据量子位报道，Aether AI 于10月9日公开其因果智能机器人系统 CRIS-0 的官方演示。演示中，一台机器人在关闭微波炉门时因人手突然插入，在0.2秒内紧急悬停；同一系统在咖啡机遭人为移位、光照突变等扰动下，平均2秒内识别出因果变量的改变并完成实时重规划。

CRIS-0 由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 Aether AI 研发。量子位三个月前曾报道该公司的因果智能路线，当时外界对这一方向的落地能力尚存疑问。

在咖啡制作测试中，机器人抓取咖啡机时遭遇人为移位与光照突变，CRIS-0 在10次随机扰动中实现9次有效恢复。系统追踪的是“把手相对位姿”这一关键因果变量，变量状态发生偏移时只修正接近和抓取的动作阶段，无需回归原位重启，也不全流程重来。

长程自主任务方面，“客厅寻物与整理”包含数十步连续操作，系统把长程目标拆解为原子化、可验证的因果阶段，每推进一步都执行前置与后置条件检查。清理桌面时，它把散落的普通书本整理至茶几，把涉及个人隐私的账单收纳进抽屉；面对两个外观相似的饮料罐，它先通过抓取晃动感知罐体重量与内部液体状态，确认是空罐后才扔进垃圾桶，感知到未喝完的饮料则放回原位。

在个人取放测试中，面对“给我拿一瓶适合晨跑后喝的饮料”等20条需要隐含推理的模糊指令，系统完成了18次精准抓取与放置。据量子位报道，系统并非依靠关键词匹配，而是结合时间、用户状态与环境上下文，把“运动后需要补充能量且避免高糖”作为隐藏因果变量抽取出来，再匹配对应操作。

技术架构上，Aether AI 采用因果原生的 Agent 架构。系统不以图像像素为中心，而是把任务本身当作因果状态进度条，实时追踪核心因果变量。以铺桌布为例，它追踪夹爪是否真正抓住桌布、角点距目标位置还有多远、拉动时是否发生滑移；一旦抓取滑脱，任务状态退回重新抓取，而不是推翻整套动作。

执行层由 Planner 调度统一工具接口下的多个模块，包括结合视觉定位与逆运动学的规则运动函数、处理倒水与精细抓取等接触式操作的技能策略模型、负责全局路径指引的 SLAM 导航模块、在各阶段节点执行物理检查的验证器，以及推演动作物理后果的因果世界模型 CausalWM。据量子位报道，CausalWM 先看当前状态，再预测候选动作会导致哪些因果变量发生改变，最后推导未来状态，相当于在输出动作前先做一次推演。

系统以状态识别、工具选择、执行、验证、调整组成的任务图循环运行，验证器在每一步检查物理条件是否达成。未达成时启用三级恢复机制：先在该阶段重试，不行则重新规划路径，再不行才提示人工介入，成功的恢复路径会被记录到任务图。安全判断内嵌于每个因果阶段：关门阶段突然出现的人手被判定为破坏用户安全条件的危险变量，触发最高优先级阻断；若任务是为人类递水，伸来的人手则是交互目标变量，系统不会停止。

据量子位报道，Aether AI 的因果智能体框架 RSIAgent 在 OSWorld 2.0 上取得78.98%的 Partial Score，未更新模型参数即提升开源模型的 Agent 能力，超过 GPT-6 Astra 等闭源模型；第一版因果世界模型 CausalWM 在机器人世界模型基准 TriWorldBench 上登顶 Leaderboard，取得 Top-1。另有模块化神经架构与 Causation Transformer 两层仍在推进中。

黄碧薇在该领域已深耕十余年，师承 CMU 因果学派奠基人 Clark Glymour、Peter Spirtes 以及第二代学者 Bernhard Schölkopf、Kun Zhang。