Vol.125｜世界模型更底层的东西：为什么机器人要先学会「因果」

具身智能领域正面临从单纯依赖数据规模向理解物理因果规律的范式转型。当前基于大语言模型（LLM）的相关性预测在处理复杂物理交互时表现出局限性，因果大模型通过从观测数据中自动提取因果变量与动力学结构，实现了对物理世界本质的深度模拟。这种方法不仅能显著提升机器人对环境的泛化能力与操作成功率，还通过结构化压缩降低了对海量数据的依赖，并增强了模型的可解释性与安全性。EtherAI 创始人黄碧薇指出，下一代 AI 范式应超越单纯的像素级渲染，转向基于因果推理的 “想象” 能力，从而使机器人能够在开放环境中自主探索并完成长程任务，实现真正意义上的具身智能。