# Causal AI（Robert Osazuwa Ness）— 读书笔记 + 世界模型辨析

> 读于 2026-11-06 · 小 Q · 第 3 份

## 0. 卡片

| 项 | 内容 |
|---|---|
| 源文件 | `D:\AI content\books\sources\Causal AI (Robert Osazuwa Ness) (z-library.sk, 1lib.sk, z-lib.sk).pdf` |
| 出版 | Manning，PDF 元数据 2025-01-20；522 个 PDF 页，13 章，4 个部分，TOC 391 条 |
| 定位 | 代码优先的因果推断 + 深度学习教材，工具是 DoWhy / pgmpy / Pyro（p24） |
| 页码说明 | 本文 `pN` 指 **PDF 文件页序**；书内印刷页码 = `pN − 30`（p44→14、p169→139、p435→405） |
| `sources\` 下的 `_translated.pdf` | **只有 19 页**，是序言 + 目录的机翻节选（第一页把 Foreword 译成"第十八卷"，1.3.4 之后目录仍是英文）。**不是全书中文版**，别指望靠它读 |
| 时效判断 | **几乎不过时**。主体是 SCM / do-calculus / 反事实这套稳定的形式化理论；会变的是库版本和 ch13 的 LLM 视角 |

## 1. 判断

**这本书跟你说的"因果世界模型"相关度确实大，但它给的不是另一个 Cosmos，而是一把尺子：用来判定哪个"世界模型"真能回答"如果我改了 X 会怎样"。**

它自己不造视频、不建 3D 场景、不训机器人。它给的是：显式的变量与结构、干预（do）、反事实（平行世界）、可识别性。而这恰好是 Cosmos / Genie / Marble / JEPA 四家都缺的那一层。

**一个必须先点破的词义陷阱**：全书 `world model` 只出现 7 次，且全部是 **parallel world model（平行世界模型）**——Pearl 反事实里"实际世界 + 假设世界"共享外生变量的孪生图（p314–330 用 Monty Hall 例子手搭，p416–417 用 node-splitting 自动生成）。**跟工程界说的 world model（环境动力学模拟器）完全不是同一个东西。** 所以这里有三层同名异义：

| 叫法 | 实际指什么 |
|---|---|
| 工程界 world model（Cosmos / Genie / JEPA / Marble） | 给定状态与动作，预测下一状态 / 下一帧 |
| 因果 AI 的 parallel world model（Ness ch8–9、ch11） | 反事实推理用的双世界结构图 |
| 你业务里的数字孪生 | 物理仿真 + 可干预 + 受控写回 |

## 2. 按"因果世界模型"相关度排的章节清单

| 优先级 | 章节 | PDF 页 | 为什么相关 |
|---|---|---|---|
| ★★★ | **1.4 因果驱动下一波 AI**（1.4.1 因果表征学习 / 1.4.2 因果 RL / 1.4.3 LLM 与基础模型） | p43–45 | 全书的"接世界模型"接口。p44 气球例子是判据：把"小孩"从表征里抹掉再生成，气球应该升起来——**表征是不是因果的，看改动变量后机制走不走，不看画得像不像** |
| ★★★ | **5 连接因果与深度学习**（尤其 5.2.5 怎么因果地解释潜变量 Z） | p169–198，重点 p190–193 | 直接回答"潜空间预测算不算因果"。p192：好的因果表征**不该尽可能多地编码信息**，只该保留因果信息；无监督下解耦因果/非因果因子一般不可能，需领域知识、干预或半监督。这是 JEPA 那条线的命门 |
| ★★★ | **3.2 因果不变性与参数模块性** | p120–129 | "机制独立"与跨环境不变性：Katmandu 学到的温度-海拔机制能迁移到 El Paso。对应"环境变了哪些机制仍成立"，是 FDE 里最值钱的一条 |
| ★★★ | **8 反事实与平行世界 + 9 通用反事实推断算法** | p278–343 | 数字孪生该有的数学形式：node-splitting、共享外生变量、`pyro.do` 生成假设世界。L3 反事实 |
| ★★★ | **10 可识别性与因果层级** | p344–384 | 为什么"只看观测视频"到不了 L2：混杂、前门/后门、什么时候能 / 不能从数据里识别因果效应 |
| ★★ | **12 因果决策与强化学习** | p435–468 | p435 开宗明义："决策本质上是因果问题，一个行动导致后果"。把 bandit / RL 用因果框架重写，接 agent 的动作选择 |
| ★★ | **13 因果与大语言模型** | p469–504 | 把 LLM 组件连到因果概念、用 LLM 的因果信息辅助分析、构建 causal LLM。全书最时效敏感的一章 |
| ★★ | **6–7 结构因果模型 / 干预与因果效应** | p201–277 | `v := f(PA, n)` 的赋值语义、`do` 与 `see` 的区别。概念地基，赶时间可只读小结 |
| ★ | **2 概率生成建模入门 / 11 因果推断工作流** | p52–94 / p387–434 | 前者是数学复习，后者是工程落地流程（建模→识别→估计→反驳），做交付时再回来查 |

**跳过**：p52–94 的概率基础（你应该已有）、p130–168 的 DAG 检验细节、索引与附录。

## 3. 世界模型四条路线辨析（2026-11 现状）

**Verdict：不，World Labs 和 LeCun 都没有在用 Pearl 意义上的因果 AI。四家全在 L1（关联 / 条件预测）附近，最多摸到 L2 的边缘；而"因果 AI"要的是 L2（干预）+ L3（反事实）。**

| 阵营 | 架构（2026） | 输出 | "世界"指什么 | 因果层级 |
|---|---|---|---|---|
| **NVIDIA Cosmos 3** | Mixture-of-Transformers：reasoner 塔自回归 next-token + generator 塔扩散/去噪；"先推理后生成"；Cosmos Reason 2 是物理推理 VLM。2000 万小时视频、9000 万亿 token；omni（文/图/视频/声/动作），开放权重 | 物理感知的合成视频与动作轨迹 | 可生成的未来画面（训练数据工厂） | L1 |
| **Google DeepMind Genie 3** | 11B 自回归 frame prediction + Latent Action Model 无监督推断动作（VQ-VAE 量化）；720p/24fps；20 万小时游戏视频；几分钟一致性；Project Genie 2026-01 上线 | 可实时操控的交互环境 | 能走进去的神经游戏引擎 | L1，动作条件让它**看起来**接近 L2 |
| **World Labs（李飞飞）Marble** | diffusion + 3D Gaussian splats + collision mesh；2025-11 上线、2026-02 GA；可编辑、可导出 Unreal/Unity/VR | 持久、可导航、可编辑的 3D 场景 | 一个**地方**（几何与渲染），不是演化过程 | L1，离因果最远 |
| **AMI Labs（LeCun）JEPA / V-JEPA 2 / LeWM** | 非生成式，在抽象表征空间预测；LeWM 约 15M 参数、单卡数小时；为潜空间规划与 MPC 服务。LeCun 2025-12 离开 Meta，2026-03 巴黎融 10.3 亿美元种子 | 看不见的表征，供决策用 | 行动后果的内部预测器 | 目标在 L2，手段仍是预测性表征 |

**三个容易踩的坑**：

1. **"causal" 字样是假的因果。** Cosmos 3 技术报告里的 `temporal-causal attention` / `causal generation` / `causal training`、Genie 的 `causal masking in temporal layers`，指的都是**自回归不许看未来帧的时序掩码**，跟 `do(X)` 没有任何关系。这是 Transformer 文献的标准用法。
2. **action-conditioned ≠ intervention。** 看别人按了前进键，动作只是数据里一个变量，且受状态与策略混杂；`do(a)` 是外生设定动作、切断它原来的父节点。用观测视频训练，隐藏共因与真实因果在数学上不可识别（Pearl 的可识别性问题）。一句话：**看别人做饭 ≠ 自己做饭**。
3. **"反 LLM、讲物理直觉、谈 cause and effect" ≠ 因果 AI。** LeCun 的主张是"别生成像素、去学可规划的表征"，这是表征学习路线，不是 SCM / do-calculus / 反事实。媒体爱把 JEPA 说成"学到因果结构"，那是通俗用法。

**但有例外，别把话说死**：真正往因果走的是研究支线，不是产品线——
- **C-JEPA / Causal-JEPA**（arXiv 2602.11389，2026-02，Brown / NYU / Mila，LeCun 参与）：用**对象级掩码当作潜在干预**，逼模型学对象间交互；反事实推理约 +20%，规划只用 1% 潜输入特征。这是 JEPA 阵营里第一次把"干预"写进架构。
- **因果表征学习**（Bengio 一脉、Ness ch5）、**active inference / AXIOM**（Verses，Karl Friston）、以及国内 Aether AI 主打的"因果世界模型"（从预测到干预）。
- **Pearl 因果阶梯**是判据：L1 关联（看见）→ L2 干预（我改了会怎样）→ L3 反事实（当时要是没这么做会怎样）。四家产品都停在 L1，C-JEPA 开始碰 L2。

**你说"内部逻辑不一样"，比你想的还更不一样**：不只是实现不同，连"世界模型"这个词指的**对象**都不同——Cosmos/Genie 指"能生成未来画面的模型"，Marble 指"能生成可进入的 3D 场景"，JEPA 指"能做规划的内部状态预测器"，Pearl 系指"能回答干预与反事实的结构模型"。同一个词，四个对象。

## 4. 对你业务的落点

制造业数字孪生 / 虚拟调试要回答的是："把工位节拍从 30s 改到 25s，瓶颈移到哪"、"温度异常是传感器漂移还是上游工艺变了"（归因 / 根因）、"这条产线换个产品族，哪些机制仍成立"（不变性）。**全是 L2 / L3。**

- Cosmos / Genie 给你"看起来合理的视频"，Marble 给你"能进去看的 3D 场景"，都不能拿来回答节拍改动的后果——它们没有可干预的变量与结构。
- 能回答的是：显式 DAG + `do` + 反事实（本书 ch7–10）+ 领域机理（工艺路线、节拍、BOM）+ 受控写回。这正好落在你 FDE 路线图里**验证资产 / 受控写回**那一层，而不是上层应用。
- 一张能直接用的判断表（来自"从预测到干预"那四类问题）：① 哪些变量真正决定结果？② 主动改变某个变量，结果怎么变？③ 失败时该追溯哪一环？④ 环境变了，哪些机制仍成立？——**任何厂商拿"世界模型"来谈制造业，先用这四问过一遍。**

## 5. 怎么读

- **只想搞懂"这些世界模型算不算因果"**：p43–45（1.4）→ p190–193（5.2.5）→ p344–346（因果层级开篇）→ p435（ch12 开篇）。约 20 页，一小时，够撑起一场讨论。
- **要给制造业客户做"可干预的数字孪生"**：按 ★★★ 五块读，约 150 页；重点把 ch8–10 的 parallel world / node-splitting 翻译成"实际产线 vs 假设产线"的双图。
- **要把因果接进 agent / LLM**：ch12 + ch13（p435–504）。
- **读法**：每章只记一句"它把哪个变量变成了可干预的"。这本书的骨头是**赋值语义 `:=` 与 `do`**，不是概率公式。

## 6. 资源与待跟进

- 书的代码与章节注释：`altdeep.ai/causalAIbook`（书中多处引用）
- 库：DoWhy（PyWhy）、pgmpy、Pyro / ChiRho（p417 提到 ChiRho 能从 DAG 自动生成平行世界图）、y0
- 可追的对照材料：Causal-JEPA（arXiv 2602.11389）、Pearl & Mackenzie《The Book of Why》的因果阶梯、LeCun 2022《A Path Towards Autonomous Machine Intelligence》
- 待办：把本笔记第 3 节的四阵营表，和 `2026-11-06-becoming-an-ai-researcher-slides.md` 的"问题 4 问"、`2026-11-06-ai-engineering-chip-huyen.md` 的"评测流水线三步"合成一份制造业世界模型培训页

## 7. 批注

- **p44 那个气球是全书最值钱的一个例子**，也是分辨四家世界模型最快的试金石：把"小孩"从表征里抹掉，气球会不会升起来？Cosmos 会给你一段更逼真的气球视频，Marble 会给你一个更漂亮的 3D 房间，但只有显式建模了"手—绳—浮力"的机制才会让气球上升。
- **p192 那句"好的因果表征不该尽可能多地编码信息"是对整个视频预训练路线的反驳**：重建得越完整，往往把非因果的纹理也一起塞进了潜空间。JEPA 想绕开像素，但绕开像素只是少编码了一类信息，不等于挑出了因果变量。
- 上一本 Chip Huyen 是"评分卡怎么造"，这本是"**什么才算一个可评分的世界**"。前两本都在讲怎么把系统做对，这本讲怎么问出"改了会怎样"——顺序上放在第三本读，其实比放第一本合适。
- 我自己的方法提醒：判断"是不是因果 AI"，别看它有没有说 causal、有没有 action，看它有没有 **do**、有没有**可识别性讨论**、有没有**反事实**。这三个都没有，就还是 L1。