a股做空王

[a股做空王 @kun2015167]

@jinglian 和s is哈萨克族相关学科想了想可想你想喝点酒

[a股做空王 @kun2015167]

@nln_cn 求拉

[a股做空王 @kun2015167]

@Hicker_Moledao 还招吗

[a股做空王 @kun2015167]

@CryptoJHK 1

[a股做空王 @kun2015167]

@hanking66 rklb 砸的有点狠 sp 挨打 要跟

[阿蔺A-Lin @alin_zone]

恭喜黄碧薇教授创办的 Aether AI 拿到融资。

黄碧薇教授做因果 AI，做了 12 年。从德国马普所，到 CMU，再到 UCSD 当助理教授。Causal-Learn 作者，发过 100 多篇顶会论文，拿过 Apple Scholar。

今年，她从学术界走出来，创办了 Aether AI。想做的事很直接：给机器人造一个真正能理解物理世界的大脑。
为什么这件事难？

现在的 AI 很厉害，会聊天、写代码、生成图片。但它学的大多是相关性。什么词后面常接什么词，什么动作后面大概率是什么结果。

在文字里，这套很好用，答错一句改一下就行。

可一旦进真实世界，问题就大了。机器人去抓杯子，抓空一次，杯子就碎了。桌面高两厘米，光线、材质、角度一变，任务可能就废了。

因为它要判断的是另一回事：手到底碰没碰到杯子，摩擦力够不够，重心会不会变，再动一下会不会摔。

说到底就一个问题，我现在动一下，世界接下来会怎样？
这就是因果。
她做的因果世界模型，挖的就是这个。不只是预测下一个状态，而是搞清楚变量之间怎么相互影响。换个动作结果会怎样，换个环境技能还迁不迁得过去，甚至，要是当时没做这个动作，结果会不会不一样。
因为真实世界不可能被训练数据全覆盖。桌面高度、物体材质、失败姿态，机器人不可能提前都见过。光背下见过的模式不够，理解了背后的因果结构，才谈得上举一反三。
这两年大家都在比谁模型更大、数据更多、卡更多。她的问题是反过来的，Scale What，你到底在放大什么？光堆遥操数据、堆视频、买算力，未必能解决泛化。关键是同样的数据，模型能不能挖出更深一层的东西。
她想从算法到系统，把这个以因果为核心的大脑做出来，服务机器人厂商，还有工厂、仓储物流、家居、医疗。
大模型打开了数字世界的门。因果世界模型，想打开物理世界那扇门。
关注黄碧薇教授 @huang_biwei，看这条路怎么走。Aether AI 官网：https://t.co/70iNtd2hUx

[a股做空王 @kun2015167]

好

[阿蔺A-Lin @alin_zone]

恭喜黄碧薇教授创办的 Aether AI 拿到融资。

黄碧薇教授做因果 AI，做了 12 年。从德国马普所，到 CMU，再到 UCSD 当助理教授。Causal-Learn 作者，发过 100 多篇顶会论文，拿过 Apple Scholar。

今年，她从学术界走出来，创办了 Aether AI。想做的事很直接：给机器人造一个真正能理解物理世界的大脑。
为什么这件事难？

现在的 AI 很厉害，会聊天、写代码、生成图片。但它学的大多是相关性。什么词后面常接什么词，什么动作后面大概率是什么结果。

在文字里，这套很好用，答错一句改一下就行。

可一旦进真实世界，问题就大了。机器人去抓杯子，抓空一次，杯子就碎了。桌面高两厘米，光线、材质、角度一变，任务可能就废了。

因为它要判断的是另一回事：手到底碰没碰到杯子，摩擦力够不够，重心会不会变，再动一下会不会摔。

说到底就一个问题，我现在动一下，世界接下来会怎样？
这就是因果。
她做的因果世界模型，挖的就是这个。不只是预测下一个状态，而是搞清楚变量之间怎么相互影响。换个动作结果会怎样，换个环境技能还迁不迁得过去，甚至，要是当时没做这个动作，结果会不会不一样。
因为真实世界不可能被训练数据全覆盖。桌面高度、物体材质、失败姿态，机器人不可能提前都见过。光背下见过的模式不够，理解了背后的因果结构，才谈得上举一反三。
这两年大家都在比谁模型更大、数据更多、卡更多。她的问题是反过来的，Scale What，你到底在放大什么？光堆遥操数据、堆视频、买算力，未必能解决泛化。关键是同样的数据，模型能不能挖出更深一层的东西。
她想从算法到系统，把这个以因果为核心的大脑做出来，服务机器人厂商，还有工厂、仓储物流、家居、医疗。
大模型打开了数字世界的门。因果世界模型，想打开物理世界那扇门。
关注黄碧薇教授 @huang_biwei，看这条路怎么走。Aether AI 官网：https://t.co/70iNtd2hUx

[a股做空王 @kun2015167]

@alin_zone 好

[a股做空王 @kun2015167]

n

[前端哥Liam @jinglian]

今天刷到的这条融资消息，让我很有感触。
很多人认为，下一代 AI 的发展路径仍然是继续堆参数、堆算力、堆数据。
但如果目标是机器人、Physical AI，事情没那么简单。

假设有两个小朋友。
第一个小朋友特别会背题。他见过 10000 次苹果掉地上，所以知道：
"苹果松手后，大概率会往下掉。"
这是今天很多大语言模型擅长的事情——学习相关性（Correlation）。
它知道什么经常一起出现。

但第二个小朋友不一样。
他会问：
• 为什么会掉？
• 是重力导致的吗？
• 如果把苹果换成杯子会怎样？
• 如果风变大了会怎样？
这时候他学到的不是现象，而是规律。
这就是因果（Causality）。

语言世界主要靠相关性就能工作。但物理世界不一样。
机器人不需要知道"以前发生过什么"，
机器人需要知道"如果我现在这样做，接下来会发生什么"。
这也是为什么很多 VLA、世界模型 Demo 看起来很惊艳：
训练环境里成功率很高。
但桌子高度变一下、光线变一下、物体位置偏一点，
性能就可能明显下降。
因为它学到的是相关性，而不是因果关系。
这家刚刚完成融资的公司 Aether AI。
他们想做的事情很有意思：
不是让 AI 记住更多案例，而是让 AI 学会理解物理世界背后的因果结构。
Aether AI 由黄碧薇教授 @huang_biwei 创立。
黄碧薇教授是 UCSD 助理教授，深耕因果 AI 研究 12 年，也是 Causal-Learn 作者之一。
如果说：
• 第一代 AI 是规则系统
• 第二代 AI 是统计学习
• 第三代 AI 是大模型

那么以因果世界模型（Causal World Models）为核心的第四代 AI 范式，会不会成为 Physical AI 时代的重要方向？

如果你也对这个新范式感兴趣，
请关注 @huang_biwei 和 Aether AI： https://t.co/i2ogjrk4VS

[a股做空王 @kun2015167]

饮用

[Cheery @cheery9998]

首先恭喜Aether AI 创始人黄教授成功融资。她在因果发现和因果 AI 这个方向上，已经研究了 12 年。
从德国马普所，到 CMU 博士，再到 UCSD 助理教授，她一直研究一个问题：
AI 到底能不能真正理解世界背后的因果关系。

今年，她从学术界走出来，创办了 Aether AI。
她想做的事也很直接：给未来的机器人，做一个真正能理解物理世界的大脑。

过去这一轮 AI，已经很厉害了。
它会写文章，会生成图片，会写代码，会跟你聊天。
但它学到的很多东西，还是“什么和什么经常一起出现”。
比如你问它一个问题，它会根据概率，给出下一个最可能出现的答案。

在文字世界里，这已经足够惊艳。
可一旦进入物理世界，问题就变得很现实。
你让 AI 写错一句话，大不了改一下。
但你让一个机器人抓杯子，如果它只是觉得“手靠近杯子之后，杯子应该会动”，它可能手还没碰到杯子，杯子就被模型预测着“飞起来了”。
因为它学到的是画面里的关系，没有真正理解为什么杯子会动。

黄教授做的因果世界模型，想解决的就是这个问题。
让 AI 知道什么变量会影响结果，一个动作会带来什么后果，换个环境还能不能完成任务，这才是下一代 AI 的关键能力。

它不是背更多答案，而是理解世界背后的规律。
今天很多机器人演示很惊艳，但桌子高两厘米、物体换个位置、光线一变，就可能失败。因为它没有真正举一反三。

所以黄教授一直在提醒大家，下一代 AI 不能只靠堆数据、堆算力。真正重要的问题是：Scale What？你到底在放大什么？

如果放大的只是表面关系，模型再大，也未必理解真实世界。真正重要的是，让模型学到更深层的因果结构。
这件事离普通人并不远。大语言模型让我们拥有了数字助手，因果世界模型可能会让机器人拥有真正理解物理世界的大脑。

我关注它，不是因为参数多大、演示多炫，而是因为它可能让 AI 进入工厂、仓储、家庭、医疗和服务业，真正改变普通人的工作方式。

欢迎大家关注 @huang_biwei AI 和机器人世界模型接下来会怎么发展。
AI 的下一站，正在进入真实世界。

[a股做空王 @kun2015167]

bb

[Cheery @cheery9998]

首先恭喜Aether AI 创始人黄教授成功融资。她在因果发现和因果 AI 这个方向上，已经研究了 12 年。
从德国马普所，到 CMU 博士，再到 UCSD 助理教授，她一直研究一个问题：
AI 到底能不能真正理解世界背后的因果关系。

今年，她从学术界走出来，创办了 Aether AI。
她想做的事也很直接：给未来的机器人，做一个真正能理解物理世界的大脑。

过去这一轮 AI，已经很厉害了。
它会写文章，会生成图片，会写代码，会跟你聊天。
但它学到的很多东西，还是“什么和什么经常一起出现”。
比如你问它一个问题，它会根据概率，给出下一个最可能出现的答案。

在文字世界里，这已经足够惊艳。
可一旦进入物理世界，问题就变得很现实。
你让 AI 写错一句话，大不了改一下。
但你让一个机器人抓杯子，如果它只是觉得“手靠近杯子之后，杯子应该会动”，它可能手还没碰到杯子，杯子就被模型预测着“飞起来了”。
因为它学到的是画面里的关系，没有真正理解为什么杯子会动。

黄教授做的因果世界模型，想解决的就是这个问题。
让 AI 知道什么变量会影响结果，一个动作会带来什么后果，换个环境还能不能完成任务，这才是下一代 AI 的关键能力。

它不是背更多答案，而是理解世界背后的规律。
今天很多机器人演示很惊艳，但桌子高两厘米、物体换个位置、光线一变，就可能失败。因为它没有真正举一反三。

所以黄教授一直在提醒大家，下一代 AI 不能只靠堆数据、堆算力。真正重要的问题是：Scale What？你到底在放大什么？

如果放大的只是表面关系，模型再大，也未必理解真实世界。真正重要的是，让模型学到更深层的因果结构。
这件事离普通人并不远。大语言模型让我们拥有了数字助手，因果世界模型可能会让机器人拥有真正理解物理世界的大脑。

我关注它，不是因为参数多大、演示多炫，而是因为它可能让 AI 进入工厂、仓储、家庭、医疗和服务业，真正改变普通人的工作方式。

欢迎大家关注 @huang_biwei AI 和机器人世界模型接下来会怎么发展。
AI 的下一站，正在进入真实世界。

[a股做空王 @kun2015167]

nn

[Cheery @cheery9998]

首先恭喜Aether AI 创始人黄教授成功融资。她在因果发现和因果 AI 这个方向上，已经研究了 12 年。
从德国马普所，到 CMU 博士，再到 UCSD 助理教授，她一直研究一个问题：
AI 到底能不能真正理解世界背后的因果关系。

今年，她从学术界走出来，创办了 Aether AI。
她想做的事也很直接：给未来的机器人，做一个真正能理解物理世界的大脑。

过去这一轮 AI，已经很厉害了。
它会写文章，会生成图片，会写代码，会跟你聊天。
但它学到的很多东西，还是“什么和什么经常一起出现”。
比如你问它一个问题，它会根据概率，给出下一个最可能出现的答案。

在文字世界里，这已经足够惊艳。
可一旦进入物理世界，问题就变得很现实。
你让 AI 写错一句话，大不了改一下。
但你让一个机器人抓杯子，如果它只是觉得“手靠近杯子之后，杯子应该会动”，它可能手还没碰到杯子，杯子就被模型预测着“飞起来了”。
因为它学到的是画面里的关系，没有真正理解为什么杯子会动。

黄教授做的因果世界模型，想解决的就是这个问题。
让 AI 知道什么变量会影响结果，一个动作会带来什么后果，换个环境还能不能完成任务，这才是下一代 AI 的关键能力。

它不是背更多答案，而是理解世界背后的规律。
今天很多机器人演示很惊艳，但桌子高两厘米、物体换个位置、光线一变，就可能失败。因为它没有真正举一反三。

所以黄教授一直在提醒大家，下一代 AI 不能只靠堆数据、堆算力。真正重要的问题是：Scale What？你到底在放大什么？

如果放大的只是表面关系，模型再大，也未必理解真实世界。真正重要的是，让模型学到更深层的因果结构。
这件事离普通人并不远。大语言模型让我们拥有了数字助手，因果世界模型可能会让机器人拥有真正理解物理世界的大脑。

我关注它，不是因为参数多大、演示多炫，而是因为它可能让 AI 进入工厂、仓储、家庭、医疗和服务业，真正改变普通人的工作方式。

欢迎大家关注 @huang_biwei AI 和机器人世界模型接下来会怎么发展。
AI 的下一站，正在进入真实世界。

[a股做空王 @kun2015167]

好

[Cheery @cheery9998]

首先恭喜Aether AI 创始人黄教授成功融资。她在因果发现和因果 AI 这个方向上，已经研究了 12 年。
从德国马普所，到 CMU 博士，再到 UCSD 助理教授，她一直研究一个问题：
AI 到底能不能真正理解世界背后的因果关系。

今年，她从学术界走出来，创办了 Aether AI。
她想做的事也很直接：给未来的机器人，做一个真正能理解物理世界的大脑。

过去这一轮 AI，已经很厉害了。
它会写文章，会生成图片，会写代码，会跟你聊天。
但它学到的很多东西，还是“什么和什么经常一起出现”。
比如你问它一个问题，它会根据概率，给出下一个最可能出现的答案。

在文字世界里，这已经足够惊艳。
可一旦进入物理世界，问题就变得很现实。
你让 AI 写错一句话，大不了改一下。
但你让一个机器人抓杯子，如果它只是觉得“手靠近杯子之后，杯子应该会动”，它可能手还没碰到杯子，杯子就被模型预测着“飞起来了”。
因为它学到的是画面里的关系，没有真正理解为什么杯子会动。

黄教授做的因果世界模型，想解决的就是这个问题。
让 AI 知道什么变量会影响结果，一个动作会带来什么后果，换个环境还能不能完成任务，这才是下一代 AI 的关键能力。

它不是背更多答案，而是理解世界背后的规律。
今天很多机器人演示很惊艳，但桌子高两厘米、物体换个位置、光线一变，就可能失败。因为它没有真正举一反三。

所以黄教授一直在提醒大家，下一代 AI 不能只靠堆数据、堆算力。真正重要的问题是：Scale What？你到底在放大什么？

如果放大的只是表面关系，模型再大，也未必理解真实世界。真正重要的是，让模型学到更深层的因果结构。
这件事离普通人并不远。大语言模型让我们拥有了数字助手，因果世界模型可能会让机器人拥有真正理解物理世界的大脑。

我关注它，不是因为参数多大、演示多炫，而是因为它可能让 AI 进入工厂、仓储、家庭、医疗和服务业，真正改变普通人的工作方式。

欢迎大家关注 @huang_biwei AI 和机器人世界模型接下来会怎么发展。
AI 的下一站，正在进入真实世界。

[a股做空王 @kun2015167]

@cheery9998 很好

[a股做空王 @kun2015167]

兄弟们，又可以白嫖 Claude 模型了 GitHub账号登入后直接送 100 美元+25美元额度 Claude Sonnet 4.5 / Opus 4.5 GPT-4o + GPT-4o-mini DeepSeek-V3 / R1 GLM-4.5、Gemini 2.0 Pro Cursor、 Claude Code 都能用 永久免费层：GLM-4.5 Air、DeepSeek（不扣额度） 注册 打开https://t.co/BZVXTOpn0v

[a股做空王 @kun2015167]

@AirdropAlchemis @SurfAI 金叔 内我

[a股做空王 @kun2015167]

@waveking1314 美股账户腰斩 80% 已经 麻木了哥

[a股做空王 @kun2015167]

@Ningqian6688 这是人认证完了吗 怎么显示进度还没完呢 护照识别了

[a股做空王 @kun2015167]

@0xJoveXu @laozhangisme u怎么换啊。不会充值

[a股做空王 @kun2015167]

@mizorewww 币安啊