01
最新动态
模型研究 / 公司技术文章
发布 CD-LAM 因果去偏潜动作模型
Aether AI 披露 CD-LAM 在其实验中将动作跟随误差降低超过 30%，并把达到相近结果所需的机器人动作后训练从约 5 万步降至约 3 千步；结果尚待第三方复现。
查看原始来源 ↗02
详细技术路线
数据入口数据入口：除普通机器人视频、状态与动作外，主动组织干预样本和少量高质量因果标注，以区分“同时发生”与“动作真正导致结果”→
世界表征世界表征：识别因果变量和结构，把动作视为对物理系统的干预；CD-LAM 先从潜动作中剔除背景运动等视觉混杂因素，避免模型绕过真实动作条件→
策略与控制策略与控制：在执行前模拟不同动作的后果，用反事实比较支持规划和策略评估；公司公开的首批验证集中在操作任务和动作条件预测，完整实时控制栈尚未披露→
本体部署本体部署：首个商业焦点是 Physical AI 与机器人，不绑定单一自研本体；这种中立性有利于跨平台，但也要求通过多个机器人和客户任务证明接口可迁移→
反馈闭环反馈闭环：利用真实执行的成功、失败和干预结果修正因果图与状态转移机制，追求在环境、任务和本体变化时少量数据适配
TECHNOLOGY / 补充技术机制与验证证据
- 验证边界：公司称部分操作任务的数据效率提升 20%—30%，个别任务用约 50 条因果标注达到此前无法稳定实现的成功率；尚未见统一第三方基准和客户侧复现
03
创始人、核心成员与团队规模
公开团队规模：待核实：团队规模未公开。人员任职信息更新至页面标注日期。
- 黄碧薇（Biwei Huang）：创始人；UC San Diego 助理教授，长期研究因果发现、因果表征学习与机器学习，曾在 Carnegie Mellon University 和 Max Planck Institute for Intelligent Systems 开展研究
- 公司称团队由因果 AI、机器学习、机器人和工程人员组成；LinkedIn 页面显示 11—50 人，仅作为平台口径，不等同于公司审计人数
- 黄碧薇亦参与开源因果工具 Causal-Learn 与 Causal-Copilot；这些学术项目体现团队方法积累，但不能直接视为公司的付费产品
04
上下游、产品和商业部署
UPSTREAM & ECOSYSTEM / 上下游与生态
- MPCi / 经纬创投、英诺基金、SWC Global、Unity Ventures / 九合创投等为投资方；不同中英文公告对个别机构译名存在差异，按原始公告分别保留
PRODUCTS / 产品
- Causal World Model：面向 Physical AI 与机器人的因果推理层，目标支持预测、干预和反事实三层能力
- CD-LAM：对潜动作空间进行因果去偏的动作条件世界模型方法；公司披露其动作跟随误差下降超过 30%，后训练步数由约 5 万降至约 3 千，均为团队实验结果
- 公司尚未公开通用模型权重、API、SDK、价格或正式客户名单；当前处于研究验证和首批商业部署准备阶段
COMMERCIAL DEPLOYMENT / 商业部署
- 公司公告称融资将支持 Physical AI 与机器人首批商业部署，但未披露客户或本体合作方名称
- Judea Pearl、Bernhard Schölkopf、Clark Glymour、Peter Spirtes 与 Kun Zhang 被公司列为学术支持者或领域前辈，不表述为公司雇员或商业合作客户
合作仅指公开战略合作、联合研发、适配、客户部署或产业协同；分类依据公开表述，不把同一生态中的出现推断为正式订单。
05
融资情况
- 2026-06：完成 2,000 万美元种子轮
- 公司英文公告列 MPCi 领投，Inno Angel Fund、SWC Global、Unity Ventures 等参与；中文报道使用经纬创投、英诺基金、SWC Global、九合创投等名称
- 估值未公开披露
06
竞争定位、差异性与相似公司
POSITION / 竞争位置
Aether AI位于“具身大模型”赛道，以世界状态变化、动作后果或空间预测作为主要能力入口。
DIFFERENTIATION / 核心差异化
Aether AI 把竞争焦点从“生成得像不像”改成“动作是否真正导致了预测结果”：通过显式干预、反事实和潜动作去混杂，瞄准世界模型在分布外泛化和数据效率上的根因
MOAT / 竞争壁垒
目前最强证据是公司与论文披露的操作实验和训练效率提升
INSIGHT
相关深度洞察
07
信息来源
优先采用公司官网、监管 / 政府信息和正式公告。来源旁的日期为信息更新日期，不一定是事件发生日期。