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。
△中数睿智创始人、董事长韩涵博士
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。
它在珀尔的三级台阶之下，增加动态机制，解决因果图从哪里来、是否准确，以及如何跟随现实变化。
实现这一切，靠的是中数睿智研发的动态因果构建与演化引擎。
企业的文件、规章制度、行业标准、生产数据和音视频语料进入引擎后，系统自动抽取业务对象、关系与规则，再组装成结构化本体。
专家不再逐条录入，只需审核关键节点。原本耗时数月的工作，变成可以快速启动、边用边完善的过程。
这并不等于完全拿掉人。井控、电力和危化品生产等高风险场景，领域专家仍需检查关键规则。
机器接过繁重的梳理与录入，把人的精力留给真正需要专业判断的地方。
业务发生变化后，因果图也不需要推倒重建。文档更新、规则调整和审核反馈会持续进入模型，因果图随之校准。
这套因果世界模型建立在五根支柱之上，与现有大模型的五项短板一一对应。
状态锚定于事实：模型要求状态锚定于企业真实数据，否则不能进入执行链路；
动力学基于因果：实体之间不再只用统计相关连接，而是以业务因果和机理规则连接，系统需要说清风险从哪里来，又会沿哪条路径发展；
支持干预与反事实推演：模型把潜伏期、干预窗口、短期效应和长期效应纳入推演，预警不只说有风险，还要说明风险何时到来；
可验证、可追溯：预测进入台账，到期再与真实工况核对，判断对了记下来，错了也如实呈现；
具备自我演进能力：新制度、新设备和新工艺进入系统后，模型持续调整，不再依赖越来越长的提示词维持秩序。
应用于35家大型央国企，覆盖800余个场景
理论说得再多，都不如看它在生产系统里的表现究竟如何。
文章开头说的油气钻井井控，是典型的高风险、强时效场景。从压力、流量出现异常，到真正井涌、井喷，中间只有很短的窗口期，错过就是生产事故。
《蓝皮书》披露的实测结果显示，因果世界模型可将溢流、气侵等危险工况的预警窗口提前约15至20分钟，复杂工况根因定位准确率约94%，同时过滤40%以上由传感器漂移和常规工况波动引起的无效误报。
对一线工程师来说，这三个数字对应的是三件重要的事：来得及处置；找得到病根；不被假警报淹没。
如果按照传统方法处置，需要等待波形与历史事故足够相似，但这时风险往往已经逼近。
而因果模型则可以组合多个早期弱信号：钻速快了一点，液面高了一点，进出口流量差了一点。单独看都不足以报警，靠因果链却能定位共同的风险根因。
不仅在油气钻井，这套因果智能体系目前已经应用到多类行业场景，例如：
能源行业，用于管道泄漏检测和炼化装置异常诊断。
电力行业，快速定位电网故障、调度新能源消纳并预测设备维护时间。
制造行业，寻找产线缺陷根因、管理危化品风险和调整供应链排产。
金融行业，用于实时交易反欺诈、反洗钱筛查和授信合规审查。
企业规模不同，部署方式也不同。
中小企业可以采用SaaS订阅，直接使用标准化能力；大型政企则可以选择私有化部署、物理隔离和信创适配，让数据留在企业内部。
中数睿智披露，以因果世界模型为理论基础的这套产品和服务体系，已在35家以上大型央国企投产，累计安全运行超15000小时，未发生模型幻觉引发的决策失误，覆盖800余个核心业务场景。
他们强调，800余个场景，不是800个项目的拼接，而是一套平台级能力，加上跨行业沉淀的行业本体资产。
进入新行业后，系统可根据标准、规程和企业生产数据生成对应的因果世界模型，不需要客户投入大量人力物力做实施和验证即可完成AI上线，仅需要专家审核关键节点。
为什么这些大型央国企敢信任这套系统？
中数睿智的答案是，模型的每一个判断都对应真实的数据和对象，不凭空编造；每一步结论都能逐环倒查：出自哪条数据、哪条规则，从数据一直查回到动作；系统给出的预测必须带期限、进台账、到期对账。
在此基础上，智能体操作系统再通过沙箱隔离、权限控制、Benchmark评测和审计留痕，限制模型能够接触的数据和可以执行的动作。
One More Thing
2026年，世界模型成为AI行业最受关注的方向之一。
主流资金押注的仍是物理世界模型。它们试图让AI理解球为什么落下、车辆为何打滑、水会流向哪里，再把这些能力交给机器人、自动驾驶。
这条路线很重要，但企业还有许多实际问题无法解决。
比如，这一单降价10%，明天客流会增加多少？这台机组继续运行6小时，风险会升到哪里？这笔交易现在放行，会不会在后续触发反洗钱规则？
这些问题不能只靠物理规律回答，还涉及复杂的业务因果。
世界模型赛道正浮现出一条分支，可以称为“因果派”。
“因果派”内部也有不同路径。有的公司偏向通用基座，希望从数据中寻找更普遍的世界规律；有的公司选择进入具体行业，让模型先理解一口油井、一台机组、一条产线和一笔交易。
中数睿智属于后者。
它是国内较早从产业侧切入这一方向的公司之一，也是目前少数在工业、能源等核心行业的零容错业务场景中，实现规模化生产应用的团队之一。
海外同样已有相似探索。
旧金山公司Unlearn把因果推断用在临床试验上，用“数字孪生患者”缩减对照组规模，方法获得了欧洲药品管理局的认可；伦敦公司CausaLens则把因果AI做成企业决策平台，客户覆盖制造、零售、金融、医疗等行业。
过去几年，AI的主线是参数竞赛和生成能力的内卷，做更大的模型、更长的上下文、更逼真的视频。
而因果世界模型参照的是另一把尺子，不比参数，比的是能不能承担责任。
它锚定的是实体经济的真实刚需。
比“聪明”更重要的，是“可托付”。当判断有依据、预测有期限、结果能对账，AI才有机会从辅助决策真正走向核心业务。