嚯！35家大型央國企實測后，因果世界模型落地了

林方舟 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

眼下，AI能幫人寫稿、編程、生成視頻，但離真正進(jìn)入企業(yè)工作流、解決實際問題，經(jīng)常還差一口氣。

特別是能源、制造、工業(yè)、醫(yī)藥這些高價值行業(yè)，企業(yè)需要的并不是只會依照現(xiàn)有數(shù)據(jù)來生成內(nèi)容的AI工具，而是一套能支撐生產(chǎn)調(diào)度、安全管控、風(fēng)險研判和復(fù)雜方案決策的可靠智能系統(tǒng)。

少有產(chǎn)品能滿足這些需求。

WAIC期間，中數(shù)睿智發(fā)布了“AI for Reasoning”因果智能體系，針對的就是這些痛點。

比如油氣鉆井的井控場景，井下壓力和流量突然不對勁，系統(tǒng)不只是輸出一句“存在風(fēng)險”，而是能沿因果鏈定位病因，并推演多條干預(yù)路徑：不處置會怎樣？立即關(guān)井會怎樣？延遲處置能撐多久、代價是什么？輔助企業(yè)在事故發(fā)生前做出最優(yōu)決策。

發(fā)布會上還同步發(fā)布了《因果世界模型技術(shù)體系藍(lán)皮書》，內(nèi)容涵蓋了很多中數(shù)睿智公司對AI在復(fù)雜場景產(chǎn)業(yè)落地的思考與實踐，值得一讀。

成立于2020年的中數(shù)睿智，長期深耕企業(yè)級復(fù)雜智能決策賽道，客戶以大型央國企為主，積累了大量油氣、電力、制造、金融等領(lǐng)域的行業(yè)know-how。

AI進(jìn)了企業(yè)，卻沒進(jìn)決策室

AI在企業(yè)里的滲透速度很快，真正轉(zhuǎn)化成利潤的速度卻沒跟上。

《藍(lán)皮書》援引麥肯錫《2025年人工智能現(xiàn)狀》報告的數(shù)據(jù)：88%的受訪企業(yè)已經(jīng)在至少一項業(yè)務(wù)中使用AI，但實現(xiàn)可衡量利潤貢獻(xiàn)的企業(yè)只占39%。

MIT NANDA發(fā)布的《生成式AI鴻溝》給出另一個數(shù)字：企業(yè)級生成式AI項目的落地轉(zhuǎn)化率只有5%。

一頭是接近九成的使用率，另一頭是個位數(shù)的規(guī)模化轉(zhuǎn)化率。差距不在“用沒用”，而在“用在哪”。

現(xiàn)在企業(yè)里的AI，主要還在寫材料、做PPT、寫代碼和當(dāng)客服。

但真正的核心決策，如設(shè)備轉(zhuǎn)速設(shè)多少、訂單報什么價格、交易該不該放行、油井要不要立即關(guān)停，仍由人來拍板。

原因也不難理解。寫錯一封郵件，最多需要人工改一遍；但在鉆井井控、電力調(diào)度、危化品生產(chǎn)或金融風(fēng)控中給出錯誤建議，代價可能是設(shè)備停擺、生產(chǎn)事故和合規(guī)風(fēng)險。

△中數(shù)睿智創(chuàng)始人、董事長韓涵博士

按照《藍(lán)皮書》的歸納，現(xiàn)有智能體在企業(yè)關(guān)鍵決策中主要存在五項短板：

• 事實幻覺：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，在零容錯的生產(chǎn)環(huán)境里，一次幻覺就可能釀成事故；
• 重描述、輕推演：模型說不清結(jié)論背后的業(yè)務(wù)鏈條，但工業(yè)現(xiàn)場經(jīng)常變化，歷史有效的處理方式可能立即失效；
• 缺乏時序維度：模型知道有風(fēng)險，卻說不清風(fēng)險幾天后會演化到什么程度，預(yù)警變成了“正確的廢話”；
• 事前不可驗證：干預(yù)效果無法提前推演，代價只能事后承擔(dān)，責(zé)任人無法在動手前確認(rèn)建議的依據(jù)，自然不會把決策權(quán)交出去；
• 規(guī)則不斷堆疊：企業(yè)通常把制度、流程和限制條件不斷塞進(jìn)提示詞，規(guī)則開始互相沖突，模型的注意力也被稀釋。

五項短板看似各不相同，背后指向同一個病根：現(xiàn)有AI擅長從大量數(shù)據(jù)中學(xué)習(xí)相關(guān)性，卻缺少一張包含因果機制、時序演化與干預(yù)后果的世界圖景。

中數(shù)睿智把這張圖稱作“因果世界模型”。

給“因果之梯”裝上動態(tài)底座

因果推理并非新概念。

2011年圖靈獎得主朱迪亞·珀爾提出過“因果之梯”，把因果認(rèn)知分成三個遞進(jìn)的層級，大致對應(yīng)人的“看、做、想象”。

第一級是關(guān)聯(lián)，回答“什么和什么同時出現(xiàn)”。

第二級是干預(yù)，回答“主動改變一個變量后會發(fā)生什么”。

第三級是反事實，回答“如果當(dāng)初換一種做法，結(jié)果會不會不同”。

例如，天氣炎熱時，冰淇淋銷量和溺水人數(shù)都會上升。停在第一級的系統(tǒng)可以發(fā)現(xiàn)兩組數(shù)據(jù)強相關(guān)，但并不明白，真正同時影響兩者的是高溫天氣。

到了第二級，系統(tǒng)需要判斷增加救生員、限制下水人數(shù)等主動干預(yù)會產(chǎn)生什么結(jié)果。

第三級還要再往前一步，回答“如果當(dāng)時增加了救生員，原本的事故是否可以避免”。

按這把梯子衡量，當(dāng)前的大模型、RAG等技術(shù)都還站在底層關(guān)聯(lián)的臺階上，而企業(yè)的核心決策，全部發(fā)生在中高層。

既然理論早已有了，因果推理為什么一直沒有在產(chǎn)業(yè)界規(guī)模化落地？

按照珀爾的框架，先要建構(gòu)一張因果圖，圖上標(biāo)出變量之間如何影響，箭頭指向哪里。構(gòu)建這張復(fù)雜的因果圖往往要耗時數(shù)月。

然而，圖畫完的那一刻，就開始過時。世界在變、規(guī)程在改、新設(shè)備在上線，一張固定不變的因果圖會逐漸落后于現(xiàn)實。

因此，中數(shù)睿智提出了“元因果”概念。

它在珀爾的三級臺階之下，增加動態(tài)機制，解決因果圖從哪里來、是否準(zhǔn)確，以及如何跟隨現(xiàn)實變化。

實現(xiàn)這一切，靠的是中數(shù)睿智研發(fā)的動態(tài)因果構(gòu)建與演化引擎。

企業(yè)的文件、規(guī)章制度、行業(yè)標(biāo)準(zhǔn)、生產(chǎn)數(shù)據(jù)和音視頻語料進(jìn)入引擎后，系統(tǒng)自動抽取業(yè)務(wù)對象、關(guān)系與規(guī)則，再組裝成結(jié)構(gòu)化本體。

專家不再逐條錄入，只需審核關(guān)鍵節(jié)點。原本耗時數(shù)月的工作，變成可以快速啟動、邊用邊完善的過程。

這并不等于完全拿掉人。井控、電力和危化品生產(chǎn)等高風(fēng)險場景，領(lǐng)域?qū)＜胰孕铏z查關(guān)鍵規(guī)則。

機器接過繁重的梳理與錄入，把人的精力留給真正需要專業(yè)判斷的地方。

業(yè)務(wù)發(fā)生變化后，因果圖也不需要推倒重建。文檔更新、規(guī)則調(diào)整和審核反饋會持續(xù)進(jìn)入模型，因果圖隨之校準(zhǔn)。

這套因果世界模型建立在五根支柱之上，與現(xiàn)有大模型的五項短板一一對應(yīng)。

• 狀態(tài)錨定于事實：模型要求狀態(tài)錨定于企業(yè)真實數(shù)據(jù)，否則不能進(jìn)入執(zhí)行鏈路；
• 動力學(xué)基于因果：實體之間不再只用統(tǒng)計相關(guān)連接，而是以業(yè)務(wù)因果和機理規(guī)則連接，系統(tǒng)需要說清風(fēng)險從哪里來，又會沿哪條路徑發(fā)展；
• 支持干預(yù)與反事實推演：模型把潛伏期、干預(yù)窗口、短期效應(yīng)和長期效應(yīng)納入推演，預(yù)警不只說有風(fēng)險，還要說明風(fēng)險何時到來；
• 可驗證、可追溯：預(yù)測進(jìn)入臺賬，到期再與真實工況核對，判斷對了記下來，錯了也如實呈現(xiàn)；
• 具備自我演進(jìn)能力：新制度、新設(shè)備和新工藝進(jìn)入系統(tǒng)后，模型持續(xù)調(diào)整，不再依賴越來越長的提示詞維持秩序。

應(yīng)用于35家大型央國企，覆蓋800余個場景

理論說得再多，都不如看它在生產(chǎn)系統(tǒng)里的表現(xiàn)究竟如何。

文章開頭說的油氣鉆井井控，是典型的高風(fēng)險、強時效場景。從壓力、流量出現(xiàn)異常，到真正井涌、井噴，中間只有很短的窗口期，錯過就是生產(chǎn)事故。

《藍(lán)皮書》披露的實測結(jié)果顯示，因果世界模型可將溢流、氣侵等危險工況的預(yù)警窗口提前約15至20分鐘，復(fù)雜工況根因定位準(zhǔn)確率約94%，同時過濾40%以上由傳感器漂移和常規(guī)工況波動引起的無效誤報。

對一線工程師來說，這三個數(shù)字對應(yīng)的是三件重要的事：來得及處置；找得到病根；不被假警報淹沒。

如果按照傳統(tǒng)方法處置，需要等待波形與歷史事故足夠相似，但這時風(fēng)險往往已經(jīng)逼近。

而因果模型則可以組合多個早期弱信號：鉆速快了一點，液面高了一點，進(jìn)出口流量差了一點。單獨看都不足以報警，靠因果鏈卻能定位共同的風(fēng)險根因。

不僅在油氣鉆井，這套因果智能體系目前已經(jīng)應(yīng)用到多類行業(yè)場景，例如：

• 能源行業(yè)，用于管道泄漏檢測和煉化裝置異常診斷。
• 電力行業(yè)，快速定位電網(wǎng)故障、調(diào)度新能源消納并預(yù)測設(shè)備維護(hù)時間。
• 制造行業(yè)，尋找產(chǎn)線缺陷根因、管理危化品風(fēng)險和調(diào)整供應(yīng)鏈排產(chǎn)。
• 金融行業(yè)，用于實時交易反欺詐、反洗錢篩查和授信合規(guī)審查。

企業(yè)規(guī)模不同，部署方式也不同。

中小企業(yè)可以采用SaaS訂閱，直接使用標(biāo)準(zhǔn)化能力；大型政企則可以選擇私有化部署、物理隔離和信創(chuàng)適配，讓數(shù)據(jù)留在企業(yè)內(nèi)部。

中數(shù)睿智披露，以因果世界模型為理論基礎(chǔ)的這套產(chǎn)品和服務(wù)體系，已在35家以上大型央國企投產(chǎn)，累計安全運行超15000小時，未發(fā)生模型幻覺引發(fā)的決策失誤，覆蓋800余個核心業(yè)務(wù)場景。

他們強調(diào)，800余個場景，不是800個項目的拼接，而是一套平臺級能力，加上跨行業(yè)沉淀的行業(yè)本體資產(chǎn)。

進(jìn)入新行業(yè)后，系統(tǒng)可根據(jù)標(biāo)準(zhǔn)、規(guī)程和企業(yè)生產(chǎn)數(shù)據(jù)生成對應(yīng)的因果世界模型，不需要客戶投入大量人力物力做實施和驗證即可完成AI上線，僅需要專家審核關(guān)鍵節(jié)點。

為什么這些大型央國企敢信任這套系統(tǒng)？

中數(shù)睿智的答案是，模型的每一個判斷都對應(yīng)真實的數(shù)據(jù)和對象，不憑空編造；每一步結(jié)論都能逐環(huán)倒查：出自哪條數(shù)據(jù)、哪條規(guī)則，從數(shù)據(jù)一直查回到動作；系統(tǒng)給出的預(yù)測必須帶期限、進(jìn)臺賬、到期對賬。

在此基礎(chǔ)上，智能體操作系統(tǒng)再通過沙箱隔離、權(quán)限控制、Benchmark評測和審計留痕，限制模型能夠接觸的數(shù)據(jù)和可以執(zhí)行的動作。

One More Thing

2026年，世界模型成為AI行業(yè)最受關(guān)注的方向之一。

主流資金押注的仍是物理世界模型。它們試圖讓AI理解球為什么落下、車輛為何打滑、水會流向哪里，再把這些能力交給機器人、自動駕駛。

這條路線很重要，但企業(yè)還有許多實際問題無法解決。

比如，這一單降價10%，明天客流會增加多少？這臺機組繼續(xù)運行6小時，風(fēng)險會升到哪里？這筆交易現(xiàn)在放行，會不會在后續(xù)觸發(fā)反洗錢規(guī)則？

這些問題不能只靠物理規(guī)律回答，還涉及復(fù)雜的業(yè)務(wù)因果。

世界模型賽道正浮現(xiàn)出一條分支，可以稱為“因果派”。

“因果派”內(nèi)部也有不同路徑。有的公司偏向通用基座，希望從數(shù)據(jù)中尋找更普遍的世界規(guī)律；有的公司選擇進(jìn)入具體行業(yè)，讓模型先理解一口油井、一臺機組、一條產(chǎn)線和一筆交易。

中數(shù)睿智屬于后者。

它是國內(nèi)較早從產(chǎn)業(yè)側(cè)切入這一方向的公司之一，也是目前少數(shù)在工業(yè)、能源等核心行業(yè)的零容錯業(yè)務(wù)場景中，實現(xiàn)規(guī)模化生產(chǎn)應(yīng)用的團(tuán)隊之一。

海外同樣已有相似探索。

舊金山公司Unlearn把因果推斷用在臨床試驗上，用“數(shù)字孿生患者”縮減對照組規(guī)模，方法獲得了歐洲藥品管理局的認(rèn)可；倫敦公司CausaLens則把因果AI做成企業(yè)決策平臺，客戶覆蓋制造、零售、金融、醫(yī)療等行業(yè)。

過去幾年，AI的主線是參數(shù)競賽和生成能力的內(nèi)卷，做更大的模型、更長的上下文、更逼真的視頻。

而因果世界模型參照的是另一把尺子，不比參數(shù)，比的是能不能承擔(dān)責(zé)任。

它錨定的是實體經(jīng)濟(jì)的真實剛需。

比“聰明”更重要的，是“可托付”。當(dāng)判斷有依據(jù)、預(yù)測有期限、結(jié)果能對賬，AI才有機會從輔助決策真正走向核心業(yè)務(wù)。