7.7
深览指数
科技微博·量子位··AI 生成
0.2秒急停、秒级重规划！因果智能走进真实世界
一家名为 Aether AI 的创业公司，基于因果推断理论，发布了其机器人控制架构 CRIS-0 的 Demo。该架构的核心在于让机器人不再依赖统计相关性或预设轨迹，而是通过提取任务相关的物理因果变量（如“是否抓住”、“相对位姿”），在面对突发干扰时能够进行 0.2 秒级急停和秒级局部重规划，而非整体宕机。文章详细拆解了其“因果原生 Agent 架构”的技术细节，包括统一状态变量、工具调用、因果世界模型和三级恢复机制。对于关注具身智能、机器人可靠性、以及 AI 前沿理论落地的读者，这是一篇比主流报道更深入的技术解读，提供了产品级别的验证信息和具体的实验数据。原文 ↗
核心观点
- ▍作者认为，当前机器人“笨”的根本原因在于依赖统计相关性和端到端模型，无法处理物理世界中的因果规律和突发扰动，而将“因果”作为第一性原理融入机器人架构，是实现真正具身智能的关键。
- 01Aether AI 的机器人 CRIS-0 在面对人手突然伸入关门路径时，实现了 0.2 秒急停；面对咖啡机被反复移位与光照突变，系统在平均 2 秒内完成重规划，10 次扰动中成功恢复 9 次。
- 02在“客厅寻物与整理”的长程任务（数十步）中，系统能将任务拆解为可验证的因果阶段，每步执行前置与后置条件检查，并能通过重量和液体状态区分空罐与未喝完饮料。
- 03在“Personal Pick and Place”测试中，面对“拿一瓶适合晨跑后喝的饮料”等 20 条模糊指令，系统能推理出“运动后需补充低糖能量”的隐藏因果变量，取得了 18 次精准抓取的成绩。
- 04技术架构上，CRIS-0 基于“因果原生 Agent 架构”，核心包括：将图像像素视为因果变量、通过统一工具接口调用不同模块（规则函数、策略模型、因果世界模型）、以及包含三级恢复机制的结构化循环。
- 05作为研究基础，Aether AI 的因果智能体框架 RSIAgent 在 OSWorld 2.0 上取得 78.98% 的 Partial Score，其因果世界模型 CausalWM 在 TriWorldBench 排行榜上取得 Top-1。
反方 / 局限
- — 作者承认因果智能路线极其难走，对数学与统计理论要求极高，全球范围内兼具深厚理论基础和工程落地能力的团队极少。文章未探讨该架构在极高动态性场景（如对抗运动、多机器人协作）下的表现，也未涉及因果发现过程中的数据偏差或标签噪声问题。
Aether AI黄碧薇CRIS-0因果智能因果世界模型 (CausalWM)加州大学圣地亚哥分校 (UCSD)卡内基梅隆大学 (CMU)Clark GlymourPeter SpirtesBernhard SchölkopfKun ZhangRSIAgentOSWorld 2.0TriWorldBench
10 分钟 · 5 卡片 · 12 资料
读原文 →