李飛飛LeCun瘋狂加注！這匹中國黑馬，已在因果AI暗戰6年

新智元報道

【新智元導讀】全世界都在為世界模型瘋狂，底層密碼「因果」終于藏不住了！就在硅谷2026年才如夢初醒時，一家中國黑馬早已在無人區潛伏6年，把AI大模型的命門徹底打透。

沒想到，「世界模型」帶火了一個概念。

從李飛飛World Labs的50億估值，到LeCun出走創立AMI Labs的十億種子輪，再到谷歌Genie 3讓文本生成的世界第一次具備實時可交互、可導航的形態，世界模型正在成為AI下一階段的核心戰場。

如今，全球頂尖的人才與資本，幾乎在同一條賽道——「世界模型」上迅速集結。

這場集體押注的背后，是 AI 行業正在形成的新共識：下一階段的突破，不能只靠把模型做得更大、把數據喂得更多。

讓AI真正理解真實物理世界，僅靠語言層面的統計擬合已經不夠。

它需要從「預測下一個詞」走向「預測下一種狀態」，從「生成一個答案」走向「判斷一個行動可能帶來的后果」。

行業關心的，已經不只是「生成得像不像」，而是 AI 能否理解環境如何演化、行動會帶來什么變化。

破局的答案，就藏在「世界模型」最底層的兩個字里：因果。

就在大多數人開始大談特談「因果」時，一家中國公司，早已在這條人跡罕至的路上，默默跋涉了六年。

都2026了，全世界才為「因果」上頭

讀懂這場行業的集體轉身，需先看透LLM這幾年的真相。

過去三年，AI圈的信仰只有一個：更大的LLM=AGI。

這套敘事催生了一批估值驚人的獨角獸，也將「生成」二字捧為行業的絕對核心——

寫文章、做圖片、答問題、調工具，大模型似乎無所不能。

一旦切入真實商業場景，致命短板瞬間暴露：AI算得出用戶「說了什么」，卻根本不懂用戶「為何開口」。

撕開這層能力的外衣，其底層邏輯僅有四個字：統計相關。

在吞噬了海量數據后，模型學會了完美的經驗擬合，學會了「什么詞后面大概率跟什么詞」「什么人大概率會買單」。

相關性，當然有其不可替代的價值。

但這也是它被死死鎖住的天花板——只認得「伴隨出現」的軌跡，卻根本不懂「因果」科學的內核。

于是，整個行業開始向語言之外找答案。世界模型，就是這樣被推上臺前的。

但世界模型這個概念一旦被認真對待，一個避無可避的問題立刻浮出水面：到底什么叫「理解世界」？

答案，終究繞不開因果科學。

因為世界模型真正要解決的，從來都不只是把畫面生成得多逼真。它必須能回答一句話——「如果我這樣做，世界會怎樣」。

也就是說，它得能預測行動的后果、推演下一個狀態。

而「預測后果」這件事，恰恰就是因果的內核。

世界模型這股浪潮，等于一把將坐了幾十年學術冷板凳的「因果」科學，硬生生拽回了時代的聚光燈下。

而「因果」科學這套思想的源頭，是圖靈獎得主、貝葉斯網絡之父Judea Pearl。

他用一生論證一件事：機器學習與AI最難啃的骨頭，本質上都是因果問題。

Pearl把因果能力拆成著名的三級階梯——觀察（看到什么）、干預（做了會怎樣）、反事實（如果當時不這樣會怎樣）。

今天的通用大模型，并非完全不具備因果推理能力；但它們的核心訓練范式，仍主要建立在對海量觀察數據的統計學習之上。

它們可以在語言層面描述「為什么」，卻很難在復雜業務場景中穩定、可驗證地回答「做了會怎樣」以及「如果當時換一種做法會怎樣」。

世界模型真正提出的新要求，正是推動 AI 從「看見什么、生成什么」，進一步走向「如何干預、如何預測行動后果」。

所以，2026年世界模型的集體覺醒，本質上是整個行業終于被逼到了同一個認知臺階上：

AI不能只會「看見」和「生成」，它必須理解「為什么」，才能預測「行動的后果」。

只不過，這個臺階，一家中國公司已經站了6年。

有人已押注了六年

它叫，零犀科技。

2018年創立于北京，其核心團隊，脫胎于原百度人工智能團隊。

創始團隊憑借在AI領域深耕十余年的深厚積淀，他們成為國內最早一批探索大語言模型技術的先驅。

早在2020年，團隊便毅然踏上了一條當時鮮有人問津的賽道——因果AI。

由此，零犀完成了一系列在當時看來「太超前」、今天回看卻步步踩點的動作：

2022年WAIC上，零犀聯合中國通信工業協會人工智能專委會，主辦了「下一代可信AI——認知興起，因果探路」主題論壇。

他們將全球「因果AI」的最強大腦們聚在了同一張桌前，陣容堪稱豪華——

圖靈獎得主、貝葉斯網絡之父Judea Pearl，北大講席教授周曉華，重大教授劉禮悉數出席，國家科技部原副部長吳忠澤也在線發表致辭。

在那個連「大模型」都還是新詞的年份，零犀已在和全世界最懂因果的人討論「AI如何走向可信、可解釋」。

2024年，基于此前深厚的因果技術積淀，零犀完成了「因果AI與大模型融合」的核心專利申請，并同步啟動國際布局。

這意味著，在專利這個最講究「誰先誰后」的領域，它成為第一家將因果AI與大模型技術進行系統性結合的公司。

2025年底的一紙備案，為這條探索之路寫下了最硬核的官方注腳。

在網信辦的備案名單里，零犀這個大模型的官方名字，就叫「因果」大模型。

一家公司，敢于將一個前沿技術范式，直接作為大模型的官方備案名。這本身，就是一種極致的純粹。

六年時間，從冷板凳到主戰場。

零犀等來的不是運氣，而是一個判斷被時間驗證的過程。

當行業2026年才開始熱烈擁抱因果時，回過頭看，會發現這家公司的技術路線圖上，早已密密麻麻地寫滿了因果兩個字。

世界模型，不止物理世界

同樣是談「世界模型」，今天被推上風口的主流方向更多指向物理世界：

空間、物體、運動、道路、車輛、機器人，以及它們在行動介入后的狀態變化。

但如果把世界模型往底層拆，它真正關心的并不是「生成一個世界」本身，而是一個更本質的問題：

在一個系統中，狀態、行動與結果之間，究竟如何相互作用。

從這個角度看，物理世界只是世界模型的一種對象。

機器人向前邁出一步，周圍空間會如何變化；

自動駕駛做出一次轉向，道路、車輛與行人的狀態會如何重新排列——這是物理規律中的世界模型。

而零犀研究的，是另一類更非標、更復雜的世界模型——社會行為系統的世界模型。

在這個系統里，變量不再只是位置、速度、邊界和障礙物，而是人的意圖、信任、偏好、情緒、關系、約束與反饋。

一次交互之后，用戶的認知會如何變化；

一個策略介入之后，信任閾值是否被打開；

一次回應之后，風險偏好、決策路徑和后續行動會如何被重塑。

這些問題看似遠離機器人和自動駕駛，底層卻和世界模型追問的是同一句話：

如果我這樣做，接下來會發生什么？

所以，零犀走的是一條廣義世界模型路線：

不是去建模物體如何運動，而是去建模人如何理解、選擇與行動；

不是去推演物理環境的狀態轉移，而是去推演社會行為系統中的因果變化。

對象不同，底層命題卻相同：理解原因，預測后果，優化行動。

也正因此，當世界模型成為全球AI的核心戰場時，零犀過去六年押注的方向，突然獲得了一個更大的時代坐標：

下一代AI的競爭，不只是生成能力的競爭，而是世界建模能力的競爭。

而這個「世界」，既包括物理世界，也包括由人、關系、信任、偏好和決策共同構成的社會行為世界。

把「社會行為世界模型」，裝進 LLM 里

零犀自研的「因果大模型」正是對這一方向的具體落地。

它并不是簡單讓大模型「更會說話」，而是試圖把一套更底層的推演框架裝進LLM：

一個人為什么產生某種意圖，一次交互會如何改變認知，一種策略會怎樣影響信任、偏好、風險判斷與后續行動。

傳統大模型的優勢，是從海量數據中學習語言、知識與模式。

它能判斷「什么樣的表達更自然」「什么樣的回應更像正確答案」，也能在大量歷史樣本中捕捉到穩定的統計規律。

但在復雜的社會行為場景里，僅有這種能力還不夠，因為真正關鍵的問題往往不是「下一句話怎么接」，而是：

這樣接的原因是什么？會造成什么影響？

這正是零犀因果大模型往下再挖的一層。

它試圖建模的，不只是表層關聯，而是現象背后的生成機制、作用路徑與干預效應：

哪些變量正在影響當前狀態，哪一種行動可能改變結果，最終輸出又應該如何被事實、規則和合規約束校驗。

在零犀的框架里，這條鏈可以拆成三步：

「因」：從對話、語音、圖像、用戶狀態、歷史行為和上下文中抽取信息，識別真實意圖、關鍵約束與潛在風險。

「干預」：基于這些變量關系，生成可能改變結果的行動策略，例如進一步探詢、澄清誤解、降低不確定性、調整表達路徑、補充關鍵信息，或推進下一步動作。

「果」：將策略落地為具體回復、任務動作或執行方案，并經過事實校驗、規則約束、合規審查與多候選重排，輸出更穩妥的結果。

圍繞這條推演鏈，零犀搭建了一套過程反饋機制。

它不只看最終結果好不好，而是把中間過程拆成多個可評估節點：

意圖識別是否準確，關鍵變量是否抓住，策略選擇是否合理，風險判斷是否充分，話術是否合規，下一步行動是否清晰。

這些中間信號會進入過程獎勵模型，對模型的推理路徑進行持續校準。再結合真實反饋與強化學習，模型可以不斷優化從「識別原因」到「生成策略」再到「執行動作」的完整鏈路。

換句話說，零犀不是讓LLM只在語言層面模仿專家，而是把專家判斷中可拆解、可評估、可迭代的部分，沉淀成模型可以學習的過程信號。

直白講，通用大模型更擅長基于上下文生成「下一句合適的話」，而零犀的因果大模型則進一步追問：為什么應該這樣回應，這種回應會帶來什么變化，以及有沒有更優的行動路徑。

Judea Pearl把因果能力拆成的三級階梯（觀察、干預、反事實），而零犀因果大模型的能力體系，正是沿著這三級構建的：

• L1關聯：基于行業知識圖譜，識別業務變量之間真正的關鍵影響因素，建立因果鏈路，實現從「識別現象」升級為「理解原因」的躍遷；

• L2干預：不止于預測結果，而是基于因果判斷動態生成策略，主動干預業務過程，比如需求挖掘、異議處理、路徑優化，把「預測結果」升級為「影響結果」；

• L3反事實：在真實結果反饋后復盤「如果當時換一種打法，會不會更好」，用反事實推演持續自我優化。

這套機制的價值，也不只體現在最終答案上。

在內部測試和真實任務復盤中，差異更明顯地體現在幾個過程環節：關鍵變量能否被準確抓住，策略生成是否有依據，多輪交互中是否容易跑偏，輸出結果能否被追溯和修正。

相比只看最終結果，零犀更關注過程是否可解釋、干預是否有依據、反饋是否能被用于下一輪優化。

三層架構：把因果閉環變成工程系統

L1到L3是能力抽象，零犀把這套能力組織成一個閉環：

軌跡記錄 → 因果歸因 → 候選干預 → 結果驗證 → 選擇提交 / 回滾。

這套工程架構，可以拆成三層。

底層：軌跡與證據，回答「發生了什么」

社會行為系統里的因果判斷，不能憑模型一句解釋就成立，它首先需要一條完整軌跡。

一次任務從輸入開始，系統會記錄用戶狀態、上下文信息、交互過程、模型動作、工具調用、約束命中、輸出結果和反饋信號。

這些軌跡不是普通日志，而是后續因果分析的基礎，因為只有先知道「發生了什么」，才可能進一步判斷：

哪些變量真正影響了結果，哪些只是伴隨出現，哪些步驟可能造成了偏差。

在這一層，零犀要解決的不是「讓AI永遠不幻覺」，而是讓AI的關鍵判斷有證據、有來源、有過程記錄。

它不再只輸出一個看似合理的答案，而是留下可復盤的狀態鏈：

輸入狀態是什么，系統采取了什么動作，動作之后產生了什么結果。

這對應Pearl因果階梯中的第一層「觀察」。

但不止于觀察，而是為下一層「歸因」做準備。

中層：因果歸因與候選干預，回答「為什么發生」

只有軌跡還不夠，真正關鍵的是歸因。

任務成功，是因為識別對了真實意圖，還是因為策略路徑更合理？

任務失敗，是因為信息不足，還是判斷錯了關鍵變量，抑或干預方式不合適？

一個輸出看似正確，是因為真的抓住了原因，還是只是碰巧匹配了歷史模式？

零犀會把任務軌跡轉化為證據，再對證據做歸因分析。

例如對結果貢獻最大的因素、造成風險的步驟、值得保留的決策節點等。

這里的「歸因」，不是簡單打分，而是把結果拆回到原因鏈上。

在此基礎上，系統會生成候選干預。

所謂干預，就是對系統能力做有邊界的調整，并不是讓模型隨意自改。

而是在明確邊界內，對影響結果的能力變量進行有控制的調整。

這些干預大致可以發生在三個層面：

第一類，是認知與表達層面的干預。

比如調整Prompt、補充上下文、更新Memory，讓模型更準確地理解任務意圖、用戶偏好和場景約束，減少「答得像但沒答到點上」的情況。

第二類，是策略與執行層面的干預。

在這一層，系統會增強某類Skill、優化Workflow、調整Tool Policy，讓模型在面對復雜任務時，不只是生成一句回復，而是能選擇更合理的行動路徑、調用更合適的工具，并按照更穩妥的步驟推進任務。

第三類，是驗證與安全層面的干預。

通過補充Eval Suite、適配特定場景的Adapter，或修正Runtime中的權限、成本與安全策略，讓每一次能力變化都能被評測、被約束、被回滾，而不是變成不可控的黑箱自改。

因此，Prompt、Memory、Skill、Tool Policy、Workflow、Eval Suite、Adapter、Runtime等模塊，在零犀的因果框架里并不是孤立的工程組件。

而是一組可被識別、可被調整、可被驗證的「干預載體」。

它們共同服務于同一個目標：

改變系統中的某個能力變量，觀察它是否真的改善了結果。

這對應Pearl用過階梯的第二層「干預」

零犀不只是問「結果會怎樣」，而是進一步問：

如果我改變某個策略、流程或能力組件，結果會不會變好。

上層：驗證與反事實選擇，回答「哪種做法更優」

候選干預生成之后，并不能直接進入系統。在社會行為系統中，優化不能只看單一指標。

某個策略可能提升短期效果，卻帶來更高風險；

某種表達可能更有說服力，卻模糊了合規邊界；

某個流程可能提高效率，卻影響長期穩定性；

某項新能力可能改善當前任務，卻造成原有能力退化。

因此，零犀構建了一套多目標驗證機制，對候選干預進行綜合評估。

這套機制不只判斷任務是否完成，還會同時評估結果質量、過程合理性、策略新穎性、能力保持、事實一致性、成本控制、風險邊界與能力漂移等多個維度。

在具體實現上，ORM負責評估最終結果，PRM負責評估中間過程，Novelty判斷新策略是否具備有效探索價值，Retain檢查原有能力是否被破壞，Verification驗證事實與外部證據，Constraints約束安全、權限、隱私與成本，Drift檢測能力分布是否發生異常偏移。

只有當候選干預在多項維度上通過驗證，并且沒有突破風險、成本與安全邊界時，才會被提交進入后續固化流程；

否則，系統會選擇回滾或重新生成方案。

這一步對應Pearl階梯的第三層「反事實」。

系統不是簡單選擇「當前分數最高」的答案，而是在多個可能路徑之間進行比較：

保持原有策略會產生怎樣的結果，采用不同干預方案又會帶來怎樣的收益、風險與長期影響。

也就是說，零犀的自優化并是一套受控的因果實驗系統。

每一次能力變化，都需要完成原因識別、候選干預、結果驗證和路徑比較，最終形成一個因果驅動的行動閉環。

把三層連起來看，零犀的工程架構不是簡單的多Agent拼裝，也不是普通的任務自動化，而是一套因果驅動的行動閉環。

在這個閉環中，系統先觀察狀態、記錄軌跡，再基于任務證據完成歸因分析，識別影響結果的關鍵變量；隨后生成有邊界的候選干預，對策略、流程或能力組件進行調整；最后通過多目標驗證與反事實比較，決定是否提交固化，或在未通過驗證時回滾。

這意味著，AI不再只依賴一次性的語言生成。

而是把每一次真實任務都轉化為下一次優化的因果樣本。

在物理世界模型中，AI學習的是一個動作之后空間、物體和環境的變化。

而在零犀的社會行為系統世界模型中，AI學習的是一次交互之后人的認知、信任、偏好和行動的變化。

二者底層問題相同：

給定一個狀態，采取一個行動，預測一個結果；

如果結果不理想，再通過反事實復盤找到更好的行動。

這就是零犀因果大模型的工程核心。

它不是給LLM外面套一層規則，也不是讓Agent機械執行流程，而是把「因 → 干預 → 果 → 反事實」的因果鏈，變成模型可以持續運行、持續驗證、持續進化的系統。

跑通一個閉環，價值兌現了

技術走到最后，總要回答一個問題：它能不能兌現成真實的業務結果。

零犀把上面這套能力，組織成一套以因果大模型為底座的Agentic Sales多智能體體系，讓「理解為什么」這件事真正嵌進業務里持續運轉，而非停在演示層。

下一代商業AI，是因果科學驅動的

回到最初的問題，「世界模型」為什么會火？

因為行業終于意識到，AI的下一步已經不再是生成得更流暢那么簡單——真正的分水嶺，是理解得更深、影響得更準。

這個轉向，用一個詞概括，就是從「相關性」走向「因果性」。

對大多數公司而言，這是2026年才到來的新命題。對零犀而言，這是它2020年就寫在起跑線上的答案。

商業世界的每一次增長，背后都藏著一條因果鏈：由一連串需求、行為、策略和反饋共同作用形成。

誰能理解這條鏈，誰就能優化結果；誰能持續優化結果，誰就能真正創造商業價值。

當世界終于開始為「因果」上頭時，零犀早已把這條路，走成了別人還在找的地圖。

六年前那個看起來「太超前」的賭注，正在2026年，被整個行業反復驗證。