来自布朗大学和麻省理工学院等机构的研究人员提出了一种新颖的因果推理框架，使机器人能够创造性地使用工具，即识别并利用工具完成其预设功能之外的任务。该研究以预印本形式发表于arXiv平台（arXiv:2605.05411），目前正在审稿中。论文作者包括M. Tuluhan Akbulut、Varun Satheesh、Ahmed Jaafar等八位研究者。
传统机器人通常依赖预设的工具使用方式，难以应对需要灵活变通的情境。例如，当需要够到远处物体时，机器人可能只能使用专门设计的抓取器，而不会想到用一根随手可得的棍子。新框架的核心在于让机器人理解“为什么”某个工具适用于某项任务，即发现工具与任务之间的因果关系。
具体来说，系统首先在基于物理的动力学模型中进行模拟实验，探索不同工具与任务目标之间的因果联系。因果发现过程被分解为两个互补部分：一是利用视觉语言模型（VLM）提出可能影响任务成败的关键特征，二是通过有针对性的几何和物理特征扰动生成反事实工具实例。例如，系统可能发现“长度”是够取物体的关键属性，那么它会通过修改长度生成不同的虚拟工具并测试其效果。
识别出关键因果特征后，机器人可以对环境中出现的新物体进行分类，判断它们是否具备所需特征。然后，通过基于关键点匹配的迁移学习方法，机器人能够将已有的工具使用技能应用于新物体。由于整个推理过程建立在动力学模型的物理模拟之上，工具的选择和使用都扎根于真实的物理规律，从而确保了操作的可靠性。
研究者在三个典型任务上验证了该框架：用不同长度的棍子够到远处的物体、用多种工具从碗中舀取糖果、以及用不同尺寸的箱子或板条箱作为垫脚台来获取高架上的物品。与基线方法相比，该框架在工具选择的可靠性以及技能迁移的关键点匹配强度上均表现出显著优势。实验结果表明，基于因果特征的物理属性识别能够有效提升工具选择准确率和技能迁移成功率。
这项工作为机器人自主决策和灵活操作提供了新思路，有望在家庭服务、工业制造和灾难响应等需要适应性的场景中发挥重要作用。未来，研究团队计划进一步扩展框架，使其能够处理更复杂的多步任务和动态环境。