因果世界模型

因果世界模型把世界模型从“生成未来画面或动作轨迹”推进到“表示状态、行动、机制和结果之间的因果结构”。它强调在干预、反事实、机制变化和真实反馈中更新模型，而不只是拟合相关性。

观察

Aether AI 官方表述把因果世界模型定义为连接 state、action、mechanism 和 outcome 的模型：发现稳定因果结构，模拟可能未来，比较反事实选择，估计不确定性，并从真实反馈更新。
在小宇宙对话中，黄碧薇把视频生成、3D 生成、JEPA/VLA/WAM 与因果路线区分开来，强调真正的机器人世界模型需要理解干预和机制，而不是只生成像素或记忆动作答案。
因果世界模型与世界模型的关系是更强的结构约束：世界模型要预测“会发生什么”，因果世界模型还要回答“为什么会发生”和“如果改变某个因素会怎样”。
LiberAI 的物理世界模型叙事与这一路线相邻：它强调模型需要基于物理 action 推导 state transition，而不是只拟合相邻视频帧的相关性。
世界模型技术路线显示因果路线只是世界模型分化中的一支；它的优势是解释干预和反事实，挑战是如何在真实机器人任务中形成可测优势。
这条路线的风险是高概念密度和低验证度：因果结构发现很适合解释开放世界泛化问题，但是否能在机器人真实任务中超过 VLA/WAM/传统控制，还需要公开任务、模型和客户验证。