Aether AI 展示因果智能机器人系统 CRIS-0，让机器人随机应变

冲咖啡、整理客厅，对今天的机器人已不算陌生。真正棘手的是执行途中条件被改变：咖啡袋被人挪走，关微波炉门时突然伸进一只手。传统端到端模型主要学习从视觉输入到动作输出的映射，连续任务则进一步要求系统持续理解和管理任务状态。

Aether AI 展示的因果驱动机器人智能系统 CRIS-0，给出的答案是把任务状态放在系统设计中心。这里的任务状态不是对当前画面的简单描述，而是决定下一步行动能否成立的一组相关条件——咖啡袋的位置、物体是否抓稳、门边是否有人，都可能改变后续动作；画面中其他无关变化，则不一定需要打断任务。

这一取向的增量在于：机器人不只要知道如何完成一个动作，还要知道当前阶段依赖哪些条件，并根据执行结果更新这些条件。CRIS-0 把这些判断放进同一套运行循环，试图让连续任务中的调整有据可循。

CRIS-0 以任务状态为共同依据，协调世界模型、动作策略和验证工具，并据此判断动作是否继续、重试或回退。规划器把任务划分为可观察、可验证的阶段，给每一阶段设置完成条件和参考工具，逐步形成任务图；任务图记录阶段之间的转移关系，也为失败后的回退提供路径。

在预测一侧，CRIS-0 引入公司自研的因果世界模型（Causal World Model），先预测与任务有关的状态如何变化，再据此表征行动后的结果。Aether AI 还为系统加入生成动作的模块，与世界模型共享表示，两者共同构成策略模型（Policy model）。

在执行一侧，CRIS-0 通过统一工具接口，把规则函数、策略模型、导航工具和验证器交给规划器调用，工具选择取决于任务进行到哪一步以及该阶段需满足什么条件。每个阶段结束后，验证器检查结果是否达到预设条件，规划器再决定继续、重试或回退。

团队还设计了状态转移循环（Structured State Transition Loop），记录成功与失败的尝试，并把有效的恢复路径纳入任务图，供相似阶段再次调用。这套设计的意图是让失败恢复有明确的起点，而不是在端到端模型里无从追溯。