李飞飞LeCun疯狂加注！这匹中国黑马，已在因果AI暗战6年¶

Ch01.1491 李飞飞LeCun疯狂加注！这匹中国黑马，已在因果AI暗战6年¶

📊 Level ⭐⭐⭐ | 11.1KB | entities/李飞飞lecun疯狂加注这匹中国黑马已在因果ai暗战6年.md

李飞飞LeCun疯狂加注！这匹中国黑马，已在因果AI暗战6年¶

摘要¶

当全球 AI 行业在 2026 年集体转向"世界模型"时，因果 AI 作为底层密码终于浮出水面。本文聚焦中国公司零犀科技（Zero Xi），这家自 2020 年起押注因果 AI 的中国公司，在行业追逐大模型参数竞赛的六年中，默默构建了一套基于 Pearl 因果三级阶梯（观察→干预→反事实）的工程体系。其"因果大模型"以社会行为系统为建模对象，试图让 AI 从"预测下一个词"走向"预测一种行动的后果"。

核心要点¶

• 世界模型浪潮的本质：AI 行业从"预测下一个词"向"预测下一种状态"的范式转移，底层密码是因果科学
• Judea Pearl 的因果三级阶梯（观察→干预→反事实）是理解 AI 从统计拟合走向因果推理的理论框架
• 零犀科技自 2020 年布局因果 AI，6 年后其"因果大模型"成为首家将因果 AI 与大模型进行系统性专利结合的中国公司
• 零犀的工程架构：三层因果闭环——轨迹记录与证据层、因果归因与候选干预层、验证与反事实选择层
• 零犀的因果大模型不只在"语言层面模仿专家"，而是将专家判断中可拆解、可评估、可迭代的部分沉淀为模型可学习的过程信号

世界模型与因果的底层关系¶

从统计相关到因果推理¶

过去三年，AI 圈的信仰只有一个：更大的 LLM = AGI。但一旦切入真实商业场景，致命短板瞬间暴露：AI 算得出用户"说了什么"，却根本不懂用户"为何开口"。大模型的底层逻辑仅有四个字：统计相关。它学会了"什么词后面大概率跟什么词""什么人大概率会买单"，却根本不懂因果科学的内核。

世界模型真正要解决的问题从来不是把画面生成得多逼真，而是回答"如果我这样做，世界会怎样"。这需要 AI 从"看见什么、生成什么"走向"如何干预、如何预测行动后果"。

Pearl 的因果三级阶梯¶

Judea Pearl 将因果能力拆解为三个层级：

今天的通用大模型并非完全不具备因果推理能力，但它们的核心训练范式仍建立在对海量观察数据的统计学习之上。它们可以在语言层面描述"为什么"，却很难在复杂业务场景中稳定、可验证地回答"做了会怎样"以及"如果当时换一种做法会怎样"。

零犀科技的六年布局¶

零犀科技 2018 年创立于北京，核心团队脱胎于原百度人工智能团队。2020 年，团队毅然踏上因果 AI 赛道——在当时，这不仅超前，甚至难以被行业理解。

关键里程碑： - 2022年 WAIC：联合中国通信工业协会人工智能专委会主办"下一代可信 AI——认知兴起，因果探路"主题论坛，Judea Pearl 亲临出席 - 2024年：完成"因果 AI 与大模型融合"核心专利申请并启动国际布局——成为第一家将因果 AI 与大模型系统性结合的公司 - 2025年底：在网信办备案名单中，其大模型官方名为"因果大模型"——这是一家公司敢于将前沿技术范式直接作为备案名的标志

深度分析¶

因果 AI 的工程化：从 Pearl 的三级阶梯到系统实现¶

零犀的核心贡献不在于理论创新（因果理论由 Pearl 等学者奠定），而在于将因果三级阶梯工程化为可运行的 AI 系统。这涉及三个关键问题：

第一层（L1 观察）——轨迹与证据：社会行为系统中的因果判断不能凭模型一句解释就成立。零犀构建了完整的轨迹记录系统，记录输入状态、系统动作、动作结果，为后续因果分析提供数据基础。这里的关键工程决策是：不追求"AI 永远不幻觉"，而是让"AI 的每个关键判断有证据、有来源、有过程记录"。

第二层（L2 干预）——归因与策略生成：在轨迹基础上，系统将结果拆回到原因链上——任务成功是因为识别对了真实意图还是策略路径更合理，任务失败是因为信息不足还是判断错了关键变量。干预发生在三个层面：

1. 认知与表达层面：调整 Prompt、补充上下文、更新 Memory，让模型准确理解任务意图
2. 策略与执行层面：增强 Skill、优化 Workflow、调整 Tool Policy，选择更合理的行动路径
3. 验证与安全层面：补充 Eval Suite、适配场景 Adapter、修正权限与安全策略

这三个层面的干预载体（Prompt、Memory、Skill、Tool Policy、Workflow、Eval Suite、Adapter、Runtime）构成了零犀因果框架中"可被识别、可被调整、可被验证"的干预空间。

第三层（L3 反事实）——多目标验证与路径比较：候选干预生成后不能直接进入系统——某个策略可能提升短期效果却带来更高风险，某种表达可能更有说服力却模糊了合规边界。零犀构建了多目标验证机制，综合评估结果质量、过程合理性、策略新颖性、能力保持、事实一致性、成本控制、风险边界与能力漂移。只有在多项维度上通过验证，且没有突破风险、成本与安全边界的干预，才会被提交固化；否则系统选择回滚或重新生成方案。

社会行为世界模型 vs. 物理世界模型¶

当前行业主流的世界模型方向更多指向物理世界（空间、物体、运动、车辆、机器人），但零犀走了另一条路——社会行为系统的世界模型。在这个系统里，变量不再是位置、速度、边界，而是人的意图、信任、偏好、情绪、关系、约束与反馈。

底层命题相同：理解原因，预测后果，优化行动。但社会行为系统的不确定性更高、变量更难量化、反馈更延迟——这使得因果推理在这里比物理世界模型更加必要，也更加困难。

过程奖励模型与归因驱动的自优化¶

零犀框架中最值得关注的工程创新是过程反馈机制。它不只看最终结果好不好，而是把中间过程拆成多个可评估节点：意图识别是否准确、关键变量是否抓住、策略选择是否合理、风险判断是否充分。这些中间信号进入过程奖励模型（PRM），对模型的推理路径进行持续校准。

这意味着零犀的"自优化"不是简单地在语言层面微调，而是把每一次真实任务转化为下一次优化的因果样本——系统先观察状态、记录轨迹，再基于任务证据完成归因分析，然后生成有边界的候选干预，最后通过多目标验证与反事实比较决定是否提交固化。

实践启示¶

1. 因果 AI 的工程化远比理论复杂——从 Pearl 的三级阶梯到可运行的系统，需要解决轨迹记录、变量归因、干预空间定义、多目标验证等一列工程问题。零犀的"三层架构"是做因果 AI 系统设计的参考模板

2. 干预载体的抽象是关键设计决策——将 Prompt、Memory、Skill、Tool Policy、Workflow 等定义为"可被识别、可调整、可验证的干预载体"，为系统的可观测性和可控性提供了工程基础

3. 过程奖励机制优于结果奖励——在复杂社会行为任务中，拆解中间关键节点（意图识别、策略选择、风险判断）并分别评估，比只看最终结果更有利于系统的可解释性和持续改进

4. 社会行为世界模型是一个被低估的方向——当行业聚焦物理世界模型时，建模人如何理解、选择与行动的因果框架在商业场景中的价值可能被系统性低估

5. 因果驱动的自优化与 Harness 工程理念不谋而合——Harness 工程的"可观测、可干预、可审计"原则与零犀的因果闭环（观察→归因→干预→验证→固化/回滚）存在深层的设计逻辑一致性

关联条目¶

• 电路发现的非唯一性 — 可解释性研究的因果相关视角
• Agent 落地真相 — Agent 从可用到可靠的生产化路径中的因果思考
• Harness 即后端 — 干预载体与系统工程的关系
• 物理世界模型与社会行为世界模型对比 — 对两种世界模型技术路径的系统性对比（参考页面待创建）

退出¶

→ 原文存档