嚯！35家大型央国企实测后，因果世界模型落地了

嚯！35家大型央国企实测后，因果世界模型落地了

林方舟 发自 凹非寺

量子位 | 公众号 QbitAI

眼下，AI能帮人写稿、编程、生成视频，但离真正进入企业工作流、解决实际问题，经常还差一口气。

特别是能源、制造、工业、医药这些高价值行业，企业需要的并不是只会依照现有数据来生成内容的AI工具，而是一套能支撑生产调度、安全管控、风险研判和复杂方案决策的可靠智能系统。

少有产品能满足这些需求。

WAIC期间，中数睿智发布了“AI for Reasoning”因果智能体系，针对的就是这些痛点。

比如油气钻井的井控场景，井下压力和流量突然不对劲，系统不只是输出一句“存在风险”，而是能沿因果链定位病因，并推演多条干预路径：不处置会怎样？立即关井会怎样？延迟处置能撑多久、代价是什么？辅助企业在事故发生前做出最优决策。

发布会上还同步发布了《因果世界模型技术体系蓝皮书》，内容涵盖了很多中数睿智公司对AI在复杂场景产业落地的思考与实践，值得一读。

成立于2020年的中数睿智，长期深耕企业级复杂智能决策赛道，客户以大型央国企为主，积累了大量油气、电力、制造、金融等领域的行业know-how。

AI进了企业，却没进决策室

AI在企业里的渗透速度很快，真正转化成利润的速度却没跟上。

《蓝皮书》援引麦肯锡《2025年人工智能现状》报告的数据：88%的受访企业已经在至少一项业务中使用AI，但实现可衡量利润贡献的企业只占39%。

MIT NANDA发布的《生成式AI鸿沟》给出另一个数字：企业级生成式AI项目的落地转化率只有5%。

一头是接近九成的使用率，另一头是个位数的规模化转化率。差距不在“用没用”，而在“用在哪”。

现在企业里的AI，主要还在写材料、做PPT、写代码和当客服。

但真正的核心决策，如设备转速设多少、订单报什么价格、交易该不该放行、油井要不要立即关停，仍由人来拍板。

原因也不难理解。写错一封邮件，最多需要人工改一遍；但在钻井井控、电力调度、危化品生产或金融风控中给出错误建议，代价可能是设备停摆、生产事故和合规风险。

按照《蓝皮书》的归纳，现有智能体在企业关键决策中主要存在五项短板：

- 事实幻觉：模型生成的是概率上合理的答案，但并不天然理解答案是真是假，在零容错的生产环境里，一次幻觉就可能酿成事故；

- 重描述、轻推演：模型说不清结论背后的业务链条，但工业现场经常变化，历史有效的处理方式可能立即失效；

- 缺乏时序维度：模型知道有风险，却说不清风险几天后会演化到什么程度，预警变成了“正确的废话”；

- 事前不可验证：干预效果无法提前推演，代价只能事后承担，责任人无法在动手前确认建议的依据，自然不会把决策权交出去；

- 规则不断堆叠：企业通常把制度、流程和限制条件不断塞进提示词，规则开始互相冲突，模型的注意力也被稀释。

五项短板看似各不相同，背后指向同一个病根：现有AI擅长从大量数据中学习相关性，却缺少一张包含因果机制、时序演化与干预后果的世界图景。

中数睿智把这张图称作“因果世界模型”。

给“因果之梯”装上动态底座

因果推理并非新概念。

2011年图灵奖得主朱迪亚·珀尔提出过“因果之梯”，把因果认知分成三个递进的层级，大致对应人的“看、做、想象”。

第一级是关联，回答“什么和什么同时出现”。

第二级是干预，回答“主动改变一个变量后会发生什么”。

第三级是反事实，回答“如果当初换一种做法，结果会不会不同”。

例如，天气炎热时，冰淇淋销量和溺水人数都会上升。停在第一级的系统可以发现两组数据强相关，但并不明白，真正同时影响两者的是高温天气。

到了第二级，系统需要判断增加救生员、限制下水人数等主动干预会产生什么结果。

第三级还要再往前一步，回答“如果当时增加了救生员，原本的事故是否可以避免”。

按这把梯子衡量，当前的大模型、RAG等技术都还站在底层关联的台阶上，而企业的核心决策，全部发生在中高层。

既然理论早已有了，因果推理为什么一直没有在产业界规模化落地？

按照珀尔的框架，先要建构一张因果图，图上标出变量之间如何影响，箭头指向哪里。构建这张复杂的因果图往往要耗时数月。

然而，图画完的那一刻，就开始过时。世界在变、规程在改、新设备在上线，一张固定不变的因果图会逐渐落后于现实。

因此，中数睿智提出了“元因果”概念。