因果智能（Causal Intelligence）

一句话定义：因果智能是指系统不只判断"什么和什么经常一起出现"，而是能回答"如果我这么做，会发生什么"，并据此在真实世界里做决定的能力。

相关性预测和因果推理，差在哪

打个比方。便利店发现买啤酒的人常同时买尿布，这是相关性，拿来推荐很管用。但它回答不了"如果我把尿布下架，啤酒销量会掉多少"。后者是干预（intervention）问题，得动手改一改，或者用因果模型把这条路径单独算出来。再进一步是反事实（counterfactual）："刚才如果我早 0.1 秒踩刹车，还会撞上吗？"事情已经发生，只能靠模型推演。

为什么具身智能特别需要它

机器人、自动驾驶这类要在物理世界里行动的系统，时间尺度很硬。有人从路边窜出来，0.2 秒内要给出急停决策：继续走会撞、急刹会不会甩尾、边上车道能不能让。这时候纯相关性模型会翻车——它学的是"过去见过的画面通常接着什么"，而"我此刻踩刹车会怎样"这件事，训练集里根本没有，因为那一帧是它自己即将造成的。

所以因果智能塞进控制回路，通常长这样三层：

• 世界模型（world model）带动作接口：输入当前状态加候选动作，输出推演的下一状态，而不只是预测下一帧画面。
• 在候选动作上做反事实展开：并行推演"直行急刹 / 左打轮 / 右打轮"几条轨迹，比较后果再挑一条。
• 秒级重规划：不追求一次算到底，每几百毫秒用新观测把规划重跑一遍，滚着往前走。

和相邻概念的区别

强化学习也会试错学动作，但很多策略是在仿真里磕出来的，换个环境就未必成立；因果智能更强调"对没见过的干预也能给出答案"。模型预测控制（MPC）本质也在往前推演，但它一般假设模型是固定的；因果智能关心的是模型能不能分辨"是环境变了，还是我自己变了"。

对从业者和普通人的意义

做机器人、工业控制、自动驾驶的，把"动作"显式放进模型输入，往往比再堆一批数据更值钱；安全兜底要能在一两百毫秒内给出一个可解释的否决。做推荐、风控、医疗的，A/B 测试本身就是干预，别把观测数据里的相关直接当因果；上一个新策略前，先想清楚"这个策略自己会改变什么"。普通人则可以多问一句：数据显示 X 和 Y 高度相关，那如果我真去改 X，Y 会动吗？

目前因果智能没有统一实现路径，有走结构因果模型的，有走带动作条件的世界模型加搜索的。具体某个产品怎么做的，以官方页面为准。