哪条路线，才能通往「世界模型」的终局？｜对话黄碧薇：Aether AI 创始人

嗨，我是柯基。过去半年，“世界模型”是在 AI 和具身智能这两个领域都最热门的关键词之一。但问题是，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，还是一个被混用的热词？

所以今天，我们请到了 Ethereal AI 的创始人黄碧薇教授，来和大家分享其对世界模型的理解，以及其因果世界模型这一新范式上的一些观察和思考。你好，黄教授，欢迎来到《十字路口》。

嗨，柯姐，您好。

我们的节目有一个传统，还是先从快问快答开始。请问黄教授，您的求学经历可以介绍一下吗？

我一路的经历还蛮有意思的。我从上海华东师范大学计算机系毕业，然后去了德国马克斯·普朗克研究所，之后从马普所到 CMU 读博。毕业以后，我又加入 UC San Diego，做助理教授。

请问您的 MBTI 和星座是什么？

我应该是 INTJ，有的时候也会是 INTP。星座是水瓶座。

请用一句话介绍一下 Ether AI 这家公司。

我们要构建真正的因果世界模型，让 AI 真正理解我们这个物理世界背后的因果关系和基础物理规律，从而能够举一反三，真正地在物理世界当中帮助大家。

我们的第一个落地场景就是具身大脑。

听起来是非常星辰大海的一个创业。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，刚刚在短期内融了 2,000 万美元左右。

哇，恭喜恭喜。那请用一句话介绍一下，创业之前您在做什么？

我在因果发现和因果 AI 领域做了 12 年。从马普所读研，到在 CMU 读博，再到 UC San Diego 做助理教授，这一路都是我主攻的科研方向：怎么超越现在基于相关性的 AI，真正找到背后的因果关系。

我们待会儿会展开聊一聊因果模型，但还是先从世界模型开始。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？

1. 世界模型必须模拟世界

“世界模型”这个词，今年以来我感觉可能是被大家提到最多的词，但它的定义又非常不统一。现在其实视频生成模型、3D 生成模型，包括 V-JEPA 等等这些模型，大家都统一称为世界模型。

但如果大家具体看它们的实现，就会发现它们的侧重点是不一样的。有些世界模型侧重渲染，有些侧重模型本身对动力学系统的理解，还有些模型侧重视频生成的效果。

我对世界模型的定义是，它需要去理解背后的物理规律和因果关系。换句话说，它可以模拟这个世界是怎么运行的：基于时间，或者基于不同的动作，它是怎么从当下状态变到下一个状态的。

那我们今天说到世界模型的时候，您觉得有哪几条最主流的路线呢？

第一是大家熟知的视频生成模型，第二是 3D 生成模型，第三是 VGAPA 路线，也就是杨立昆教授主导的这条路线。

它的核心是想要真正学习到底层规律，把整个解码到像素空间的 decoder 完整地去掉，只在隐空间里保留这种平滑的、smooth transition 的信息。

在这些路线里面，您自己最看好哪一条？

最终能够落地的世界模型，必须懂我们这个物理世界的底层规律、因果结构，懂 transition dynamics，也就是物理动力学到底是怎么样的。但是现在的世界模型，还没有真正做到这一点。

所以，刚才说的 3 条路线里，您觉得谁最有可能提前达到这样的世界模型愿景和状态？

可能是我们的因果世界模型。

所以不是那 3 条路线，而是你们现在正在做的第 4 条路线。

对。但当然，我们肯定也是站在各种巨人的肩膀上，包括早期对因果领域小模型的探索，以及对基于相关性的大模型的探索。我们也会结合视频生成模型，把这些不同的方法从各个层面结合起来，从而实现我们真正想要的、以因果为核心的世界模型。

当我们说到正在做的因果世界模型时，它和刚才说的 3 条主流路线——3D 生成、视频生成，以及杨立昆教授的 VGAPA 路线——最核心的差异化是什么？

2. 因果模型包含三大要素

最核心的差异化就是，我们的世界模型真正能够在隐空间里面学到因果变量和因果特征。比如说一个物体的形状，有几个物体，速度、角速度、摩擦力等等，这是第一点。

第二点，我要同时学习这些因果变量之间的因果结构，也就是它们相互之间怎么影响。比如说我想抓这个杯子，抓杯子的时候，手的握力、速度、角度都会影响我是不是能够成功抓取这个杯子。

第三点，是模型自己能够学习 transition dynamics，也就是我使用不同动作之后，下一时刻会达到什么样的状态。这是我们因果世界模型的 3 个核心要素。

有了这 3 个要素，你就学习到了整个因果系统，从而可以做到真正的泛化。比如说，当我们把一个机器人模型从一个环境迁移到另一个环境、从一个任务迁移到另一个任务时，因为它理解了基本规律，所以它可以像人一样举一反三，很快适应新的环境和新的任务。

为什么理解因果那么重要呢？比如说在大语言模型里面，通过“大力出奇迹”的训练，模型本身不需要知道因果，仍然会有非常严密的逻辑。但在世界模型里面，为什么因果这么重要？它是不是也会和大语言模型一样，只要数据够多、算法够好，最后因果就会作为一个结果涌现出来？

3. 具身任务需要因果理解

这是一个特别好的问题。首先我问柯姐您一个问题：您知道为什么 LLM 当下只能在自然语言和 coding 任务上取得很大的成功吗？

因为在世界里面，不管是视频还是真实世界的其他训练数据还不够多。

这是一个点，但核心其实是这样：自然语言和 coding 是两个相对简单的模态，它们的信息只存在于语言层面。比如“因为今天天气很好，所以我今天要出去逛一圈”，这种“因为—所以”的关系，已经被总结到语言表面了。

再加上语言可以作为离散的 token，这是第二点。第三点，当然是它的数据量很多。因此，LLM 这种简单地学习数据表层相关性的模型范式，也可以做得很好。

但接下来一旦我们要面对更难的具身任务、机器人任务，以及更复杂的科研发现，比如生物制药、新材料发现、天文学等等领域，现在 LLM 这套范式显然就不够了。

我举个例子，回到具身这个领域。机器人每次和环境进行交互，或者和物体进行交互，其实就是在做 intervention，所以它自然而然就是一个因果过程。如果它不理解背后的因果关系，就没办法把操作任务做好。

比如说，我让机器人给我煎一个 pancake。如果机器人只是看视频学习，它可能只学到一个表面流程：先倒面糊，然后等一会儿，再翻面。如果只是从视频生成的角度来看，可能会觉得它做得不错，生成的视频也不错、能看。

但真正走进厨房之后，每次情况都不一样。这次锅可能更热，也可能没那么热；面糊可能更厚，也可能更薄；油可能多一点，也可能少一点。你想象一下，如果机器人或者人不懂背后的因果关系，就可能只会机械模仿，不能真正灵活地应用和举一反三。

比如锅很热的时候，我可能等 30 秒就已经糊了；但如果锅不够热，30 秒可能还不够。我们在物理世界中对操作的要求，比视频生成高很多。

我们前面沟通的时候，您提到咱们的数据有一个叫作“自我进化”的系统。可不可以讲一讲，这个训练数据是如何自我循环起来的？

4. 数据可以反哺模型训练

您说的应该是一个自我进化的概念。首先，从因果的角度去收集数据时，我们可以更有的放矢地收集模型到底需要什么数据、缺什么数据。

比如说采集 1 万条数据，其中可能只有 100 条包含模型所需要的新信息，那我们其实只需要把这 100 条数据喂给模型去训练就可以了。这是第一点，数据作为模型的输入。

第二点，数据也可以作为模型的输出。当因果世界模型训练到一定程度之后，它本身就可以作为一个 simulator，产生非常高质量的数据，包括 long-horizon、长程的，包含一些 corner cases 以及可控 failure cases 的数据。然后这些数据可以再反哺给因果世界模型去训练。

这里我想特别提一点：因果世界模型作为 simulator 产生的数据，在真实机器人的场景中通常很难采集到，所以它可以很好地弥补真实机器人数据采集的不足。还有一些特别的 corner case，你可能通过遥操作也没有办法采集到这样的数据。

所以你可以看到，数据输入作为燃料，为模型训练提供动力；然后模型再产生高质量的数据，反哺模型的训练。

您觉得训练出第一个 milestone 模型，应该是一个什么样的模型？中间大概需要怎样的数据量和算力？

我觉得训练出第一版模型的话，预期数据量大概在 7,000 到 8,000 个小时。算力肯定需要几百张卡吧，我们现在大概有 400 张卡左右。

刚才说到的 8,000 个小时的数据，主要是什么样的数据呢？

我们的数据大概分 4 个方面。第一个是模拟数据，包括物理模拟器产生的数据，以及由因果世界模型自己作为模拟器产生的数据。

第二点是 ego-centric 数据，第三点是视频数据，第四点是遥操作数据。遥操作数据是最后一公里，把背后的物理规律真正落到机器人身上。

咱们第一版模型在您看来，训练出来之后可以泛化到什么程度？

5. 模型泛化来自共享规律

它可以做非常长程的任务。第二，它可以有真正思考的能力。比如在家里收拾屋子时，我看到一张账单，知道这是一个私人物品，就把账单放在抽屉里；如果看到一本书，书是比较公开的物品，那我可能就把它整理好放在书桌上面。

第三点就是泛化能力。比如碰到一些没有见过的物体，我也能非常自如地操作；碰到一些新的任务，我也能成功操作。但这些任务所涉及的物理规律，必须在以前的训练数据里被覆盖过。这是我们第一版的目标。

通过咱们现在做的因果模型，已经看到了一些什么样的信号，让您有足够的信心吗？

是的。举个简单的例子：假设我现在让机器人在训练数据里学会 lift 这个任务，以及 pick and place 这个任务，也就是学会这两个任务。

现在我要测试它一个完全新的任务，叫 stacking，也就是堆叠。它以前从来没有做过这个任务。你想，如果一个模型只是死记硬背过去习得的技能，却没有真正理解背后的规律和因果关系，那它会做 stacking 这个任务吗？显然不会。

但我们的因果世界模型在学会 lift、pick and place 这两个任务之后，就可以把 stacking 完成得非常好。

除了 stacking，其他更复杂一点的任务也可以吗？

只要物理规律是 shared 的，就可以。你可以这样理解：它不是只看表层的任务步骤是怎么样的，而是理解背后真正的物理规律。

比如现在这个任务由 10 条物理规律堆叠起来。如果这些物理规律是共享的，它就可以做得很好。但如果出现了完全没见过的物理规律，那它也需要再去探索和学习，就像人一样。

刚才说到 lift 和 pick and place，这两个任务训练好之后，为什么可以做 stacking？它们之间共享的物理规律是哪几条？

你想一下 stacking 有几个过程。做 stacking 的时候，我也要做 pick and place，对吧？然后还要把物体 lift 起来、向上移动。所以 stacking 其实就是把 lift 和 pick and place 这些物理规律组合起来。

咱们刚才说的这些部分，有没有发表过什么比较重要的 paper？大家如果感兴趣，也可以去深入学习和了解。

大家可以看一下我们最近发表的一些 paper。其中一篇发表在今年的 ICML 上，title 叫作 “Learning Task Sufficient Word Models by Synergize”。以及 “Add Diffuser Latent Aware Adaptive Diffusion for Decision Making”等几篇文章。

刚才提到的效果，是用什么样的数据、以及多大的数据量训练出来的？

那篇 paper 用的是模拟环境中的任务，包括 lift、pick and place、stacking 等等。数据量不是很大，我印象里大概是上百个小时。

咱们所有的训练，包括最后的泛化实践，都是在模拟器里面吗？还是已经开始在真实世界里做训练和验证了？

之前的 paper 主要是在模拟器里进行测试。

那咱们在真实世界的实验计划是什么？

我们预计今年肯定会做类似真实机器人的 demo，展示机器人执行长程任务时的泛化性和推理能力。

我从 2014 年进入这个领域之后，就开始思考一个问题：以前那两条范式在非常完美的情况下可以做得很好，但一旦到了真实的物理世界，肯定会有很多不完美的问题。比如你可能有很多隐变量，不能观测到所有变量；数据可能有 bias，肯定有 missing value，也可能有 distribution shifts。

在这些问题都出现的情况下，我应该怎么样真正找到背后的因果关系？这需要从理论上证明，也需要从算法层面推导出来。这也是我博士阶段进入这个领域之后，主要做的一些贡献：在一个非常不完美的世界里面，我们仍然想办法归纳出其中的因果关系。

说到因果，这也是一个有相当长历史的学术领域。这里面会有学派之分吗？是不是仍然有几个很不一样的主流路线？

6. 因果学界分成三派

大概有 3 个门派，早期的时候彼此之间不太对付。

因果发现主要是 CMU 派，包括 Clark Glymour、Peter Spirtes 和 Richard Scheines。Causal inference 又分为两派：一派以图为核心，去估计 causal effect 是多少，核心人物是 Judea Pearl，他是 UCLA 的教授，也是图灵奖获得者。

另外一派不以图为核心，叫 Potential Outcome Framework，以哈佛大学的 Donald Rubin 教授为核心。他们几位年龄差不多，现在都是 80 多岁，非常德高望重。早期的时候有点像三国鼎立，彼此谁也不服谁。

那咱们是站在这 3 派当中的哪一派，或者处在什么样的中间地带？

我们主要是 CMU 派的，因为我自己毕业于 CMU，又直接师承 Clark Glymour、Peter Spirtes 教授，还有 Kun Zhang 教授。

另外，我在马普所的时候，核心领导是 Bernhard Schölkopf。Bernhard Schölkopf 也是师承 CMU 这一门派。当然，我们很多 high-level 的 idea 也受到 Judea Pearl 非常大的影响。

可以请黄教授分享一下，当初您是怎么走上因果 AI 这条道路的吗？

我想象当中，很多人的学术路线可能是一开始就对一件事情产生了强烈的热情，主动去寻找各种资源和机会；但有的时候，其实也可能是一些巧合，是命运的安排。我很好奇，您是怎么走上这条路的？

我更像您说的第二种，是非常巧合的一个场合。当时我在德国读研究生，研究的是计算神经科学。一开始我想的是，怎么样从人的大脑里面给 AI 注入一些新的 idea。

那年暑假，我恰巧去听了一个 summer school 的课。当时有一场 lecture，是 Bernhard Schölkopf 教授讲的，主题是 discovery。这是我第一次听到这个 topic。

虽然当时没有完全听懂，但冥冥之中就觉得，这个问题特别核心，是真正有意义的一个问题。然后我就去找了实验室的相关老师，开始进入这个领域。

也就是说，那场 lecture 给了您一种震撼，让您发现这是一个非常重要的学术问题？

我发现，从因果这个底层去看问题，可能不仅对科研有帮助，甚至对日常生活也会提供一个新的视角，能够直击一些问题的本质。

这大概是哪一年？

2013 年。所以从那个时候到现在，快过去 13 年了。

7. 因果正在进入大模型

随着 AI 的发展，我们意识到，原本那套 machine learning task 完全是基于相关性去做预测的。我们自然而然就会想，怎么样把因果这一套更好地应用到 machine learning 和 AI 的任务上。

因此我们做了一系列任务，包括因果强化学习、分类、聚类、非稳态预测、表征学习、迁移学习。你会发现，基本上所有 machine learning task 都可以从 causal understanding 中获益，从因果角度来说，都能够带来性能提升、泛化性增强，以及对数据更高效的利用。

后来大模型来了，它是基于相关性的，对吧？那我们就想，理论上来说，因果 AI 这一套一定更合理，但为什么基于相关性的大语言模型反而有一些非常好的应用？

我在 CMU 毕业、开始独立之后，也开始思考这个问题，着力于怎么把因果理论和大模型、大数据结合起来，开创下一代以因果智能为核心的 AI 范式。

这里我也很感兴趣：其实到现在为止，因果方面的学术成果具体是如何帮助大语言模型的？

过去因果主要通过两种方式帮助大语言模型。

第一种，是在外部通过传统的因果发现方法找到变量之间的因果关系，然后把这种因果关系通过 RAG 或者 prompt 的形式提供给大模型，从而让大模型的回答更加 reliable，减少 hallucination。

第二种方法，是改变大模型内部的一些架构，让它在模型内部真正学到因果关系。也就是从外部和内部两部分来做。

在我们熟知的 OpenAI、Anthropic 或者 Google 这样的公司里面，他们有采用刚才说的两种方式吗？最后有 ship 出真正给大家使用的产品吗？还是目前仍然是实验室里的前沿探索？

我觉得大厂也有一些路径依赖。毕竟对于 OpenAI 和 Anthropic 来说，他们是 LLM 这套范式的开创者，还是围绕 LLM 这条路线在走，还没有真正走到因果这条道路上来。

我理解，黄教授创业有两个选择：一个是用因果去做更好的 LLM，另外一条是用因果进入世界模型，去影响具身智能。您是怎么做出这个选择的？

现在 LLM 在语言任务和 coding 任务上，相对来说已经做得很不错了，已经达到了 90 分。对具身智能来说，基本还处于 10 分的状态。我更想把这 10 分推到 90 分。

可不可以稍微往回退一点，给我们介绍一下因果 AI 这一整条学术脉络的历史？

8. 因果概念的两千年演变

我从最早开始讲。其实因果在哲学领域已经被大家探索了 2,000 年。西方从亚里士多德开始，中国可能更早，从《易经》开始，哲学家们都在探索到底应该怎么样定义因果。

哲学上定义了 2,000 多年，直到近代才有一个比较明确的结论。现代因果定义是基于干预的：A causes B，当且仅当我改变 A，或者说 intervene on A 的时候，B 发生的概率发生变化，我就可以得出 A causes B 的结论。这是现在使用的因果定义。

因果最早的应用其实是在临床医学上。随机对照实验，也叫双盲实验，就是大家想知道某个药对某种疾病到底有没有效果。我随机地把 subjects 分成两组，一组给药，一组给安慰剂，然后观察这个药对疾病到底有没有效果。这是最早通过实验的方式寻找背后因果关系。

但大家发现，做实验的方式非常昂贵，而且有时候没法做实验，也没法真正进行 intervention。所以在 1980 年代末，CMU 的 3 位教授意识到，仅仅通过 RCT，也就是随机对照实验，很多时候是不可取的。

另一方面，我们又有很多观测数据。那能不能从观测数据里挖掘背后的因果关系呢？CMU 的 3 位教授 Clark Glymour、Peter Spirtes 和 Richard Scheines，第一次提出了 PC 算法。PC 算法要解决的问题就是，怎么样从观测数据里，通过比 correlation 更复杂的统计方法，找到背后的因果结构是什么样的。

这套方法大概从 1989 年发展到 1997 年左右，发展得非常好，也涌现出了一些非常厉害的人物。当然，到了 1997 年之后，大家发现这个方向可能很难继续推进，因此从 1997 年到 2006 年，中间其实有一段比较空白的时期。

直到 2006 年，芬兰的科学家发现了一些更深层的性质：在非高斯的情况下，会有一些额外的性质，可以仅仅从观测数据里找到任意两个变量之间的因果方向，到底是 A causes B，还是 B causes A。

这套方法的关键人物包括我以前的 PhD 导师 Kun Zhang、Bernhard Schölkopf 等等。

刚才说到 4 类数据，方不方便讲一讲，目前这 4 类数据大概是什么样的配比？我们已经开始有一些最佳实践了吗？

配比大概是这样：前三类，也就是模拟数据、ego-centric 数据和视频数据，大概占 80%；遥操作数据大概占 20%。

其实刚才提到第一版模型想实现的目标时，听起来和 World Action Model，也就是今天更多人在做的事情，目标是相同的。您怎么看大家最后各自的优势和劣势？

9. WAM仍然只是中间路线

我觉得现在的 World Action Model，也就是 WAM，比较像 VLA 的一个变体或者加强版。

为什么短期内会看到 WAM 有一些比较好的效果？因为视频数据比较多。WAM 首先是一个 video action model，它先预测下一帧视频是什么样子，然后再反向推断背后的动作是什么样的。

而我们的因果世界模型，更符合这个世界的运行规律，也更合理。我们应该是一个 action-conditioned world model，再加上一个 policy model。

您从 WAM，或者更早的 VLA 等模型中，得到的对您工作的最重要的启发是什么？

对于 VLA model 来说，它是在 VLM 上加了一个 action head。但我觉得这个方法其实也不是很完美，因为大家还是在从 language 的角度做这个问题，而观察 action 的时候，应该从 time series 的角度去看。

我们听到更多的声音，都是人在讲 WAM 怎么好、VLA 怎么不好。我也想听您分享一下对 VLA 和 WAM 的看法。

从 VLA 的起源来说，大家为什么一开始选择 VLA 这条路？其实是因为大家看到 LLM 在自然语言上的成功，觉得可以把语言模型的能力延伸到动作上。

但比如说桌面高度变化了 2 厘米，机器人可能就会失败。核心原因还是 action 端是一个连续空间，但你很难在训练数据里把连续空间中所有可能的状态都收集到。这就是 VLA 为什么没有泛化能力、为什么在真实世界里表现不太好的核心原因。

现在大家开始转向 WAM，我觉得 WAM 算是一个中间态。现阶段它会比 VLA 好一些，核心原因还是视频数据更多。它可以先预测下一帧视频是什么样子，然后再通过 IDM，也就是 inverse dynamics model，反过来学习这两帧之间的 action 是什么样的。

所以你可以看到，它其实不是一个自然的状态迁移过程。自然的状态迁移应该是：我现在处在时间 t 的状态，给一个 action，然后看它在 t+1 时刻达到的下一个状态是什么样的。

总结一下我的回答：如果总分是 10 分，我觉得 VLA 的天花板可能是 5 分，WAM 可能能够达到 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，最终的模型形式一定是 action-conditioned world model，再加上 policy model。

那您给因果 AI 这条路线打几分？

首先，谈到因果 AI 这条路线，其实有很多层，需要在不同层面实现因果。如果每个层面都实现了，我觉得就是 10 分。

当然，对我们公司来说，我们也是一步步在各个层面加入因果，不会一下子特别激进，直接冲到 10 分。

换一个角度，如果今天 WAM 的朋友们来点评咱们的路线，您觉得他们对我们目前最大的质疑或者批评会是什么？

首先，市场上普遍认为因果一定是我们要实现的目标，这是毋庸置疑的，大家是有共识的。但质疑点在于，怎么样实现因果世界模型，仍然是一个特别难的问题。真正懂因果的人，在这个市场上或者学术界都不是很多。

LLM 让大家看到了堆数据会出现 scaling law。那在因果这边，大家会怀疑：是不是靠足够多的数据就会出现这样的结果？还是说，对路线本身还有其他担心？

他们担心的是怎么实现这 3 点：对于任何输入数据，不管是 video、time series，还是 sensor signal，我怎么从这些 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 scaling law 一定就能够实现因果世界模型，是吗？

我们现在说的 scaling law 也比较 weak、比较虚。应该这样看 scaling law：它一定要和数据质量、模型绑定，而不仅仅是看能不能把规模堆起来。

比如对 LLM 来说，我加 100 万条数据，可能就能增加 20% 的 performance。但如果是一个真正懂因果、懂核心底层规律的模型，它可能只需要 20 万条数据，就可以达到同样的 performance。

现在出来创业，我觉得这又是一个非常重大的、人生层面的决定。这一次创业有什么样的 trigger 吗？您是看到某个具体的信号，或者被什么样的事情激发了吗？

10. 创业与科研彼此相连

我觉得还是有一些内外部的 trigger。首先，一直以来我觉得科研和创业是我唯二想做的事情，是必须要做的两件事。

对于科研来说，我在 AI 这个领域探索了 12、13 年，已经把一些非常复杂的问题解决得差不多了。从内在来说，我觉得自己已经 ready for 在商业层面、应用层面做一些实现。

从外部来说，这几年 AI 发展特别迅猛。从大语言模型到现在的各种范式，语言任务可以做得很好，没有问题。但在具身智能上，VLA 这条路线显然已经碰壁了，可大家还在想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，我一定要把自己学了这么多年的因果相关知识应用出来，和大家一起解决机器人“大脑”的难题。

您刚才说，科研和创业是自己一定要做的两件事。是什么原因让您觉得创业也是一定要做的事情？

科研是从 idea 到 paper，形成一个成果；创业则是要把 paper 层面的成果，把算法或者小模型这样的成果，真正转化成系统性的、可以商业化的成果，然后服务更多的人。

Paper 层面的成果，可能只服务于少部分科研群体；当你把它真正做成产品之后，服务的可能就是千家万户。比如让机器人帮助大家整理房间、做家务、做菜等等。

其实不是每个人都觉得自己一定要创业。我觉得在人群里面，觉得自己一定要创业的人，可能比 1% 甚至千分之一还要低。到了学术领域，我想象这个比例可能会更低一点。

因为如果想创业，可能更早就耐不住寂寞、开始去做生意了；但学术其实是一个挺需要耐心、需要相信慢慢打磨一个东西的人生状态。

在您看来，有没有人生中的某个阶段或者某个时刻，您意识到自己不只是一名教授、不只是一名学者，而是也要去做一个企业家、一个创业者？

我觉得真正的转机是 2025 年初。当时我和朋友聊起具身智能的现状、现在的 AI 现状，突然就产生了“我现在一定要创业”这个想法。

这是什么样的朋友？他是以什么样的方式点燃您的创业激情的？

当时有个朋友跟我聊工厂里机器人和自动化的状况。那时候机器人已经进厂打工了，但测试了一阵子之后，机器人又被退回去了，因为它没法真正替代人类去做这些事情，反而成了工厂里的一个负担。

因为它们缺了一个非常智慧的大脑。所以我觉得，这不正是因果 AI 最擅长的事情吗？我就觉得，这是 right time for me，我应该开始做这件事情。

最近教授和 PhD 创业是一股很大的热潮。我理解，这里面也受到大语言模型成功的激发。

那在您看来，您现在更像是一个科学家在创业，还是一个企业家在做学术？这两者的不同是什么？

我觉得这两者在我身上都有体现。一方面，我肯定是一个科学家，同时在做创业这件事情。

另一方面，因为我们是更 fundamental 的技术革新，要开创下一代以因果智能为核心的 AI 范式，所以创业对我们来说又和科研不可分割。我们的公司更像是一个 frontier lab 的形式，要通过底层技术的发明和创造，让机器人的大脑真正得到突破，从而服务大家。

我们的播客观众里有很多 PhD，或者是在学术领域工作的朋友。今天前所未有地出现了教授和 PhD 创业的热潮，但另一方面，大家也会有一些困惑和迷茫。

现在 AI 已经这么厉害了，它可以写代码，甚至可以写论文。我很好奇，您怎么看今天做科研这件事情？它有没有发生一些本质变化？科研的门槛在您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，如果要做真正核心、真正开创性的科研，门槛还是没有变。但如果只是做一些简单的科研，门槛确实变得很低了，因为你可以快速写 code、写文章。

我们要拥抱 AI，但不依赖 AI。你要 make use of AI，而不是让 AI 控制你的思维。

可以稍微具体一点吗？比如您自己在工作过程中，什么时候是您在使用 AI，什么时候是被 AI 控制？这中间微妙的区别在哪里？

首先，核心思想和创造性的思想一定得是自己的。对于科研社区来说，我觉得最宝贵的就是 creative idea，以及批判性的意见。

对于今天一个年轻的学生来说，他要怎么更好地训练这样的能力？

首先还是需要时间的积累。在生活、工作和科研当中，有意识地去思考。比如说，这篇文章为什么采用这个方法？如果我换一种想法，是不是能够做得更好？

年轻研究者也不要完全 follow 现在的潮流。什么叫潮流？潮流就是现在已经相对成熟的东西。我们要跨过潮流，看到下一个潮流在哪里，然后往那个方向努力。

在大语言模型这么如火如荼的过去几年里，因果领域的学术圈子里面，大家的心情是什么样的？

我觉得分成两派。一派研究者，特别是比较资深的研究者，还是心如止水，做自己觉得更有意义的理论科研工作。

一些年轻研究者也涉及找工作，所以他们希望把因果和现在的流行趋势结合起来，既能写出好的文章，之后又能找到好的工作。

黄教授您自己呢？比如看到 ChatGPT 发布的那一刻，您还记得那是一个什么样的 moment 吗？您当时有什么想法和感受？在后面的这 4 年里，又经历了怎样的心路历程？

我当时印象特别深，也做了深刻反思。我在反思：明明因果 AI 这一套东西更合理，为什么是 LLM 吸引了所有人的注意力？

其实在 LLM 火起来之前，我有一个想法：如果我们能够把因果发现背后的假设降得非常弱，也就是说不需要很强的假设，就能够找到背后的因果关系。比如允许存在很多隐变量，允许数据里有 bias、distribution shifts、missing value 等各种问题，那我们自然而然就可以把因果发现这个任务完全解决。

但后来大语言模型出现，让我开始思考一个以前没有意识到的问题：数据量的堆叠是有用的。虽然现在的 LLM 仅仅靠大数据抽取表层的、简单的信息，已经能够做得很不错，但如果我们在这些大数据的基础上，再用更深入的方法挖掘背后更深层的信息，把两者结合起来，效果可能会更好。

所以看到 ChatGPT 发布、LLM 如日中天之后，您进行了刚才说的深刻反思。那从看到它到今天决定创业，中间还有其他阶段吗？有没有几个典型阶段或转折事件？

典型阶段就是，我从开始反思这件事情之后，有意识地往这个研究方向走，包括如何从因果角度更好地解决现有语言模型的问题，比如减少 hallucination、提升 performance。

刚才您提到，为什么我选择具身智能，而不是选择 LLM 去落地？因为随着 LLM 一代代更新迭代，它的能力增长确实非常快。所以如果只往 LLM 领域走，可能增益非常有限。

接着我就开始有意识地往具身智能、往物理 AI 这个领域走，希望通过因果世界模型真正解决物理世界中的 AI 问题。

我觉得大概就是两个阶段：早期是在 LLM 阶段进行反思，之后转向具身领域，建立我自己的因果世界模型。

如果我们自己做因果世界模型的数据，需要完全自己采集吗？还是说今天已经有不错的数据供应商，可以从第三方采购？

大部分数据都是我们自己产生的，包括刚才说的模拟数据，因为模拟数据可以不限量采集。最后一公里的遥操作数据，我们会自己采集一小部分，也会向供应商定制一些数据。

如果今天有一个本科生来问您：“黄教授，世界都已经这样了，我们应该尽快去产业界，是不是不要再读 PhD 了，赶紧去工作？”遇到这样的问题，您会怎么回答？

什么样的人应该继续读 PhD，什么样的人现在可以不读，直接去产业界？

这是一个特别好的问题。其实我对 PhD 的认知和理解一直没有变化。我一直觉得，只有真正对研究有渴望的人，才应该来读 PhD。

如果只是想获得一个学位，其实不用花 5、6 年读 PhD，你可能会错失很多赚钱的机会。

那一个人要怎么识别自己对于研究的欲望是真实的欲望？

可能比较理想主义的人会更适合读 PhD。现在 AI 时代每天都有热点，但不应该被那些热点带着跑，而是要有自己的一套思想和理论，想清楚自己应该走什么样的道路。

对于一个真正想读 PhD 的人来说，需要识别外面哪些是噪声，哪些是真正自己需要的。

这听起来很容易，但做起来我相信非常难。尤其是你的同学可能没有做科研，去了 OpenAI，现在已经一年 3,000 万美元了。在这样的时代，如果真的想静下心来做科研，您有什么建议吗？

在真正做科研之前，很多人确实还不能很好地认识到自己到底需要什么。对于那些能够认识到自己真正喜欢科研、想去探索人类未知领域的人来说，毫无疑问就应该读 PhD。

而对于那些还不是太清楚自己需要什么的人，可以先尝试一下。比如先选择读 PhD，或者先去业界；如果感觉不太适合，再换一条路。

因为现在工业界和学术界之间的 gap 更低了，大家更自由、更灵活，也不是说选了一条路就一定要走到底。

您会认为大语言模型的天花板，可能会在什么时候、以什么样的形式出现吗？

这要看任务。其实在具身任务上，大语言模型的天花板已经出现了。

不知道黄教授您有没有注意到，最近大家越来越开始提到“因果”这个词。

对，这是让我觉得非常欣慰的地方。大家至少开始意识到，我们的目标一定是要学习一个真正懂因果结构、懂背后底层规律的模型，而不是通过简单的 pattern matching。

最近提到因果的人越来越多。可以具体讲一讲吗？尤其是在因果学术圈之外，有谁以什么样的方式提到了因果，让您觉得终于有更多人开始关注这条重要路线？

包括大家熟知的杨立昆，他最近在一些访谈中，都从 high level 强调了因果，以及因果能够带来的性能提升。

另外，李飞飞老师的一些 high-level idea，我觉得也和因果有关，虽然有时候她没有直接提“因果”这个词。

在中国的产业界，我们也经常听到一些模型加上“因果”这个词，比如 DeepSeek 之前的模型也加了“因果”这个词。

但我觉得，现阶段大多数团队对因果的探索，要么只是有 high-level 的意识，要么只在一些比较简单的点上真正做到因果，比如用过去预测未来。

真正要从本质上做到刚才提到的 3 个部分——第一，学习因果变量；第二，学习因果结构；第三，学习因果动力学——我觉得真正走到这一层的，应该只有我们团队。

杨立昆是 AI 三巨头之一，也是图灵奖获得者。他对我们的因果模型一直非常感兴趣。我们其实有过一些非常深入的讨论，探讨怎么解决因果发现的问题。他也引用过我的很多 paper。

您和杨立昆教授，包括和李飞飞教授，有过关于因果的交流吗？

我和杨立昆教授之前有过交流。有一次我想邀请他来参加我们举办的 workshop。虽然他那次在巴黎有一个会议冲突，没有过来，但他当时在邮件里表达了对这条路线的肯定。

咱们这一次融资融了 2,000 万美元，还是很大的一笔金额。您打算把这笔钱投入到什么地方？

主要有 3 大块：算力、数据，以及人才招聘。

您有从学术圈融资吗？除了 VC 之外，有没有从教授或者学术大佬那里融资？

大部分融资肯定来自 VC，小部分是朋友的支持，相当于他们说“我 trust 你这个方向”。我肯定不能要他们太多钱。

我们刚才也提到，除了算力和数据，还是希望有更多人才加入，这也是融资资金要重点投入的地方。可以讲一讲咱们目前最需要哪些方面的人才吗？

我们非常需要广纳贤才。

第一类是对 AI 算法，特别是因果算法，抱有很大热情，并且有一定经验的人才。

第二类是模型训练方面的人才，特别是在视频生成模型方面有很强训练经验的人。

第三类是 robotics full stack 人才：不仅精通传统的机器人控制算法和硬件，也对当下 AI 的进展、模型和算法有比较深入的了解。

这些人才都是我们非常急需的。如果您是这方面的专家，欢迎联系我。

如果听我们播客的朋友感兴趣，也可以联系黄教授。

下一个问题是：如果 5 年之后，我们回头看 2026 年今天的世界模型，那个时候锣鼓喧天，全世界好像都在关注。您觉得 5 年后回头看，今天有哪些事情可能是错的？

其实也不能严格地说是错的。在探索的道路上，总归是一步一步走的，每一步都会留下一些东西。但肯定的是，现在的一些模型范式不会是终局。

比如 VLA 不是终局，但它带来了 action head 的一些建模方式；WAM 可能也不是终局，但它带来了从视频生成模型走向世界模型的中间产物。所以我觉得它们的存在都有道理。

假设有一个上帝，他无所不能、预知未来。如果您可以问他一个关于 AI、关于世界模型的问题，您会想问什么？

我可能会问他：因果是客观存在的，还是人基于自己的理解，为了更好地理解世界而构建出来的概念？

就像时间一样，时间是不是存在，大家有时候也不是完全确定。相应的问题就是，因果到底是不是真实存在的。

哇，这是一个非常深刻的问题。如果因果不存在，我觉得我们会集体陷入存在主义的巨大危机。

这个问题，大家可以在茶余饭后和朋友闲聊的时候争论一下。但我觉得，平时生活当中还是可以务实一点：假设时间存在，假设我们的物理世界真实存在，假设因果真实存在。

好，今天很开心请到黄教授来做这一期播客。谢谢您的时间。我们争取有机会等您的 demo 出来之后再聊一次，也可以再给大家讲一讲因果方面的新进展。

好，谢谢柯基，谢谢《十字路口》，谢谢大家。

好，拜拜。

好，拜拜。