打开网易新闻 查看精彩图片

具身赛道迎来因果推理方向的学术明星。

作者丨张 贤

编辑丨高景辉

AI科技评论独家获悉，CMU博士、UCSD助理教授黄碧薇（Biwei Huang）已正式创业成立公司——上海原识之智科技有限公司，切入具身智能基础层相关的因果推理方向。（本文作者长期关注机器人&具身智能赛道，添加微信交流：zhangxian2021）

打开网易新闻 查看精彩图片

01

黄碧薇是谁？

公开信息显示，黄碧薇于2022年在卡内基梅隆大学（CMU）获得博士学位，主要研究包括因果发现与推断、因果赋能的机器学习/人工智能和基础模型、白盒逻辑学习模型、图形用户界面代理、世界模型和 VLA 模型等方向。

打开网易新闻 查看精彩图片

黄碧薇师从美国卡内基梅隆大学以及阿联酋 MBZUAI 的张坤教授与Clark Glymour教授，目前在UCSD（加州大学圣地亚哥分校）担任助理教授，在HDSI（Halıcıoğlu数据科学研究所）从事研究工作。

黄碧薇是因果推理领域的知名学者，2021年入选苹果学者（Apple Scholars）。2025年7月，其团队还推出了自主因果分析智能体Causal-Copilot，集成了20余种先进因果算法，在部分基准上优于GPT-4o。

02

为什么是"因果推理"？

当下的行业现状是，大语言模型在符号世界中游刃有余，而机器人却仍在"相关性"层面打转，无法真正理解"为什么"。数据分布一旦发生变化，模型就傻了。

例如，让分拣机器人学会将"红色方形物体→放左边箱子"，靠的是训练数据中红色方形恰好是要分类的物品——但它完全不理解"形状"和"颜色"哪个才是真正影响分拣的因果特征，一旦换成蓝色方形可能会彻底懵掉——这些问题背后都指向同一个原因：缺乏因果推理能力。

具体来说，具身智能面临的因果推理挑战集中在三个层面：

其一，时序数据的因果发现问题。 从一串连续变化的数据——机器人运动轨迹、物体运动状态、传感器时序信号中，自动找出变量之间是谁影响谁，从而掌握变量之间的因果关系。

其二，非稳态下的因果学习问题。比如在物理环境数据分布发生变化时，如光照、物理形变、场景、摩擦力等条件发生变化时，依然能找到变量之间的因果关系。

其三，可迁移、可泛化的因果机制。 一个在实验室环境训练的机器人，能否将在"桌面抓取"任务上学到的因果关系，迁移到"厨房操作"？跨任务、跨场景的因果知识迁移，是具身智能从"特种兵"走向通用化的关键台阶。

目前，业界已逐渐形成共识：能否实现物理因果推理，是具身智能发展的关键分水岭。 而黄碧薇在因果推理领域的长期学术积累，恰好为这一技术方向提供了扎实的学术支撑。

据了解，目前原识之智项目已获顺为资本的早期投资，AI 科技评论将进一步关注该项目的最新进展。（更多具身智能行业信息，欢迎添加编辑微信 Ariadusty 互通有无）

打开网易新闻 查看精彩图片

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。