Description
➤ 总有人在朝着星辰大海前进。
世界模型是 2026 年 AI 与具身智能领域最热的关键词之一。但越是热门的词，越容易被过度使用：视频生成、3D 生成、JEPA、VLA、WAM，似乎都可以被叫作世界模型。可当我们真正谈论「世界模型」时，我们到底在谈论什么？
本周「十字路口」邀请到 Aether AI 创始人 / CEO 黄碧薇教授。她从德国马克思普朗克研究所、CMU 到 UCSD，一路深耕因果发现与因果 AI，是这个领域的重要学术贡献者之一。
Aether AI 最近迅速完成 2000 万美金的天使轮融资，黄碧薇选择把因果 AI 这套长期被认为「更合理、但更难实现」的方法，带到 Physical AI 和机器人大脑的问题里，打造「因果世界模型」。
我和黄碧薇聊了世界模型的定义边界、视频生成为什么不等于世界模型、VLA 为什么在真实任务中碰壁、WAM 为什么可能只是中间态，以及「因果世界模型」想要解决的三个核心问题。
这也是一期关于创业选择的节目。为什么一个 UCSD 教授会在 2025 年初决定下场创业？她看到了什么信号？
如果你正在关注世界模型、具身智能、机器人、因果 AI，或者正在思考下一代 AI 范式会从哪里出现，这期节目也许能帮你重新校准一个问题：哪条路线，才能通往「世界模型」的终局？
Comments
一切都是预测，语言大模型预测下一个字，世界大模型预测和真实世界互动后的下一个结果。[doge]
♥ 1
非常棒的一次谈话，AI时代如同大航海时代，四处都是新大陆。方向非常好，黄碧薇教授用因果思维去帮AI减少训练数据量级的方法对于缺乏训练材料的世界模型来说直接降低很大成本，因果模型研究的越好，这个数据节约量曲线越陡峭，模型训练到一定程度可以完整自循环了还得爆发式的成长。 我也得加油了。[doge_金箍]
♥ 1
📝总结一下：1. 世界模型的核心是理解物理世界的因果关系和底层规律，而非仅生成视频或3D；因果世界模型通过学习因果变量、因果结构和因果动力学，实现真正的泛化与举一反三。 2. 当前LLM在语言和代码任务上成功，但物理世界任务（如机器人操作）需要因果推理，LLM范式已显天花板，必须转向以因果智能为核心的AI范式。 3. 具身智能领域，VLA和WAM均非终局——VLA因连续动作空间难以泛化，WAM虽优于VLA但仍是中间态；真正的下一代模型应是“action-conditioned world model + policy model”。 4. 数据自循环是关键：模拟数据与真实数据结合，模型可自我生成高质量数据（尤其是corner cases），反哺训练，显著提升数据效率。 5. 创业动机源于科研积累与产业需求碰撞：机器人缺“智慧大脑”，而因果AI正擅长解决此问题；科研与创业是唯二想做的事，前者从idea到paper，后者从算法到产品。 6. 对PHD的建议：只有真正对研究有渴望的人才应读PHD，要识别噪声、跨过当前潮流，看准下一个潮流（如因果世界模型），而非盲目追随热点。 7. 因果是否客观存在是深刻哲学问题，但务实层面应假设因果真实，以此构建AI理解物理世界。 关注我，然后@我，即可总结！ 获取视频逐字稿和PPT就上Ai好记，aihaoji.com 使用【0sv4】邀请码注册可获得额外奖励哦
质量很好[星星眼]，支持。希望以后可以有更多这种深度思考的内容。
和jepa 的差异是啥
没有听够，我觉得完全可以再来一场更加深入的对话[打call][打call]
顺着KOJI对于大力出奇迹的提问，世界可以被因果解构的先验，直觉上像是用decoder+encoder去做NLP，会不会最后这种因果先验也能走向更简洁的路径？[脸红]
↩ 1