Jay发自 凹非寺
量子位 | 公众号QbitAI

0.2秒。

这是一台机器人正在关闭微波炉门时，因人手突然插进来而紧急悬停的时间。

还有更有趣的。

当一只金属易拉罐被混在蛋糕盘里端向微波炉，机械臂会先把易拉罐挑出来放到一旁，确认盘子里安全了，再将其送入炉内。

说实话，看这几段Demo的时候，我整个人是有点愣住的。

长期关注具身的朋友应该都有体会，现在很多机器人看起来挺炫酷，但大部分时候都是在「背题」。一旦光照变了、东西被踢了一脚、或者指令稍微带点隐含意图，机器人瞬间就抓瞎了。

但你即便像视频里这样，疯狂拿手电筒闪这个机器人的眼睛，它依然置若罔闻。。。

不过，刚才那些画面，不是提前录好的动作回放，也不是碰巧猜对的统计相关性。

面对接连不断的突发扰动，系统是基于对物理世界因果规律的理解，实时推理出了这一连串动作。

驱动这个机器人的这套系统，代号叫CRIS-0。

它的背后，正是由加州大学圣地亚哥分校（UCSD）助理教授、CMU因果学派学者黄碧薇创立的因果智能企业——

Aether AI。

三个月前，量子位曾报道过这家公司选择的因果智能路线。当时很多人以为因果AI还停留在数学公式和思维实验里。

如今，Aether AI亮出了官方Demo。

告别机械「抓瞎」：机器人学会看懂因果

在具身机器人的落地场景中，最让工程师头疼的向来不是标准流程，而是无处不在的意外。

传统机器人面对突发扰动，要么机械地重复旧坐标导致碰撞，要么干脆全流程报错卡死；而端到端黑盒模型在几十步的长程任务里，更是极易产生累积误差，一步走偏满盘皆崩。

CRIS-0给出的破局解法，是「因果」——

让机器人从「看到什么」，走向「理解为什么发生、改变什么会影响结果」。

先看成绩单。

在面对外部突发干扰的Coffee Preparation测试中，机器人抓取咖啡机时遭遇人为移位、光照突变。CRIS-0在平均2秒内就识别出了因果变量的改变并完成实时重规划，在10次随机扰动中实现了9次有效恢复。

而且并不是盲目地全流程重来。

咖啡机被推开，系统追踪的是「把手相对位姿」这一关键因果变量。当发现变量状态发生偏移，它只会修正接近和抓取的动作阶段，无需回归原位重启。

抗干扰只是基本功，到了长程自主任务中，因果驱动的优势体现得更为彻底。

在「客厅寻物与整理」这种多达数十步的连续任务中，系统把长程目标拆解为原子化、可验证的因果阶段，每推进一步都执行前置与后置条件检查。

更有意思的是CRIS-0展现出的常识推理与物理感知能力：

在清理桌面时，它会把散落的普通书本整理至茶几，却把涉及个人隐私的账单收纳进抽屉；

面对两个外观相似的饮料罐，它先通过抓取晃动来感知罐体重量与内部液体状态，确认为空罐后才扔进垃圾桶，感知到未喝完的饮料则稳稳放回原位。

最后，在面对模糊需求时，因果还能大幅提高提示词泛化性，从而带来个性化理解能力。

在Personal Pick and Place测试中，面对类似「给我拿一瓶适合晨跑后喝的饮料」等20条需要隐含推理的模糊指令，系统取得了18次精准抓取与放置的成绩。

它不是靠记忆关键词去碰运气，而是结合时间、用户状态与环境上下文，把「运动后需要补充能量且避免高糖」作为隐藏因果变量抽取出来，自动匹配对应操作。

这些Demo背后，到底是一套怎样的技术架构？

拆解CRIS-0：把黑盒改造成因果引擎

回答这个问题前，或许我们得先讲清楚另外一个问题——

为什么以前的机器人总是让人觉得「笨」？

物理世界和纯数字世界完全是两码事。在电脑里写代码或者聊天，输错了还能撤回，但在现实世界里，摩擦力、重力、碰撞、光线变化，各种突发情况每秒钟都在发生。

传统的端到端模型，比如VLA方案，虽然学得很快，但在面对长流程任务时，有一个致命弱点，那就是误差累积。

第1步有点小偏差，第2步偏差变大，到了第10步，整个动作可能就已经彻底变形了。更要命的是，单一黑盒模型在遇到干扰时，它不知道到底发生了什么，往往只能硬着头皮继续往下按原计划推，或者直接崩溃停机。

而另一种常见的Agent方案，虽然会做步骤拆解，但它的思考逻辑基本停留在纯文本或者多模态大模型的概率推理上。

每次环境一变，它得先把画面转成文本，等模型在那慢吞吞琢磨「下一步该干嘛」，等你推理完了，手可能早就被门夹到了。。。

CRIS-0展现出来的这种抗干扰和连贯性，背后到底是怎么做到的？

Aether AI设计了一套全新逻辑：

因果原生的Agent架构。

可以从三个维度理解——

1. 任务即状态：提取物理因果变量

这是我觉得最重要的第一性原理。

在CRIS-0的系统里，有一个非常底层的改变，叫做统一状态与因果变量。

以前的机器人看世界，看的是密密麻麻的图像像素。但在CRIS-0眼里，它关心的不是世界表面长什么样，而是任务到底进行到了哪一步，任务本身就是一个因果状态进度条。

举个特别接地气的例子，比如机器人去铺桌布。

它不会傻乎乎地去计算整张桌布每个像素的坐标，而是实时追踪几个核心因果变量。比如桌布有没有被夹爪真正抓住，桌布的角点离目标位置还有几厘米，拉动的时候有没有发生滑移。

一旦抓取滑脱了，系统立刻知道是「抓住」这个因果变量不满足了，那么任务状态就直接退回到重新抓取的阶段，而不是把整套动作推翻重来，或者盲目地继续往后拉空气。

在官方公布的咖啡制作干扰测试里，面对咖啡机反复移位、光照突变这种折磨人的场景，系统平均在2秒内就能识别出关键变量的变化并完成重规划，10次外部扰动里做到了9次有效恢复。

这就是因果变量的威力，出了意外，它清楚地知道错在哪一步、该回退到哪一步。

2. 统一工具接口：拒绝单一策略包揽一切

那这个系统具体是怎样执行Action的？

答案是：Tool Call，不同工具各司其职。

在它的架构里，有一个负责总体调度的Planner，手底下管着一个功能齐全的工具箱，通过Unified Tool Interface将多种模块整合。

规则运动函数（Rule-based functions）：结合视觉定位与逆运动学，高效解决大范围空间位移与预定位；

技能策略模型（Policy models）：专门攻克倒水、精细抓取等高难度接触式操作（Contact-rich）；

导航模块（SLAM）：负责全局路径指引；

验证器（Verifiers）：在每个阶段节点执行物理检查；

因果世界模型（CausalWM）：负责推演动作带来的物理后果。

其中，最核心的杀手锏，正是这个因果世界模型。

很多朋友聊到世界模型，第一反应就是生成未来几秒的逼真视频。但CRIS-0里的CausalWM，更关注Action对环境的影响。

它的逻辑是，先看当前状态，再预测候选动作会导致哪些因果变量发生改变，最后推导出未来的状态。

换句话说，机器人在伸手之前，脑子里就已经在做推演了，例如：如果我这么做，把手会不会歪？杯子会不会倒？

相当于多了一个「排练」步骤，系统先在世界模型中推演「如果我执行动作B，物理因果变量会如何演化」，确认能达成目标后再调用Action Head，输出到底层控制。

3. 结构化循环与原生安全内建

而这一切的一切，都在Loop中循环往复。

面对复杂任务时，Planner会把大目标拆解开，先调用规则函数把夹爪快速移到目标附近，再调用策略模型完成精细的接触抓取。原本单一模型很难端到端搞定的复杂难题，就被拆成了几个确定性极高的小步骤。

具体而言，是这么一张动态演进的任务图（Task Graph）：状态识别 → 工具选择 → 执行 → 验证 → 调整。

每做完一步，验证器都会立刻检查物理条件是否达成。如果没达成，系统有一套清晰的三级恢复机制，先判断能不能在这个阶段直接重试，不行就重新规划路径，再不行才提示需要人工介入。

一旦某次意外调整成功了，这条成功的恢复路径还会被记录沉淀到任务图里，下次再遇到类似情况，它会变得更熟练。

这也就解释了为什么在那个客厅长程整理的任务中，它可以连续执行几十甚至上百步而不崩溃。

因为它每走一步都在核对因果状态，错误在产生的第一时间就被就地解决了，根本没有机会像滚雪球一样扩散成全局崩溃。

同样，这也是为什么它能做到0.2秒的安全急停。

CRIS-0里面，安全判断是直接内嵌在每个因果阶段里的。

在关门这个阶段，突然出现的人手属于破坏用户安全条件的危险变量，系统在状态层就能瞬间捕获并触发最高优先级的阻断，0.2秒刹停。

但如果当前的任务是给人类递一杯水，那伸过来的人手就是交互的目标变量，系统就不会乱停。

事实上，CRIS-0展现出的这种系统级能力并非凭空而来，其背后有着扎实的研究基础支撑。

在Agent能力评估中，此前Aether AI的因果智能体框架RSIAgent在OSWorld 2.0上取得78.98% 的Partial Score，不更新模型参数，却能提升开源模型的Agent能力，超过了GPT-6 Astra等闭源模型。

其第一版因果世界模型CausalWM也在机器人世界模型基准TriWorldBench上登顶Leaderboard，取得Top-1。

而这两层，正是本次Demo的主要贡献者。

另外，还有两层也在持续推进中——模块化神经架构：各模块对应不同因果机制，可组合可替换；Causation Transformer：学习因果关系而非统计依赖。

image.png

物理世界不相信死记硬背

聊到这里，我们其实可以跳出具体的机器人Demo，往更深的地方看一眼。

为什么现在大家越来越频繁地聊起因果智能？

坦率地讲，过去这一轮大语言模型的爆发，在很大程度上真是运气好，语言本身是一个被人类高度符号化、高度抽象的模态。很多逻辑和规律，本来就已经被人类总结在文本表面了。直接通过概率相关性的统计拟合大力出奇迹就行。

但物理世界不吃这一套。

摩擦力不会因为你看了十万篇论文就改变，重力也不会因为概率统计就突然消失。在充满复杂动态的真实世界里，单纯依靠表层相关性的拟合，迟早会撞上Scaling Law的天花板。

在物理数据严重不足的情况下，要做出真正能应对复杂物理环境的系统，模型必须学会像人类科学家一样，从少量数据中挖掘出底层的因果机制，理解行动究竟会如何改变世界。

这种以「因果」第一性原理结构化的压缩，或许才是具身原生的Scaling Law。

当然，这条路极其难走。因果发现和因果表征学习对数学与统计理论的要求极高，全球范围内真正兼具深厚理论积累和工程落地能力的团队少之又少。

Aether AI敢入局，很大程度上也和其独特的学术脉络有关吧。

黄碧薇在这个领域深耕了十几年，师承CMU因果学派奠基人Clark Glymour、Peter Spirtes以及第二代学者Bernhard Schölkopf和Kun Zhang，是因果发现学派的核心传承者之一。

三代因果学派的理论脉络，最终汇聚成了今天Aether AI的底层技术支柱。

从卡内基梅隆大学与马普所的理论积淀，到如今CRIS-0在真实机械臂上的具象呈现，因果智能终于踏出了走向物理世界的关键一步。

当一个系统真正具备了提取因果变量、建模世界动力学、并且在行动前推理后果的能力，它的用武之地绝不仅仅是帮人关个微波炉或者倒杯咖啡。

往更远的地方看，从复杂动态系统的趋势预测，到材料、生命科学等领域的科学发现，或许都能复用这套逻辑。

大时代啊，朋友们。

我们一直在期待AI能真正走出纯数字的聊天框，稳稳地立足于这个真实、复杂又充满未知的物理世界。

而因果，或许就是那把最重要的钥匙。