姓名译音为张碧薇（Biwei Zhang）的女子，是一名拥有经济学背景的系统工程师。 她的履历显示，她曾在加拿大航天局与统计局工作。 张碧薇的履历及公开信息，与比利时检察部提供的资料高度吻合。检方将她描述为一名华裔加拿大国民，曾在位于比利时蒙斯（Mons） 的北约军事总部——欧洲盟军最高司令部（SHAPE）担任实习生。

最近加拿大华裔女子张碧薇(biwei) 因涉嫌为中共刺探北约情报,而在比利时被抓捕 加拿大媒体最近天天头条都是对这个人的调查 当然加拿大政府也很扯淡,在她加入北约前 做了六个月背景调查,没调查出来是中共的人 我之前说海外的中共间谍是无处不在,大外宣,间谍 而这些人泛滥,带来的结果是什么呢? 就是以后华人都被排斥 这个张碧薇事件之后,华裔再加入北约的难度估计要上升一个层级 加拿大政府以后对于华裔参与核心议题的审查也会加强 今天华人不出来反对这种外宣,间谍,明天就只能看着各国安全审查加强 海外华人反对中共间谍,一定程度上是在保护自己的权益

恭喜 Aether AI 喜获投资。Aether AI 由 UCSD 助理教授黄碧薇创立。黄教授@huang_biwei深耕因果 AI 领域 12 年，是 Causal-Learn 作者，发表过 100+ 篇顶会论文，并曾获 Apple Scholar。 过去几年，AI 行业默认相信：模型越大、数据越多、算力越强，智能就会继续进步。这套方法在语言模型上很成功。但当 AI 走向物理世界，问题就复杂了。 文字说错了可以改，机器人抓空一次，杯子可能就碎了。桌面高两厘米，光线、材质、角度一变，任务都可能失败。 所以具身智能真正需要的，不只是识别画面，而是理解物理世界如何变化。 现在很多 AI 模型学的是相关性：什么词后面接什么词，什么画面后面出现什么画面，什么动作后面大概率出现什么结果。这在文本、图像、视频里有效。 但机器人要判断的是：手有没有碰到杯子，摩擦力够不够，重心会不会变，继续动作会不会摔。 它真正要知道的是：如果我现在动一下，世界接下来会怎样？ 这就是因果问题。 因果大模型关注的，不只是预测下一个状态，而是理解变量之间如何相互影响。 改变一个动作，结果会怎样？换个环境，技能还能不能迁移？如果没有执行这个动作，另一种结果会不会发生？ 这些能力，对 Physical AI 很关键。因为真实世界不可能被训练数据完全覆盖。机器人不可能提前见过所有桌面高度、物体材质、失败姿态和真实环境。 只记住过去见过的模式，很难稳定工作。理解背后的因果结构，才有机会举一反三。 这也是 Aether AI 正在探索的方向：以因果世界模型为核心，打造下一代机器人大脑。 过去一年，“世界模型”很热。视频生成模型能生成连续画面，空间智能模型能理解三维结构。 但机器人还需要更进一步：和物理世界交互，处理接触、碰撞、摩擦、重心和反馈，在变化的环境里完成任务。 所以世界模型不能只停留在画面和空间结构上，还要进入因果推演：理解动作为什么导致结果，变量变化后系统如何演化，失败背后真正影响结果的因素是什么。 只有这样，机器人才能从“看起来会做事”，走向“真的能做事”。 大语言模型成功之后，Scaling Law 成了很多人的信仰。但在具身智能里，更重要的问题是： Scale What？你到底在放大什么？ 如果只是采集更多遥操数据、堆更多视频、买更多算力，未必能解决泛化问题。真正重要的是，模型能不能从同样的数据里抽取更深层的信息。 同样的数据，相关性模型看到的是表层模式，因果模型要挖的是背后的结构。 Aether AI 的短期目标，是打造一个能够跨本体、跨任务、跨环境泛化的机器人大脑，服务机器人本体厂商，以及工厂、仓储物流、家居、医疗健康等真实场景。 这家公司做的，不是简单给机器人接入一个语言模型，而是从算法、模型到系统层面，构建一套以因果智能为核心的新范式。 过去这一波 AI，让机器学会了生成语言、图像和代码。下一阶段，AI 要面对更难的问题：理解世界如何运转。 当 AI 进入机器人、科学发现、生物医药、新材料这些领域，它必须处理变量、干预、反馈和反事实推理。 这些问题，天然指向因果。 因果大模型值得关注，不只是因为它是一个新概念。它可能代表 AI 从“学习已有数据”，走向“理解世界机制”的一次范式变化。 如果说大语言模型打开了数字世界里的智能入口，那么因果世界模型，正在尝试打开物理世界里的下一扇门。 Aether AI 官网：

最近电脑硬件走势很猛，而币圈最不可缺的就是电脑了，就想做一个电脑硬件定制网站。 用户可以根据预算自由搭配配置，AI 推荐整机方案，还能实时查看 CPU、显卡、内存等硬件价格走势，觉得价格合适直接下单。 刚好刷到不少人在体验 @dappOS_com 的新功能 xBubble Coding，我也去试了一下。 我直接把需求告诉 AI，10分钟后，一个完整的页面就出来了。 不得不说，这个功能是真的强大，以前一个人做项目，最头疼的往往不是开发，而是开发之后的一堆事情。 服务器怎么部署？域名怎么买？各种接口怎么配置？上线之后怎么收款？宣传素材谁来做？这些零零散散的问题，会消耗掉大量时间 但是这些东西 dappos都能用他成熟的SOP 系统可以直接把页面制作、内容生成，到后续部署、稳定币支付、商业化，这些都能一键完成，而且还会持续生成全新的专用 SOP ，让个人和小团队可以更快去适应不同场景，而不是一直重复造轮子。 目前我做的网站还只是一个很基础的版本，还有很多可以完善的地方，如果全部完善那我不就是能成为一人公司，所以 dappos 给我的感觉，更像是在帮一个 OPC搭建一整套创业流程。 过去只有团队才能做的事情，现在开始可以由一个人完成，那不是人人都可以创业了，第一次觉得，一个人真的有机会把脑子里的想法，以很低的成本快速验证，并最终做成一门真正的生意。

这两年世界模型（World Models）是 AI 里最烧钱的赛道之一，想做机器人、想让 AI 真正走进物理世界的，基本都绕不开它。但你只要多看几个 Demo 就会发现一个通病：这些模型很会“看”——画面能生成得足够逼真，几乎骗得过眼睛；可你真让它回答“我现在动这一下、接下来会连锁出什么”，它常常就卡住了。 说白了，它们学的多半是“相关”——什么和什么经常一起出现、下一帧大概长什么样。在屏幕里写写画画、生成视频，这套绰绰有余；可真实世界是要“动手”的，光知道相关、不懂因果，环境稍微一变就掉链子（它记住的是答案，没记住答案背后的道理，换一道题就露馅）。 一个真正顶用的世界模型，得能在动手前先把事情“想一遍”：它推这一下、抓那一把，会引出什么后果？换种做法，结果又会不会不同？这种“先设想、再验证”的本事，跟数据喂得多不多关系不大，关键在懂不懂因果。 Aether 这次融资要补的，正是世界模型最缺的这块。他们把这条路线叫因果世界模型（Causal World Models），也是全球第一家拿因果当核心架构来做的公司：让模型先把“这么做会怎样”推演明白再决定动作，做错了能顺着结果回头改自己，不用每次推倒重来。 在他们看来，这可能就是 AI 下一代的范式——世界模型从“相关”走到“因果”。这条路好不好走？我老实说，不好走，因果一直是 AI 里最难啃的骨头之一，难到不少人宁可绕开它、继续卷参数。但越是这种硬骨头，越值得有人正经啃一回。能不能成我不敢打包票，可这个方向本身，我觉得值得长期盯着。 公司由黄碧薇 @huang_biwei 创立，她在因果这块磨了整整 12 年——UCSD 助理教授，Causal-Learn 作者之一，百余篇顶会论文，还入选过 Apple Scholar。对世界模型、对这个新范式感兴趣的，可以去看看： @huang_biwei ｜