genAI在适用于决策场景方面存在不足。
在识别事件中的相关性和模式方面，因果人工智能植根于对事件背后原因与结果更深刻的理解。
将genAI与因果人工智能相结合，可兼顾快速思考与慢速思考的优势，既能促成迅速决策，又能保证准确性。
生成式人工智能（genAI）在过去18个月中展现出巨大潜力，在全球科技界引发了广泛关注。尤其是大语言模型（LLM）能够进行类人对话、回答问题，甚至生成连贯且富有创意的文本，因此有人认为它们已有效通过了“图灵测试——一项用于评估机器智能的长期基准。
这促使许多人得出结论：人类正朝着通用人工智能（AGI）迈进，而仅凭genAI便能实现这一目标。然而，genAI在当前企业应用场景中（尤其是与决策相关的场景）收效甚微，这表明大语言模型虽令人印象深刻，却并非人工智能的万能灵药。短期内，针对与决策相关的企业应用场景，需要以更全面的视角看待人工智能；从长远来看，则需以此视角推动通用人工智能的发展。
大语言模型的运作方式是将自然语言转化为概率语言，并以此生成输出内容。给定一个提示词，大语言模型会输出在统计上最可能接续的词语。知识是以概率方式生成的。相比之下，人类的大部分知识是以因果关系而非概率关系编码的。例如“症状不会导致疾病”和“灰烬不会引起火灾”这类事实。人类利用这些因果关系推理世界并作出决策。大语言模型所使用的概率语言没有因果与结果的概念。
因此，大语言模型在推理、批判性思考或展现真正理解能力方面常常力不从心，也就不足为奇。基于这些原因，大语言模型难以释放众多企业应用场景的价值。幻觉、偏见、缺乏透明度以及可解释性有限，使企业犹豫是否信任大语言模型用于决策。
大语言模型在决策应用场景中面临的挑战，凸显了短期内企业采用率低的原因，以及在考虑大语言模型能否单独通往通用人工智能时存在的差距。更大的语言模型和更多的训练数据无法弥合这一差距；人工智能还需要额外的能力，包括基于因果关系的推理。
人脑与系统2思维
理解人工智能全貌的一个有益思路，是将当前的方法与人类学习、处理信息和生成输出的方式进行比较。为了更好地理解这一点，我们可以直接对比当代人工智能技术与人脑的运作方式。
尽管大脑在许多方面仍是未解之谜，但研究人员已提出多种框架来帮助解释其复杂的运作机制。其中一个框架由诺贝尔奖得主丹尼尔·卡尼曼在其著作《思考，快与慢》，与当前人工智能的发展状况有着格外引人注目的相似之处。
卡尼曼的框架认为，人脑以两种截然不同的模式运作：快速思考与慢速思考。快速思考，即系统1思维，其特点是快速、联想式且直觉性的过程，并在无意识中发生。当面对熟悉的图像或情境时，我们的大脑会依据既往经验和模式即刻作出反应。相比之下，慢速思考（系统2）是一种有意识、合乎逻辑且善于分析的信息处理模式。当面对复杂问题或需要审慎推理与考量的新情境时，我们所进行的正是这种思考。
尽管genAI凭借处理海量数据并生成类人回应的能力，类似于快速思考模式，但它缺乏慢速思考所具备的更深层推理能力。如果我们假设真正的智能需要两种模式的无缝融合，那么显然，当前的人工智能技术是不够的。为弥合这一差距，需要一种新方法，以再现人类推理中缓慢、合乎逻辑且善于分析的思维特征。
因果人工智能的“为什么”
因果人工智能是一个新兴领域，专注于打造能够理解并推理因果关系的机器，是有望开始填补这一空白的一项技术。与依赖相关性和模式的传统人工智能方法不同，因果人工智能旨在揭示支配世界的潜在因果结构。
通过从数据中学习因果关系信息，并以此推理世界，因果人工智能的运作方式与人类慢速思考时的思维方式更为相似。它使人工智能超越模式识别，深入理解模式背后的“为什么”。
因果人工智能的一大关键优势在于它能够实现想象，即反事实推理：提出“如果……会怎样”的问题并探索替代情景的能力。这正是人类决策中至关重要、而当今人工智能目前所欠缺的方面。例如，在医疗领域，因果人工智能系统可以分析患者数据并生成反事实推断，以预测如果患者接受了不同治疗或某些风险因素不存在，其健康状况会有何不同。
因果人工智能还有助于解决人工智能中的偏见问题。通过明确建模变量之间的因果关系，因果人工智能能够识别并减轻可能导致有偏预测的虚假相关性和关联。例如，在信用风险评估的背景下，因果人工智能系统可以区分影响信用度的真实因果因素，以及由于数据中的历史偏见而可能产生的虚假相关性。
企业决策的未来
企业决策面临的关键挑战在于，既要实现“快速”思考，又要确保所提出的行动有据可依且最为优化。通过前者（genAI）进行整合，可促成快速、直观的分析，同时后者（因果人工智能）提供的稳健、系统性洞见能确保决策有据可循。借助因果人工智能的应用，企业能够应对任何因果挑战。因果人工智能与genAI的融合为企业带来了速度与准确性的双重优势，使其能够自信且迅速地应对复杂决策。
设想这样一个场景：一位零售行业领导者希望评估价格调整对销量的影响及其对供应链造成的后续冲击。传统方法需要跨多个平台和仪表板进行大量分析。然而，借助genAI与因果人工智能的综合能力，该高管只需向大语言模型输入这一问题，大语言模型便会运用先进的定价和供应链因果模型提供深入分析。这种方法不仅能阐明过往行动的直接后果，还能探索未来情景，从而助力战略规划与决策。
genAI与因果人工智能的协作，使决策过程兼具自然语言查询与回应能力，并配有详尽、易于理解的文本解释，从而得以丰富。这种整合对于探究和理解因果关系至关重要，进而使企业掌握可靠、可扩展且可解释的决策策略框架。以因果人工智能增强genAI，将开启企业决策的一场革命，兼具快速分析能力与深刻的因果理解。
世界经济论坛如何为人工智能建立护栏？
人工智能卓越中心汇聚各行业领袖，共同理解人工智能的快速演进及其对经济体和社会的影响。该中心支持就人工智能应用相关的机遇、风险与权衡展开知情对话。
该中心通过可信空间与合作倡议，帮助合作伙伴建立共同理解，并携手推动人工智能创新与应用的负责任方法。
genAI在企业各类决策应用场景中缺乏必要的基础支撑。通过运用因果推理及其在人工智能系统中实现逻辑性（慢速）思考的潜力，企业可应用人工智能的用例数量将显著增加。虽然通用人工智能需要的不止于此，但因果人工智能是迈向正确方向的一步。
