可能仅提升 20% 性能，而掌握因果规律的模型借助 20 万条高质量数据即可达到相同效果。 学术渊源、产业落地与科研哲思 (15:00) 黄教授自 2014 年起深耕因果领域，师承 CMU 因果发现门派（师从张坤与 Bernhard Schölkopf），并融合 UCLA 图模型与潜在结果框架等思想。2025 年初，因工厂实测机器人因缺乏灵活适应环境的大脑而遭批量退货，促使他从加州大学圣地亚哥分校（UCSD）助理教授转型创立 Ether AI。目前公司获顶级美元基金 2000 万美元投资，拥有约 400 张显卡，正利用七八千小时混合数据训练第一版模型，并规划于 2026 年内发布处理长程任务的真机 Demo。 针对当前科研门槛因 AI 工具降低的现象，黄教授提出“拥抱 AI，但不依赖 AI”，建议青年学者跳出当下成熟的潮流，寻找下一个技术热点并扎根。他选择避开在 90 分向 95 分内卷的 LLM 赛道，专注于将目前仅有 10 分的具身智能推向 90 分。 黄教授展望五年后认为，当下的 VLA 与 WAM 虽然不是终局，但也留下了动作头建模与视频预测的探索价值。在技术探索之外，他也提出了一个形而上的未决疑问：因果关系究竟是客观物理世界的底层规律，还是人类为了理解世界而构建的主观认知视角？尽管答案未定，但在具身智能的务实推进中，因果机制仍是通往终局的核心路径。

[0:00] 黄碧威: 世界模型必须能够理解背后的物理规律和因果关系，能够基于时间或不同的动作，模拟整个物理世界是如何从当下状态演变到下一个状态的。 [8:20] 黄碧威: 因为今天天气很好，所以我出去逛一圈 [32:00] 黄碧威: 我们要拥抱 AI，但不依赖 AI。 [32:00] 黄碧威: 科研是从 idea 到一张 paper，而创业是要把 paper 层面算法小模型转化为系统化、商业化的成果，服务千家万户。 [43:00] 黄碧威: 因果到底是物理世界客观存在的规律，还仅仅是人类为了理解世界而发明的一种主观视角？

[0:00] 嗨,我是Koji,那过去半年呢,世界模型是在AI和巨生这两个领域都最热门的关键词之一但是问题是啊,当今天我们说到世界模型的时候,我们到底在说什么?它的定义到底是什么?它听起来很宏大,但是呢又好像很不准确它到底是一个严肃的技术对象,还是一个被混用的一个热词所以今天呢,我们请到了Ether AI的创始人黄碧威教授来和大家分享他对世界模型的理解以及在他深根的因果世界模型的新范式他的一些观察和思考你好黄教授欢迎来到十字路口嗨 科技您好我们的节目有一个传统我们还是先从快问快答开始请问黄教授求学的经历可以介绍一下吗我一路还蛮有意思的我是从上海华尔士大计算机系毕业然后去德国马克斯普朗科研究所从马克索到CMU读博毕业以后又加入UCSD我应该是RMTJ有的时候也会RMTP然后星座是水瓶座那一句话介绍一下Ether AI这个公司我们要构建真正的因果世界模型让AI真正可以理解我们物理世界背后的因果关系基础的物理规律它可以举一反三真正在物理世界当中可以帮到大家然后我们第一个落地的场景就是巨生大脑听起来是非常金层大海的一个创业咱们目前的融资情况是什么我们得到了很多顶级美元基金的大力支持关于短期内容了2000万美金左右哇 恭喜恭喜那再一句话介绍一下创业之前在做什么因果发现和因果AI领域我做了12年从马普索读研然后在CMU读博然后再到UCSD做助理教授这一路都是我主攻的科研方式怎么超越现在的基于相关性的AI真正找到背后因果关系我们待会会展开来聊一聊这个因果模型但我们还是先从世界模型开始那今天说到世界模型的时候可不可以先请黄教授给我们做一个科普世界模型这个词啊今年以来我感觉可能是被大家提到最多的词然后它的定义呢又非常就是不统一我们现在其实视频生成模型3D生成模型然后包括Vjapa等等这些模型现在都统一成为世界模型但大家如果看具体的实现的话你会发现它们侧重点是不一样的有些世界模型它侧重渲染有些世界模型它侧重于我模型本身对这个动力学系统的理解有些模型侧重视频生成的效果我这边定义是世界模型它需要去理解背后的物理规律因果关系或者换句话说它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它是怎么从当下状态变到下一个状态的当我们今天说到世界模型的时候你觉得有哪几条最主流的路线呢一是就是我们达处置了视频生成模型第二3D生成模型第三就是加爬路线杨乐坤教授主导的这条路线它的核心是想要去真正学习到我底层的规律它是把我整个decoder到像素空间那个decoder完整的去掉它可以在影空间只保留这种平滑smooth transition的这种信息在这些路线里面你自己最看好哪一条最终的落地的世地的世界模型它必须要是懂我们这个物理世界底层规律因果结构懂这个transition dynamics物理动力学到底是怎么样子但是对于现在的世界模型的话就还没有真正的做到这一点所以就是刚才三条路线你觉得谁最有可能能够提前达到那样的一个世界模型的愿景和状态可能就是我们的因果世界模型所以不是那三条路线是你们现在在做的第四条路线对但是就是当然我们肯定也是都是站在各种巨人肩膀上包括我们早期的英国领域小模型的探索然后以及在基于相关性的大模型的探索视频宣传模型我们把这些不同的方法从各层面结合起来然后达到我们真正想要实现这个以英国为核心的这样的世界模型所以当我们说到这个咱们在做的英国世界模型的时候它和其他刚才我们说的三条世界模型3D生成 视频生成 以及这个杨立坤教授的JAPA路线它最核心的差异化是什么呀最核心的差异化就是我们世界模型真正能在影空间里面第一点能够学到英国变量 英国特征 [5:00] 我举个例子比如说我这个物体的形状有几个物体是吧速度角速度然后摩擦力等等这第一点第二点就是我要同时学习这些因果变量这些因果结构它们相互之间怎么影响比如说我想抓这个杯子我抓杯子的时候手的握力点速度角度都会影响我是不是能成功抓取这个杯子然后第三点在模型当中自己能学习我这个transition dynamics是怎么样的我在用不同动作那下一时刻它达到什么样状态这是我们英国世界模型的核心的三个要素有了这个三个要素你学习到了整个英国系统从而你可以做真正的泛化比如说当我们把一个机器人模型从一个环境迁到另外一个环境从一个任务迁到另外一个任务的时候因为理解了基本规律所以它可以像我们人一样举一反三很快地适应新的环境新的任务就为什么理解因果那么重要呢因为比如说在大语言模型里面我们通过这个大力出奇迹的训练模型本身它不需要知道因果它仍然会有它的非常严密的逻辑但是在世界模型里面为什么英国是那么的重要呢就是不是也会和大语言模型一样有讲数据够了算法好了最后它的英国会是涌现出来的一个结果这是一个特别好的问题首先我问Cody您一个问题你知道为什么LLM当下它只能在自然语言以及Cody任务上取得很大成功呢因为我们在世界里面不管是视频还是真实世界的其他的训练的这种数据还不够多这是一个点但其实核心是这样子因为自然语言和Coding它是两个非常简单的模态它的信息是指在我语言层面比如说我因为今天天气很好所以我今天要出去逛一圈这种因为所有的关系它已经会总结到我们这个语言表面了再加上就是语言我们把它推作为一个离散的token这是第二点然后第三点当然它的数据量很多因此就是ALM这种简单的学习或数据表层相关性的这种模型范式它也可以做得很好但接下来一旦我们要到更难的聚身任务机器人任务以及更复杂的各种科研发现比如说在生物制药新材料发现在天文学等等领域就现在的L1M这条范式它显然是不够了我举个例子比如说咱们回到巨生这个领域你看机器人它每次和我这个环境进行交互或者和我这个物体进行交互它其实是在做一些intervention所以它自然而然的就一定是个因果的过程如果它不理解背后的因果关系没办法把一些操作任务做得很好比如说我让机器人给我煎一个pancake那如果机器人先他只是看视频学习他可能只是学到一个表面流程我先倒个面糊然后等一会儿然后再翻面是吧如果只是从视频真正角度看的话可能觉得他还做得不错生成的视频还不错能看的但如果你走了真正厨房里每次可能情况都不太一样比如说这次他锅可能更热但也可能没那么热然后面糊可能更厚也可能更薄可能油可能多了一点也可能少了一点你想象一下如果机器人或者说我们人不懂背后的因果关系他就可能只会机械的模仿他不会说能够真正的非常灵活应用局一反三比如说锅很热的时候我可能等30秒就烟糊了但如果锅不够热的时候我可能30秒还不够就是我们在物理世界中对操作要求是比视频生成要求要高很多的我们在前面沟通的时候你有提到说咱们的数据它有一个叫做自循环的系统可不可以讲一讲这个训练数据它如何自循环起来您说的应该是一个自我进化这样一个概念对首先我们从英国的角度去收集数据的时候我们可以更有敌方式的去收集模型到底需要什么样数据缺什么样数据比如说你踩一万条有可能包含模型所需要的新的信息的可能就一百条那我们其实只需要把这一百条为给数据去去模型就可以了第一点数据作为模型的输入然后第二点,数据作为模型输出,当我们这个英国世界模型,它train到一定程度之后,它本身就可以做一个simulator,可以产生非常高质量的,然后包括long horizon,长程的,包含一些conic cases,以及可控的filia cases的数据。然后这个数据可以再反补给我们这个英国世界模型去train,那其实我这个想提醒, [10:00] 这边我们英国实践模型作为simulator它产生数据在真机场景中通常是很难采集到的所以它相当于其实可以很好的弥补真机数据的就是一个采集性的不足以及一些特别在一些corner case你可能在利用摇操你没法去采集到这样的数据所以它你可以看到数据输入作为燃料去为模型让模型再产生高质量的数据然后反补这件模型的训练你觉得训出第一个Milestone的模型它应该是一个什么样的模型然后这大概在中间需要怎样的数据量以及怎样的一个算力我觉得训出第一版的模型的话我们预期的数据量大概在七八千个小时然后算力的话肯定是需要可能几百张卡吧我们现在有大概400张卡左右刚才说到8000个小时的数据主要是什么样的数据呢我们数据大概分四个方面第一个就是模拟数据产生数据包括物理模拟器以及我们英国世界模型它自己作为模拟器产生数据然后第二点是Ego-Centrum的数据第三点视频数据然后第四点摇槽数据它是最后一公里把我背后的物理规律BAP到机器人身上咱们的第一版的模型在你看来它迅速来之后它是可以放话到什么程度它可以做非常长城任务第二它可以有真正思考的能力比如说家里收拾屋子我看到账单OK这是一个私人物品我要把这个账单放在抽屉里如果看到一本书那书是比较public的不行那我可能把它就整理好放在书桌上面然后第三点就是泛化能力比如说我碰到一些没有见过的物体我也能非常自如操作然后碰到一些新的任务我也能成功操作当然这些任务有物理规律必须是在以前训练数据里cover过的这是我们第一版的一个目标现在通过咱们做英国的这个模型已经看到了一些什么样的信号吗让我们看到足够有信心的一些信号是的举个简单例子比如说我现在让机器人在训练数据里学会了lift这样一个任务,以及pick and place这样一个任务,就学会这两个任务,然后OK,我现在要测试它了,测试它一个完全新的任务,叫做stacking,堆叠。他以前从来没做过这个任务你想啊如果一个模型他只是去死进被我过去习得的那些技能但没有真正理解背后的规律背后的因果关系那他会做stacking这个任务吗显然是不会的但我们的因果世界模型他在学会liftpick and place这两个任务之后他就可以把stacking完成得非常完美但除了stacking呢就是其他的这个再复杂一点的任务也可以吗只要是一些物理规律是share的它就可以相对于来说您可以理解一下它不是我只看表层的这个任务一步步的步骤是怎么样的而它理解背后真正的物理规律比如说我现在这个任务是有十条物理规律堆叠起来的如果我这些物理规律是share的它就可以做得很好但当然你出现了一些完全没见过的物理规律那它也需要再去探索学习一下像我们人一样所以咱们刚才说到的这个Lift的任务然后Pick and place的任务这个训练好了之后为什么stack可以他们之间共享的物理规律是哪几条呀对你想一下stacking有几个过程stacking的话我也要pick and place是吧然后lift把它上移对所以stacking其实相当于是lift和pick and place这些物理规律加和咱们刚才说的这些部分有发的一些比较重要的paper大家如果感兴趣也可以去深入的学习和了解对 大家可以看一下我们最近发的一些paper包括其中一篇是发表在今年的ICML上的它的title叫做Learning Task Sufficient Word ModelsBy City GeneralizedAgentic ExplorationAnd Structured Modeling以及Add DiffuserLatant-Aware Adaptive DiffusionFor Decision Making等等几篇文章刚才咱们提到的这个效果啊它是以什么样的数据以及什么样的数据量给训出来的数据的话它就是那篇paper里做的是模拟环境任务包括lift和pain and place然后stacking这些等等这些任务数据量的话我印象了那篇paper数据量它不是很大大概是上百个小时 [15:00] 所有的训练包括最后的泛化实践是在一个模拟器里面是吗是在真实世界里面有开始做这样的训练和最后的验证吗之前的paper里面我们主要围绕在模拟器里去测试那咱们在真实世界的实验的计划是什么我们预期今年吧肯定会去release真机的demo然后要显示出机器人这种做长城任务的泛化性和推理能力然后我从14年进入这个领域之后我开始想一个问题就是以前那两条范式非常完美的情况下可以做得非常好但是一旦到真实的物理世界它可能有很多很多不完美的问题比如说你可能很多影变量你不能观测到所有的变量你的数据可能有bias可能有missing value可能distribution shifts在等等这些问题出现的情况下我应该怎么样真正能找到背后的因果关系这也是我偏西阶段在我进入这个领域后我主要的一些贡献在一个非常不完美的世界里面我们仍然想办法去归纳出里面的因果关系是的对说到因果的时候这也是一个有蛮久的历史的一个学术领域但在这里面会有学派之分吗就是这里面人家会有几个很不一样的主流路线吗大概有三个门派早期的时候是相互不太对付的包括我们因果发泄的话是CMU派Clag-Limo,Pierce-BertisPost-Inference又分为两派一派是以图为核心的来去 estimate这个cosy fact是多少他的核心人物是Judia PoeUCRA的教授也是图领奖获得者然后另外一派不以图的叫做potential outcome framework这一派是以哈佛的那个Donald Rubin教授为核心的他们几个都是差不多年纪都是现在80多岁非常得高望重但他们早期的时候有点三国鼎翼相互不符谁那种状态咱们呢咱们是站在这三派当中的哪一派或者在什么样的中间地带我们其实主要是CMU派因为我自己毕业于CMU然后就直接师承了克拉克林某PS40的教授还有昆章教授然后以及我在马富所的时候核心的领导是邦哈·小科夫然后邦哈·hov他也是施程的是CMU门派然后当然我们其实很多当然很多一些high level idea也是被Judia Paul影响的非常非常多陪景黄教授分享一下当初你是怎么走上英国AI这条道路的吗就是在我想象当中很多人的学术路线有可能是一开始就对一个事情产生了强烈的热情就主动去寻找各种资源和机会但也有些时候其实是一些巧合是一些命运的安排也很好奇您是怎么走上这条路的我更像你说第二种是非常巧合的一个场合我当时是在德国读我的研究生我计算全球科学我当时一开始想的是我怎么样从人的大脑里面去给AI带来注入一些新的idea然后那年暑假我恰巧去听了就是一个Summer School课然后当时去的一个lecture是就是我们波恩和他的学科教授去讲授的然后他讲了Discourage那是我第一次听到这个topic虽然当时感觉也没有完全听懂但明明之后就感觉这个问题特别核心是真正有意的一个问题然后我就去找了实验室相关老师就开始进入到这个领域就还是说那个lecture给了你一个这种认判就是你发现哇这个是一个非常重要的学术问题我发现从就是因果这个层去看问题的时候它可能不仅对你的科研有帮助甚至对你的日常生活它也给你一个新的视角或者说能够直击到一些问题的本质这大概是哪一年呢2013年所以从那个时候到现在快过去了13年对然后进一步的随着就是AI的发展我们意识到原本的那一套machine learning task它完全是基于相关性去做预测然后那一自然而然就要想我怎么样把因果这一套可以更好的去解决machine learning以AI的任务然后我们因此做了一系列的任务包括英国强化学习分类剧类非稳采预测表真学习签计学习你会发现基本上所有的这种Machine learning tasks都可以get benefit fromCausal understanding从英国角度来说都能够给他们带来performance上提高泛化性的增强 [20:00] 以及数据更高效的利用然后大模型来了它是基于相关性的是吧那我们就想就是理论上来说英国AI这一套它一定是更make sense更合理的但为什么让这个相关性大语言模型反而有一些非常好的应用呢然后我也是在自己独立之后DMU毕业之后开始想这种问题开始着力于怎么把这个英国理论和这个大模型大数据结合起来然后去开创我们下一代的这个AI范式以英国智能为核心这里正好我就也很感兴趣就是其实大语言模型到现在英国上面的学术成果它有如何帮到大语言模型吗有的就是关于英国在过去如何帮到大语言模型它主要分以下两点第一个我们是在外部通过传统的英国发现的方法找到变量之间的因果关系然后我可以把这种因果关系通过一种RG的形式或者你叫做Prompt形式给大模型从而让大模型的回答可以更加reliable减少hallucination这是第一种第二种方法就是通过改变我大模型里面的一些架构让它在里面就可以真正学到因果关系就内外两部分在我们手之的OpenAIOrthopic或者Google在这样的大厂里面他们有用刚才那两个方式吗最后他们有ship出真的给大家的产品吗还是目前这是实验室里面的一些前沿探索我觉得大厂也是有些路径依赖的因为毕竟对于OpenAceropic来说他们是LLM这条范式的开创者他们还是以围绕LLM这条在走还没有真正的走到英国这条道路上来其实我理解黄教授你创业有两个选择一个选择就是用英国去做更好的LLM另外一套是用英国去到世界模型去影响巨星这个您是怎么选的咱们现在对AI大语言模型在语言任务和在coding任务上它相对来说已经做得很不错了已经达到了90分对巨星来说它基本上10分的状态所以我更想把10分推到九十分可不可以稍微往回退一点给我们介绍一下就是英国AI这一整条学术脉络的历史我从最早开始讲就是最早就是其实英国是在哲学领域被大家探索了两千年的西方从亚历士多德开始中国更早从易经开始就哲学家们都开始在探索我到底应该怎么样定义这个英国在哲学校定义了2000多年他们直到近代才有一个明显的结论近代因果定义是基于相关性的A causes B如果当且紧当当我改变A或者说intervene on A的时候我B的概率发生变化那我就make a conclusionA causes B这是现在就是因为关于因果的定义然后因果最早应用其实是在临床医学上随机对照实验或者说也叫双盟实验就是大家想知道到底某药对某疾病是不是有效果我随机的把这些subjects分成两组一组是给药 一组是给安慰剂然后我看这个药到底是对那个疾病有没有效果就是最早通过做实验的方式来找背后因果关系但大家发现做实验的方式非常贵然后有的时候你没法做实验你也没法真正做intervention所以在80年代末的时候CMU的三位教授就意识到OK那仅仅通过做RCT随机对照实验这种方法它很多时候是不可取的但另一方面我们又有很多观测数据那我们能不能从观测数据里面去挖掘到背后的因果关系呢CMU的教授Plug LimoPieter SpoltisAnd Richard Schein他们三个第一次提出了这个PC算法PC算法也就是说我怎么样从观测数据里通过更复杂的统计的方法它more than correlation找到背后的这个因果结构什么样子这一套方法的话大概从89年发展到97年左右对然后这块发展非常好然后涌现出了包括我们CMU出了一些非常厉害的人物当然97年之后这个节目他发现可能很难做下去了因此97年到06年吧中间其实是比较空白的一段时间然后直到06年芬兰的科学家就发现了一些更深层的性质 [25:00] 在菲高斯的时候我有一些额外性质可以找到任何两个变量之间的因果方向到底是A cos B还是B cos A仅仅从观测数据里然后这套方法关键性人物包括我以前的PH导师坤章 伯特·萧克夫等等对咱们刚才说到四类数据这个方不方便讲一讲目前对于这四类数据大概是一个什么样的配比我们目前已经开始有一些最佳实践了吗配比是这样子的大概前三类模拟数据加Ego Center数据加Video数据大概占了80%然后羊操数据大概占20%其实刚才咱们在提到我们的第一网模型想要实现的目标的时候听起来这个和这个World Action Model就今天另外更多人在做的事情是相同的目标但你会怎么看大家最后分别的优势和劣势是什么呢我觉得现在的World Action Model它是比较像VoA的一个变体一个加强版对但是为什么我们转期内会看到World Action Model有些比较好的效果呢是因为我们的Video数据比较多所以它video action model实际上是这样做它通过先predict预测下这个video是什么样子然后再去反向去推背后动作是什么样子对于我们的英国世界模型来说的话它是更符合这个世界运行规律的它是更合理说我们应该是一个action condition的world model加上一个policy model你从这个World Action Model或者之前更早的VLA等等得到的这个最重要的对您的工作的启发是什么对于VLA Model的话我在VLM上加了一个Action Head但其实我觉得其实那个方法也不是很完美因为大家还是在想着就是从Language角度去做这个问题但其实看Action的时候应该从他们Series角度去看可能我们听到更多的都是人在讲WM怎么好VLA怎么不好也想听你分享一下对VLA对WLM的看法我从VLA起源来说大家为什么会一开始选VLA这条路呢其实因为大家看到LLM在自然源上成功大家觉得比如说桌面我高了两厘米它可能这个任务就失败了核心的原因还是因为Action那一端它是个连续空间但是你很难在训练数据里把所有连续空间可能的这种状态都收集到这是就是VLA为什么没有泛化能力的为什么在知识世界它表现不太好的一个核心的原因然后第二个现在大家开始都转向WAM了我觉得WAM算作一个中间态它会比现阶段它会比VLA好一些核心的原因还是因为就是我们的video数据更多因此它可以就是先通过预测下一阵的视频是怎么样的然后反过来通过IDM inverse dynamic model去学习这两分之间action是什么样子的所以您可以看到它其实不是一个自然的这个状态迁移过程自然状态迁移是怎么样子我现在在状态提我现在给一个action然后看它达到下一个状态在7加10克状态是怎么样的所以就总结一下我的回答比如说咱们总分是10分我觉得VLA天花板可能是比如说5分WAN的怕可能是能够达到6.5分但它一定是一个中间路线达不到我们最后想实现的目标所以我觉得finally我们的模型形式它一定是一个action condition的world model然后再加上policy model那你给英国这条路线打几分首先就是谈到英国的时候其实你有很多层要不同层面每个层面都去实现英国如果你在每个点上都实现了我觉得就是十分当然对我们公司来说我们也是一步步就是一步步就是加入在各个层面加入英国不会说一下特别激进的我就直接冲那个时分换一个角度如果今天World Action Model的朋友们来看咱们的路线你觉得他们对咱们目前最大的质疑或者批评你觉得会是什么呢如果当他们来点评英国AI的时候我觉得首先其实市场上普遍认为英国一定是一个我们要实现目标这是就毋庸置疑的大家是有共识的但质疑点就是在于怎么样实现这个英国世界模型其实这还是特别难的一个问题这些懂英国的其实在这个市场上或者在学术界都不是很多LM是让大家看到了这个堆数据的话会出现scaling low但在英国这边大家是会怀疑 [30:00] 并不是靠足够多的数据就会出现这样的结果吗还是说对路线有别的一些这样的担心他们的担心怎么实现我们要实现三点就是对任何的输入数据比如说video也好time service也好或一些sensor signal也好我怎么从这些数据raw data里面提取出背后的因果变量同时学习因果结构以及学习这个因果系统如何随着时间变化大家不太确定到底怎么实现所以大家不认为这个scaling law一定就能够实现是吧我们现在说这个scaling law它也是比较比较微的比较虚的我们应该这样看scaling law它一定要和数据质量模型去绑定而不仅仅说我能不能提现scaling law比如说我们L1M我加100万条数据然后我们能增加20%的performance但如果真正一个懂英国懂核心底层规律的模型它可能只需要20万条数据就可以达到一样performance那咱们现在出来创业我觉得这又是一个非常大的这个人生的决定那这一次创业有什么样的trigger吗你是有看到比如说某个具体的信号或者被一个什么样的事情所激发对我觉得这个还是有一些内外的trigger的首先我说一下就是一直以来我觉得科研和创业一直是我唯二想做事情啊就是必须要做两件事情对然后对于科研来说的话我在我AI这个理论所12,3年我们已经把一些非常复杂的问题都解决差不多了所以说从内在讲的话我觉得就是ready for在商业层面在应用层面一些实现然后外部来说的话你可以看到就是这些年AI发展特别迅猛嘛从大约模型的范式可以做得很好没有问题但是你绿生俱能就VLA这条路线显然是已经碰壁了但还是在想着能不能通过堆数据来解决这个问题所以我觉得在这个时间点上就是我一定要把我学了这么多年的这个因果相关东西应用出来然后一起去和大家一起去解决我这个机器人大脑这个难题你刚才有说这个科研和创业是你觉得自己一定要做的两件事情是什么原因让你觉得创业是一定要做的事情呢科研它是从idea到一个paper为成果然后创业呢它是要把这个简单的paper层面的成果是算法是个小模型这样的成果然后真的转化为一个系统性的可以商业化的这样的成果然后可以服务到更多的人对paper层面他可能服务的只是少部分我的科研群体当你把真的做成产品之后你服务的可能就是千家万可以让机器人可以给大家来服务给给大家比如说做家务给大家做菜等等因为其实不是每个人都觉得自己一定要创业的而且我觉得其实在人群里面觉得我一定要创业的人应该是可能比1%甚至千分之一还要低然后再到学术领域我想象可能这个比例会再低一点因为如果想创业可能就更早就耐不住寂寞开始去做生意了但是学术其实还是一个挺需要耐心需要这个相信慢慢的去这个打磨一个东西的一个这样的人生状态就是在你看来你是有没有人生的某一个阶段或者某一个时刻你意识到自己其实不只是一个教授不只是一个学者而是我也是要去做一个企业家做一个创业者的我觉得突然转机是二五年初的时候和朋友聊起这个事情聊到自身智能聊到自身智能现状聊到现在AI现状然后突然就trigger我这个我现在一定要做创业这个想法是一个什么样的朋友然后他是以什么样的方式点燃你的这个创业激情我当时的一个朋友跟我聊就是现在就工厂里机器人和自动化的这状况当时机器人已经进手打工了但是发现测试了一阵子之后机器人又被退回去了因为他没法真正的替代人类去做这件事情反而成了工厂一个负担因为他们缺了一个非常智慧的大脑所以我觉得那不是就是英国AI最擅长的事情那我就觉得这是一个我应该要开始做这件事情确实最近教授和PSD的创业是一大股热潮但这里面我理解还是有受到大语言模型的成功所带来的激发那在你看来你觉得自己现在更像是一个科学家在创业还是一个企业家在做悬术以及这两者他的不同是什么我觉得应该这两者在我身上都是 [35:00] 有所体现的一我肯定是一个就是科学家然后在做创业这件事情同时呢因为我们是更 fundamental 的一个技术的革新我们要开创这下一代因果智能为核心的这样的 AI 范式所以创业对于我们来说它又和科研不可区分因为我们的公司它更像是一个 Frontier Lab 的这种形式我们要通过对底层技术的这种发明创造然后从而之前大脑真正可以给它突破从而可以服务于大家因为我们的这个播客的观众里面其实有蛮多都是PhD或者都是这个在学术领域的朋友然后我觉得在今天前所未有的出现了一个这个教授和PhD创业的热潮但另一方面呢我觉得其实大家也会有一些困惑或者迷茫就是说在今天你看AI已经那么厉害了它可以写代码甚至可以写论文所以我也很好奇就是黄教授你会怎么看就是做科研的这件事情在今天它有发生一些本质的变化吗就科研的门槛在你看来是升高了还是降低了这是一个特别好的问题首先我觉得就是你要做真正核心真正开创性的科研的门槛还是没有变的但如果只是做一些简单的科研确实它的门槛变得很低因为你可以快速的比如说写code 写文章我们要拥抱AI但不依赖AI就是你要去make use of AI而不是让AI来控制你的思维这里可以稍微具体一点就比如说你自己在工作的过程中有什么时候是你觉得你自己在用AR而是没有被AR控制这中间这种微妙的区别在哪里首先你的核心的思想一些创造性思想一定是得是自己的对于社区来说我觉得最宝贵的就是一些creative的idea一些批判性的意见对于今天一个年轻的学生还要怎么去更好的训练这样的能力首先还是需要一些时间的积累的在生活当中工作当中科研当中有意识的去思考比如说我这篇文章这个方法为什么这样做如果换成想法它是不是能够更好的年轻的研究者可能也不要就是完全follow现在潮流因为什么叫潮流潮流就是现在已经相对来说已经比较成熟的我们要去跨过潮流看到下一个潮流在哪里然后往那个方向去能力在大语言模型这么如火如荼的过去几年就在英国的学术圈子里面大家的心情是什么我觉得是分两派一派的研究者特别是那些比较私生的研究者他们还是进入止水就是做我自己觉得更有意义的理论上的科研工作然后一些年轻的研究者的话他们也涉及到找工作所以他们也是希望去把这个因果和现在流行趋势去结合起来然后既能说很好的文章然后又之后能找到很好的工作那黄教授您自己呢就是从比如说你看到XGPT发布的那一个你还记得那是一个什么样的moment吗你自己有一些什么样的这个想法感受然后以及后面的这四年时间都自己的一些心路历程我当时印象是特别深我是做了深刻反思的我在反思明明英国AI这一套东西它是更合理的为什么是ALM吸引了所有人注意力其实我当时就是在ALM火之前我的一个就是一个思路就是如果我们能够把把因果发现背后的假设降得非常非常弱也就是说不需要很强的假设我就能找个背后因果关系比如说你允许有很多影运量存在允许数据里有BIOSDistribution ShipsMissing Value等等各种问题那我们自然而然就可以把就是因果发现这个任务完全解决了但后来大约模型出现让我在沉思我以前没有意识到一个问题数据就是数据量堆叠它是有用的你要这样想虽然说我们现在LLM它仅仅是靠大数据然后抽取表层很简单的信息它已经能够做得很不错了但如果我们在这些大数据的基础上我有更深入的方法去挖掘背后更深层的信息让两者兼顾一下达到更好的一个效果所以你看到XGPT发布就是LLM如日中天你是有刚才提到的深刻反思还有一些其他后面的阶段吗比如说从看到他到今天自己决定创业这中间有没有几个典型的阶段这些阶段中间有没有一些典型的转折事件典型阶段就是我自己从开始反思这件事情有意识地往这个研究方向走包括 [40:00] 如何从英国的角度更好解决现有的语言模型比如说一些hallucination提高它一些performance刚才你已经提到为什么我选巨生的不选ALM去落地呢因为我觉得就是随着ALM一代一代的更新替换确实它的能力长得非常快所以只往ALM领域走可能它的增益非常有限接着我就开始有意识地往巨生往物理AI这个领域走英国事件模型想要去把物理世界AI能够真正的解决我觉得就是差不多这两个阶段一个早期的在AL12的阶段然后转换到我要建立我自己英国世界模型在置身领域咱们如果自己做这个英国世界模型数据我们要完全自己采吗还是就是你会觉得这个今天已经有不错的数据的供应商我们可以从三方来采大部分都是我们自己就是产生的数据包括刚才说的模拟数据因为我们对模拟数据的话可以不限量的采集最后一公里的摇操数据的话我们是自己采小部分供应商那里去定制一些数据如果今天有一个本科生来问你说黄教授这个世界都这样了我们应该非常快的去产业界应该不要再读PhD了那遇到这样的问题你会怎么回答就是什么样的人应该继续读PhD什么样的人现在应该就可以不用读了赶紧去产业界这是一个特别好的问题其实我对PhD的认知对他理解一直都没有变化我一直觉得就是只有真正对研究有渴望的人才应该来读PhD如果只是想要获得个学位其实不用花个五六年时间来读PhD你可能措施很多赚钱的机会那一个人要怎么识别自己对于研究的这个欲望是真的欲望啊可能比较理想化的人会更适合读PhD一些现在AI时代每天都是热点这不应该被那些热点带着跑而他有自己一套思想一套理论我应该走怎么样的道路对于一个真正想入PhD的人来说需要识别外面到底哪些是造声哪些是真正自己需要的所以这个听起来很容易但是做起来我相信是非常难的尤其是可能你的同学们他们没有做科研他们去了OpenAI他们现在已经一年三千万美金了你有什么建议吗在这样的一个时代要怎么做就是真的想静下心来做科研确实可能如您所说在真正做科研之前可能很多人都不能非常好认识到自己到底是需要什么对于那些能认识到自己真正喜欢的是科研想去探索人类未知那块领域的话那肯定是就毫无疑问就该做PhD然后对于那些可能并不是太完全清楚自己需要什么的话可能可以可以其实尝试一下先比如说选择读PhD或者先选择去业界然后比如说感觉不太适合了再换因为现在工业界和学术界的价格更低了所以大家更自由更灵活了也可以这个不是说选一条路就得走到黑了是你们认为大语言模型的天花板可能会在什么样的时候以什么样的形式出现吗我觉得这是看任务的其实在巨星任务上面大约模型天花板已经出现了我让科技有没有注意到最近大家其实越来越开始提到因果这个词这是让我觉得非常欣慰的地方大家最起码开始意识到了就是我们目标一定是要学一个真正懂因果结构懂背后的几层规律这样的模型而不是通过简单的patattern match的模式那最近提到这个聊英国的人越来越多可以具体讲一讲吧比如说尤其是这个在咱们英国学术圈之外比如说有谁以什么样的方式提到了英国让你感觉很好终于有更多人开始关注英国这个重要路线了就包括咱们属制杨乐坤他其实在最近的一些访盘中其实都是就强调从quite level去讲述到了这个英国然后以及英国能够实现的performance层面提高然后包括其实李飞飞老师她的一些我觉得high level idea也是和英国有关的虽然有的时候他们可能没有直接提英国这个词比如说中国的产业界我们也经常听到一些加上英国这个词的模型比如说deep seek之前的模型也加了英国这个词虽然说我觉得现阶段大多数团队做英文的探索可能要么到high level有这个意识要么可能只在一些比较简单的点上真正做到因果比如说过去去预测未来但是就是真正能从一个一些本质点比如说刚才提到的世界模型要实现三大部分就是一是你要学习因果变量第二学习因果结构第三学习因果动力学 [45:00] 真的走到这一层呢应该是我觉得应该是我们团队是仅有的班主三巨头图灵档获得者之一啊他曾经也是对我们的就是英国模型这一套非常上头就非常感兴趣啊我们其实有过一些非常深度的深度的这种去怎么解决这个英国英国发现这种这种问题的一些探讨对然后他也也就是sciple了很多paper你和杨立坤教授包括和李飞飞教授有过交流吗就是英国这个事情我和杨立坤教授是之前有过交流的有次我想邀请他来参加我们举办一个workshop然后虽然说他那次在巴黎有一个就是一个conflict会议没有过来但是他当时在邮件就表达了他对就是这个路线一些肯定咱们这一次融资这个融了2000万美金了还是很大的一笔金额然后你会打算这笔钱投到什么地方去有三大块算力数据加我们的人才招聘你有从学术圈融资吗就你有除了这个从VC有从这个比如说教授们或学术大佬那边就进行融资吗大部分的人融资肯定是从VC那边来的然后小部分的话就是友情友情赞助相当于说我trust你这个方向我肯定不能要他们太多钱我们刚才提到除了算力和数据还是希望有更多的人才可以加入这也是融资的资金要去重点花的地方那可以讲一讲咱们目前最需要哪些方面的人才吗我们非常需要挡大闲才啊人才包括一是你对AI算法特别是英国这块算法抱有很大热情以及有些有经验的第二你在模型训练方面特别是在视频宣传模型方面有很强的训练训练的经验然后以及第三个robotics full stack就是你不仅精通传统的机器人控制算法以及硬件又对我们当下的AI的进展比如说模型算法有比较了解的这些人才都是我们非常急需的如果您是这块专家欢迎联系我如果听我们播客的朋友们感兴趣可以去联系黄教授第二个问题是我想知道如果在五年之后我们回头看2026年今天这个世界模型就是锣鼓震天全世界好像都在关注你觉得五年后回头看在今天有哪些可能是错的嗯其实我觉得就是也不能严格的说错吧就是在探索路上总归是一步步来的就美部它会留下一些东西但肯定现在的一些模型范围师它不会是中局比如说VLA不是中局但是它带来了Action Head的一些建模方式WAM可能也不是中局但它代入了怎么要从我的视频深圳模型变为这个世界模型的中间的行物所以我觉得就是它存在还是都是有道理的假设有一个上帝就是它无所不能它预知未来如果你可以问它一个关于AI关于世界模型的问题你会想问他什么OK我可能想问他英国是客观存在还是说他是可能人基于这个理解他可以更好去阿姆斯坦的这个世界就像时间一样其实时间是不是存在大家有的时候也不是完全确定的事情像英国问题就是英国到底是不是真是存在的这是一个非常深刻的问题如果英国不存在我觉得我们会集体陷入存在主义的巨型危机对这个我觉得大家就是在茶余饭后跟朋友闲聊的时候可以argu一下但是我觉得大家就是还是在平时生活当中的时候可以务实一点就是假设时间存在我们物理世界真实存在因果真实存在OK好呀今天很开心请到黄教授来做这一期播客好谢谢你的时间我们争取有机会等你的demo出来之后可以再聊一次可以给大家再讲一讲在因果上面的一些新进展谢谢好的谢谢科技谢谢出自路口谢谢大家拜拜拜拜