在一个视频中，一台机械手臂正准备抓取咖啡袋，旁边另一人却迅速把咖啡袋移开。在操作咖啡机时，某人用灯光干扰按钮，导致光线变化；在微波炉前，他又将饮料罐放入原本应放蛋糕的盘子中。当机械手要关闭门时，另一个人的手又伸来阻挡……在这短短七分钟的视频中，尽管遇到各种突发情况，机器人却能够冷静应对，成功化解这些干扰。

视频显示，一旦咖啡袋被挪走，机械手臂会调整动作，沿着袋子移动的方向重新抓取。面对灯光变化，它仍然坚持按下按钮；在处理饮料罐时，机械手臂会先将其夹出，确保剩余物品安全后再继续工作。尤其是关门时，机器人及时缩回手臂，待人手撤回后再完成关门动作。这些突发事件正是机器人的应对能力所在。机器人在物理环境中工作，必然会面临各种意外，它需要根据当下情况调整计划。

这正是Aether AI最近推出的CRIS-0系统所能做到的。作为一个因果驱动的机器人智能系统，CRIS-0可以快速识别干扰并调整策略，反应速率达到0.1秒。该系统的设计初衷就是为了让机器人更好地适应现实世界的变化。每次遇到意外，它都会思考发生了什么变化，这些变化对后续行动的影响，以及是否需要调整策略。其核心是“因果智能”，即理解变化、推演其影响并调整行动的能力。

这种边观察边行动的方式与人类越来越相似，因此CRIS-0在抗干扰能力、长程任务和个性化任务的执行能力上表现更佳。理论上，适用于动态环境中决策的各个领域均可受益于此，机器人只是Aether AI实现因果智能的一个重要应用场景。

在过去的几年中，凭借从大量数据中发现规律并预测下一步的能力，LLM在数字世界取得了显著成果。然而，Aether AI创始人黄碧薇指出，这种成功有其特殊性。语言是一种独特的模式，规律显而易见，而物理世界却是另一回事，许多决定结果的条件需要在互动中才能显现。更重要的是，机器人的每一个动作都在真实世界中产生影响，若预测错误，不像对话能轻易撤回。

因此，单靠统计规律的“下一步预测”在实际操作中会遇到许多难题，例如确定哪些变量影响结果、外部干扰的应对、任务失败后的回退策略以及环境变化下关系是否依然成立。因果智能则弥补了这一不足，通过将世界表示为任务相关的因果变量，找出变量间的影响关系，并将机器人的动作视为一种干预，去建模“如果我这样做，世界会如何变化”。这种方法不仅可以进行预测，还能推演不同干预的后果，并在失败后追溯根本原因。

因此，因果智能有望解决一些复杂问题，如泛化能力、长尾场景、迁移学习以及长程任务的错误恢复等。机器人是最典型的应用场景，任何需要在变化环境中做决策的领域都有类似需求。根本问题在于“识别结果变化的真正原因，并通过干预和反事实进行行动”，这使得因果智能不仅适用于机器人，也可以扩展到其他领域。

CRIS-0的工作方式并非依赖单一大型模型，而是将机器人的智能划分为两个层次：高层负责理解任务、推理和规划，下层负责理解具体的物理变化，预测每个动作对世界的影响。这样的结构使CRIS-0更加高效、灵活。