Aether AI baut „kausale Weltmodelle“ für Roboter: Systeme, die über Ursache und Wirkung schlussfolgern sollen, statt statistische Muster zu erkennen.
Maschinen, die die Mechanismen hinter Ereignissen begreifen – kausale Weltmodelle, die darüber schlussfolgern, was geschehen würde, bevor sie handeln –, werden bei physischer KI bloße Skalierung übertreffen.
20 Mio. $ Seed-Runde unter der Führung von MPCi, mit Beteiligung von Inno Angel Fund, SWC Global und Unity Ventures
Gründerin Biwei Huang ist Assistenzprofessorin an der UC San Diego und ein bekannter Name in der Kausalitätsentdeckung – Schöpferin der Open-Source-Werkzeuge Causal-Learn und Causal-Copilot, mit zahlreichen Veröffentlichungen auf den führenden Konferenzen des Feldes. Aether nennt zudem Judea Pearl und Bernhard Schölkopf unter den Unterstützern seiner Arbeit.
Das langfristige Ziel ist ein einziges „kausales Gehirn“, das viele Arten von Robotern steuern könnte – ein umkämpftes Vorhaben, bei dem die Weltmodelle von Google DeepMind und das 10 Mrd. $ schwere Physical-AI-Labor von Jeff Bezos dasselbe Ziel verfolgen. Das Unternehmen sagt, sein Ansatz mache KI zuverlässiger und deutlich weniger datenhungrig.
Eine gegenläufige These in der Seed-Phase, gerichtet auf die zentrale Debatte des Feldes: Korrelation versus Kausalität.
Die Glaubwürdigkeit der Gründerin ist überprüfbar – Open-Source-Werkzeuge zur Kausalitätsentdeckung und Veröffentlichungen auf führenden Konferenzen.
Der Einstieg behält die Vorbehalte bei: selbst berichtete Ergebnisse, ein umkämpftes Feld, unkonventionelle Geldgeber.
Wenn ein Feld sich auf eine Orthodoxie zubewegt, lohnt es sich, einen glaubwürdigen Außenseiter zu verfolgen, der auf das Gegenteil setzt – selbst mit einem Bruchteil des Kapitals.
Zum Stand des Berichts vom Juni 2026 baute Aether auf ein einziges „kausales Gehirn“ für viele Arten von Robotern hin, mit frühen Ergebnissen, die eigene sind und nicht von Fachleuten begutachtet wurden.
DEN BELEGEN FOLGEN
Die Quellen
- Aether AI raised $20M to teach robots cause and effect instead of pattern-matching The Next Web · thenextweb.com ·