7.0
深览指数
科技腾讯新闻·机器人前瞻··AI 生成
华人教授黄碧薇新成果：机器人干活，终于会三思而后行了
Aether AI 发布了因果机器人智能系统 CRIS-0，其核心是因果驱动的 Agent 和因果世界模型。不同于传统预设程序，CRIS-0 通过“关键因果变量”记录任务状态，使机器人在面对环境干扰时能自主纠错、调整策略甚至修正工具。本文详细拆解了 CRIS-0 的技术架构和演示视频，揭示了因果模型如何提升机器人在真实动态环境中的鲁棒性。适合关注具身智能、因果推理及机器人系统架构的读者。原文 ↗
核心观点
- ▍CRIS-0 通过“因果状态”替代预设流程，使机器人具备在动态环境中自主诊断、纠错和执行复杂任务的能力，而不仅仅是遵循指令序列。
- 01演示视频中，机器人能在人为移动咖啡袋、用其他物品替换蛋糕、伸手阻挡关门等干扰下，重新定位、替换错误物体、停止关门动作，展示了自主适应能力。
- 02CRIS-0 由两大核心模块构成：因果驱动的机器人 Agent（以因果状态转移为核心框架）和因果世界模型（预测不同动作的物理结果）。
- 03该系统的工具接口统一，将策略模型、规则函数、SLAM 导航、世界模型等封装为可调用工具，通过少量示范数据即可复用。
- 04系统采用“状态评估-工具执行-结果验证”的循环机制，并将任务拆解为可独立验证的阶段，连接成任务图，每完成一阶段检查结果。
- 05CRIS-0 的因果世界模型会先预测关键因果变量的变化，再生成未来视觉画面，而非直接预测像素。
- 06该世界模型被扩展为能直接生成机器人动作的策略模型，通过新增的动作模块利用共享特征表示输出控制指令。
- 07系统能够根据错误反馈修改工具本身，例如抓取失败后分析原因并调整，修正后的工具可在后续任务中复用。
反方 / 局限
- — 目前 CRIS-0 的能力仅在特定演示场景下验证，在更多未知场景和长时间连续作业中的稳定性和泛化性仍有待检验。
- — 文章主要陈述技术细节和正面成果，未讨论因果模型相对于其他范式（如基于大模型的端到端方法、强化学习基线）的性能比较或理论局限。
黄碧薇Aether AICRIS-0加州大学圣地亚哥分校 (UCSD)因果世界模型因果状态转移SLAMNeurIPSICMLCausal-LearnCausal-CopilotApple Scholar
8 分钟 · 5 卡片 · 15 资料
读原文 →