标签
文章深度分析Aether AI（原识之智）提出的因果世界模型（CWM），认为AI下一个范式将从相关性转向因果关系，并讨论了其理论基础、技术架构及对视频生成和具身智能领域的潜在影响。
引入了视觉时域差分（TDV），这是一种全新的表示学习范式，仅依赖于因果关系，无需数据增强、掩码或裁剪，并在密集空间任务上达到了与DINO和iBOT等最先进方法相当的性能。
对Transformer架构在大型语言模型之外广泛影响的反思，包括对语言学、遗传学和因果建模的潜在影响，并将其意义与哈伯-博世法相提并论。
本文识别了一种故障模式，其中预测器在未识别的反事实耦合上坍缩为一点，并提出了一个使用正半定耦合核来约束反事实的框架，表明预测无法表示跨世界耦合的不确定性，且施加核约束可产生可处理的边界。
本文介绍了YoCausal，一个基于认知科学中的违反预期（Violation of Expectation）范式的基准，用于评估视频扩散模型是否真正理解因果关系，还是仅仅过拟合于时间模式。对13个最先进模型的评估显示，与人类级别的因果认知相比，存在显著差距。
文章探讨了量子阻塞这一概念，该过程可能打破量子加密协议，并讨论了为在量子力学之外确保安全性而深入理解因果关系的努力。
一篇技术深度文章，探讨大型语言模型中预训练运行失败的常见原因，包括专家路由中的因果破坏问题和数值精度错误，并附有Llama 4、Gemini 2 Pro和GPT-4的示例。
Judea Pearl认为，仅从数据学习存在数学上的局限性，指出无法从相关性推断因果关系。本文引发讨论：纯粹的数据驱动学习是否足够。
本文在可解释人工智能（XAI）的框架下，建立了基于一致性的诊断（Consistency-Based Diagnosis）与实际因果关系（Actual Causality）之间的联系。其目标是将这两个领域融合，以提升人工智能及可解释数据管理中的解释能力。