來自布朗大學和麻省理工學院等機構的研究人員提出了一種新穎的因果推理框架，使機器人能夠創造性地使用工具，即識別並利用工具完成其預設功能之外的任務。該研究以預印本形式發表於arXiv平臺（arXiv:2605.05411），目前正在審稿中。論文作者包括M. Tuluhan Akbulut、Varun Satheesh、Ahmed Jaafar等八位研究者。
傳統機器人通常依賴預設的工具使用方式，難以應對需要靈活變通的情境。例如，當需要夠到遠處物體時，機器人可能只能使用專門設計的抓取器，而不會想到用一根隨手可得的棍子。新框架的核心在於讓機器人理解“為什麼”某個工具適用於某項任務，即發現工具與任務之間的因果關係。
具體來說，系統首先在基於物理的動力學模型中進行模擬實驗，探索不同工具與任務目標之間的因果聯絡。因果發現過程被分解為兩個互補部分：一是利用視覺語言模型（VLM）提出可能影響任務成敗的關鍵特徵，二是透過有針對性的幾何和物理特徵擾動生成反事實工具例項。例如，系統可能發現“長度”是夠取物體的關鍵屬性，那麼它會透過修改長度生成不同的虛擬工具並測試其效果。
識別出關鍵因果特徵後，機器人可以對環境中出現的新物體進行分類，判斷它們是否具備所需特徵。然後，透過基於關鍵點匹配的遷移學習方法，機器人能夠將已有的工具使用技能應用於新物體。由於整個推理過程建立在動力學模型的物理模擬之上，工具的選擇和使用都紮根於真實的物理規律，從而確保了操作的可靠性。
研究者在三個典型任務上驗證了該框架：用不同長度的棍子夠到遠處的物體、用多種工具從碗中舀取糖果、以及用不同尺寸的箱子或板條箱作為墊腳臺來獲取高架上的物品。與基線方法相比，該框架在工具選擇的可靠性以及技能遷移的關鍵點匹配強度上均表現出顯著優勢。實驗結果表明，基於因果特徵的物理屬性識別能夠有效提升工具選擇準確率和技能遷移成功率。
這項工作為機器人自主決策和靈活操作提供了新思路，有望在家庭服務、工業製造和災難響應等需要適應性的場景中發揮重要作用。未來，研究團隊計劃進一步擴充套件框架，使其能夠處理更復雜的多步任務和動態環境。