35 家央国企实测后，中数睿智在 WAIC 发布「因果世界模型」

中数睿智在 2026 年世界人工智能大会（WAIC）期间发布「AI for Reasoning」因果智能体系，核心是面向能源、制造、电力、金融等高价值行业的「因果世界模型」。官方披露，该体系已在 35 家以上大型央国企投产，累计安全运行超 15000 小时，覆盖 800 余个核心业务场景，并同步发布《因果世界模型技术体系蓝皮书》。

企业 AI 卡在了「决策室」门口

中数睿智引用麦肯锡《2025 年人工智能现状》数据指出，88% 的受访企业已在至少一项业务中使用 AI，但实现可衡量利润贡献的仅占 39%；MIT NANDA《生成式 AI 鸿沟》则给出另一个数字：企业级生成式 AI 项目的落地转化率约为 5%。

差距不在「用没用」，而在「用在哪」。当前企业中的 AI 主要承担写材料、做 PPT、写代码和客服等任务，而设备转速设定、订单报价、交易放行、井控关停等核心决策仍由人完成。中数睿智将现有智能体在关键决策中的短板归纳为五项：

• 事实幻觉：模型生成概率上合理的答案，但不理解真假，零容错环境下一次幻觉就可能酿成事故；
• 重描述、轻推演：说不清结论背后的业务链条，历史有效方式可能立刻失效；
• 缺乏时序维度：知道有风险，却说不清风险几天后会演化到什么程度；
• 事前不可验证：干预效果无法提前推演，代价只能事后承担；
• 规则不断堆叠：制度与流程塞进提示词后互相冲突，模型注意力被稀释。

中数睿智认为，五项短板指向同一病根——现有 AI 擅长从数据中学习相关性，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。

因果之梯加上一层「动态底座」

因果推理的经典框架来自 2011 年图灵奖得主朱迪亚·珀尔提出的「因果之梯」，三个层级分别对应关联、干预、反事实。中数睿智指出，当前的大模型与 RAG 等技术大多停在底层关联台阶，而企业核心决策全部发生在中高层。

瓶颈在于因果图的构建。传统方法需要专家逐条录入变量关系，耗时数月，且图一旦完成就开始过时——规程在改、新设备在投产，固定不变的因果图会逐渐落后于现实。

中数睿智提出「元因果」概念，在珀尔三级台阶之下加入动态机制，并由自研的「动态因果构建与演化引擎」实现：企业文件、制度、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，组装成结构化本体；专家只需审核关键节点，原有数月的工作可快速启动并随业务变化持续校准。

最终体系建立在五根支柱之上，与前述五项短板一一对应：状态锚定于事实、动力学基于因果、支持干预与反事实推演、可验证可追溯、具备自我演进能力。

落地情况：800 余场景与油气井控实测

在油气钻井井控这一典型高风险、强时效场景中，《蓝皮书》披露的实测数据显示：溢流、气侵等危险工况的预警窗口可提前约 15 至 20 分钟，复杂工况根因定位准确率约 94%，并可过滤 40% 以上由传感器漂移与常规工况波动引起的无效误报。

该体系已拓展至多个行业：

• 能源：管道泄漏检测、炼化装置异常诊断；
• 电力：电网故障定位、新能源消纳调度、设备维护预测；
• 制造：产线缺陷根因、危化品风险管理、供应链排产；
• 金融：实时反欺诈、反洗钱筛查、授信合规审查。

部署方式上，中小企业可采用 SaaS 订阅，大型政企则支持私有化部署、物理隔离与信创适配。中数睿智强调，800 余个场景并非 800 个独立项目，而是一套平台级能力叠加跨行业沉淀的行业本体资产；进入新行业时，系统可基于标准、规程与企业数据自动生成对应因果世界模型，仅需专家审核关键节点。

行业坐标：从「参数竞赛」走向「可托付」

中数睿智将自身定位为「因果派」中偏行业落地的路径，与押注通用基座的路线形成区分。

海外亦有相似方向的探索：旧金山公司 Unlearn 将因果推断用于临床试验，以「数字孪生患者」缩减对照组规模并获欧洲药品管理局认可；伦敦公司 CausaLens 将因果 AI 做成企业决策平台，客户覆盖制造、零售、金融与医疗。

中数睿智创始人、董事长韩涵博士表示，过去几年 AI 的主线是参数竞赛与生成能力内卷，因果世界模型参照的是另一把尺子——不比参数，比能否承担责任；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。