大咖观点| AIGC与因果推断的双向赋能

点击蓝字关注DataCanvas

近日，由DataFun主办的第三届数据科学在线峰会盛大举办。聚焦机器学习与数据挖掘、AB实验、因果推断、数据中台与数字化转型、用户增长与运营、数据科学最佳实践等6大数据科学主题，数十位国内外一线数据科学家围绕数据科学前沿技术成果和应用实践经验深入分享和交流。九章云极DataCanvas公司深度参与峰会，并分享前沿数据科学技术的最新研究进展。

峰会上，九章云极DataCanvas公司AI架构师何刚发表“AIGC与因果推断的双向赋能”主题演讲，探讨近期人工智能高热技术AIGC和经典技术因果推断的融合创新可能。

何刚表示，AIGC在非结构化内容的生成中表现惊艳，对于结构化数据分析目前还处于空白状态，而因果推断则是当前结构化数据分析领域最受瞩目的关键技术之一；以Agent-Based Modeling（ABM多智能体建模）为桥梁，可以构建AIGC与因果推断的链接，并实现AIGC与因果推断的双向赋能。

ABM多智能体建模

ABM多智能体建模是一种用来模拟具有自主意识的智能体的行动和相互作用的计算模型，具有高仿真性、涌现属性、可解释性等优势。ABM的运行模式是在不同的参数组合下进行仿真运行，运行过程中可以输出数据，并将数据存储下来形成数据集，是非常完整且具有反事实可获取、特征完整性、可控制性等优质特性的数据资产。经验证，从ABM系统中获取的优质数据在因果推断中的因果效应估计、因果发现、评价指标等领域都具有很好的适用性，突破因果推断研究领域无反事实样本的限制。

ABM为因果推断提供优质的数据基础

由此可见，ABM多智能体建模非常适合作为AI载体，实现AIGC从非结构化数据到结构化数据生成的拓展，弥补AIGC在结构化数据领域的短板。

同时，因果推断将加速ABM多智能体建模流程，尤其在校准数据和涌现分析这两个重要流程环节表现优异。在校准数据环节，通过将因果效应估计应用到参数分析，可以更贴近校准目标、加速仿真的校准过程，加快推进业务推演和辅助决策；在涌现解释环节，通过组合因果发现算法生成因果图，将因果发现、机器学习、敏感性分析技术相结合，可以对涌现行为做出更丰富的解释，进一步增强涌现解释能力。

结合九章云极DataCanvas公司近年来在因果推断领域的理论创新成果和YLearn因果学习软件这一开源重器的研发经验，何刚提出，拓延AIGC产生结构化数据能力，利用AIGC生成因果学习模型报告，以及应用因果推断拓展AIGC的因果解释能力可以成为未来因果推断与AIGC技术深度融合的三个研究方向。

由九章云极DataCanvas公司开源发布的YLearn因果学习软件，是全球开源工具中唯一能够端到端地解决“因果发现、因果量识别、因果效应估计、反事实推断和策略学习”五大因果学习任务的软件工具。YLearn突破了机器学习基于相关关系建模的局限性，发掘数据中稳定的因果关系，实现在反事实条件下的推断，可以充分赋能ABM多智能体建模，助力AIGC涌现能力的挖掘。

未来，作为以“硬科技”立身的人工智能基础软件供应商，九章云极DataCanvas公司将持续专注AI基础能力研发领域，进一步推动AIGC与因果推断等前沿技术的融合创新，并加速前沿技术的产业化应用，为AI热潮贡献一份自主创新能量。

了解更多DataCanvas