35 家央国企实测：因果世界模型从实验室走进生产线
AI 进了企业，却没进决策室
AI 在企业里的渗透速度快得惊人。麦肯锡《2025 年人工智能现状》报告显示，88% 的受访企业已经在至少一项业务中使用 AI。但另一边，MIT NANDA 发布的《生成式 AI 鸿沟》给出了一个刺眼的数字：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，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。而真正的核心决策——设备转速设多少、订单报什么价格、油井要不要立即关停——仍由人来拍板。原因很简单：写错一封邮件最多需要人工改一遍，但在钻井井控、电力调度或危化品生产中给出错误建议，代价可能是设备停摆甚至安全事故。
2026 年 WAIC 期间，中数睿智发布了"AI for Reasoning"因果智能体系，给出了一个不同的答案。
大模型的五项短板，指向同一个病根
中数睿智在同步发布的《因果世界模型技术体系蓝皮书》中，系统归纳了现有 AI 在企业关键决策中的五项结构性短板：
事实幻觉。 大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因果链条，但工业现场条件经常变化，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·珀尔提出了"因果之梯"，把因果认知分成三个递进的层级：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"。
按这把梯子衡量，当前的大模型和 RAG 等技术都还站在底层关联的台阶上。企业的核心决策，全部发生在中高层。
但因果推理为什么一直没有在产业界规模化落地？核心瓶颈在于因果图的构建——按照珀尔的框架，需要先建构一张复杂的因果图，耗时数月。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。
中数睿智的解法是提出"元因果"概念：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。实现这一切的，是自研的动态因果构建与演化引擎——企业的文件、规章制度、行业标准和生产数据进入引擎后，系统自动抽取业务对象、关系与规则，组装成结构化本体。原本耗时数月的因果图构建，变成可以快速启动、边用边完善的过程。
五根支柱，逐一击破五项短板
支撑这套因果世界模型的是五根技术支柱，与前述五项短板一一对应：
- 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，从根本上杜绝幻觉。
- 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，系统能说清风险从哪里来、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"，还说明"风险何时到来、有哪些处置选项"。
- 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——每一步结论都能逐环倒查。
- 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。
这五根支柱让因果世界模型从学术概念变成了可工程化的产品体系。
从油井到电网：800 余个场景的实战验证
理论说得再多，不如看它在生产系统里的表现。
油气钻井井控是典型的强时效、高风险场景。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。
关键在于方法论的差异：传统方法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。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。
这套因果智能体系目前已覆盖多个行业：能源行业的管道泄漏检测和炼化装置异常诊断；电力行业的电网故障定位、新能源消纳调度和设备维护预测；制造行业的产线缺陷根因、危化品风险管理和供应链排产；金融行业的实时交易反欺诈、反洗钱筛查和授信合规审查。
中数睿智披露，这套产品体系已在 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。
世界模型赛道的新分支：从物理到因果
因果世界模型的规模化落地，折射出世界模型赛道一个重要的分化趋势。
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——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和自动驾驶。
但企业还有许多实际问题无法只靠物理规律回答：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？这些问题的答案涉及复杂的业务因果，而非单纯的物理定律。
"因果派"正在成为世界模型赛道的一条重要分支。海外同样有相似探索：旧金山的 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，方法已获欧洲药品管理局认可；伦敦的 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。
中数睿智是国内较早从产业侧切入这一方向的公司之一，也是目前少数在零容错业务场景中实现规模化生产应用的团队。
可托付比聪明更重要
因果世界模型 35 家央国企的 15000 小时安全运行记录，验证了一个朴素但重要的命题：在企业核心决策场景中，比"聪明"更重要的，是"可托付"。
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。因果世界模型参照的是另一把尺子：不比参数，比能不能承担责任。它锚定的是实体经济的真实刚需。
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。这 15000 小时，是一个起步的数字，但方向已经清晰。