0.2秒急停、秒级重规划：Aether AI因果具身系统亮相

关微波炉门时，人手突然插进来，机械臂瞬间悬停——整个反应时间仅为 0.2 秒。

而在另一组演示中，金属易拉罐被混在蛋糕盘里端向微波炉，机械臂会主动将易拉罐挑出放到一旁，确认盘内安全后再送入炉内。面对手电筒强光直射眼睛这类极端扰动，设备依然平稳作业。

这些操作并非预录轨迹回放，也不是依赖海量概率统计的碰巧命中，而是基于对物理世界因果规律的实时推理。驱动这套系统的核心架构代号为 CRIS-0，来自加州大学圣地亚哥分校（UCSD）助理教授、CMU 因果学派学者黄碧薇创立的因果智能企业 Aether AI。

告别机械盲从：理解「为什么发生」

在具身机器人落地场景中，传统方案面对突发扰动往往陷入两难：要么重复旧轨迹导致碰撞，要么全流程报错停机；而端到端黑盒模型在几十步的长程任务中，极易产生误差累积，一步走偏满盘崩溃。

CRIS-0 的核心思路在于让机器人从「看到什么」进化到「理解因果影响」：

在咖啡机抓取测试中，面对人为移位与光照突变，CRIS-0 平均在 2 秒内识别出关键因果变量的改变并完成实时重规划，在 10 次随机扰动中实现 9 次有效恢复。咖啡机被推开后，系统仅追踪「把手相对位姿」这一变量，只修正接近和抓取动作，无需全流程重置。

在长程任务「客厅寻物与整理」中，系统将数十步目标拆解为原子化、可验证的因果阶段。面对桌面清理，它会将普通书籍归置到茶几，而将涉及个人隐私的账单放入抽屉；面对两个外观相同的饮料罐，它先通过抓取晃动感知内部重量，确认为空罐后丢弃，感知到液体则放回原位。

在包含 20 条模糊指令的个性化测试中（例如「拿一瓶适合晨跑后喝的饮料」），系统取得 18 次精准抓放。它并非依靠关键词匹配，而是结合上下文将「运动后需补水且低糖」抽象为隐藏因果变量。

拆解 CRIS-0：因果原生 Agent 架构

传统纯视觉或语言 Agent 方案在真实世界容易失效：物理世界的摩擦力、碰撞与重力瞬息万变，大模型若先把画面转为文本再慢速推理，往往错失反应时机。CRIS-0 采用了一套三层因果架构：

1. 任务即状态：提取物理因果变量

系统摒弃了对海量图像像素的死记硬背，将任务定义为因果状态推进过程。例如铺桌布时，机器人实时追踪夹爪抓持状态、角点位移与滑移情况。若桌布滑脱，「抓住」这一因果变量失效，任务立即局部回退到重新抓取，而不是机械地拉动空气或整体重启。

2. 统一工具接口与因果世界模型

系统采用 Planner 统一调度多类工具模块：

• 规则运动函数：负责大范围位移与逆运动学预定位；
• 技能策略模型：处理精细接触式操作；
• 验证器（Verifiers）：在节点处进行物理条件检查；
• 因果世界模型（CausalWM）：推演动作后果。

与纯视频生成的常规世界模型不同，CausalWM 聚焦于动作对物理变量的改变。机械臂在发力前先推演「执行动作后把手是否会倾斜、杯子是否会倒」，确认变量演化符合预期后再下发底层控制指令。

3. 闭环验证与原生安全机制

任务执行遵循「状态识别 → 工具选择 → 执行 → 验证 → 调整」的动态任务图。每一步均有验证器兜底，遇到偏差先局部重试，再重规划，最后才提示人工接管。成功的调整路径还会沉淀回任务图中。

在关门动作中，突然伸入的人手会破坏安全前置条件，系统直接在状态层触发最高优先级阻断，实现 0.2 秒急停；而在递水任务中，伸来的人手则属于目标交互变量，不会触发误刹停。

此前，Aether AI 的因果 Agent 框架 RSIAgent 已在 OSWorld 2.0 评测中取得 78.98% 的成绩；因果世界模型 CausalWM 也在具身基准 TriWorldBench 登顶榜首。

大语言模型依靠海量文本统计拟合取得了突破，但物理世界的数据稀缺且遵循确定性规律。单纯依赖相关性拟合极易遭遇天花板，基于因果机制的表征与推理，正在成为具身智能迈向可靠落地的关键路径。