在决策方面，因果AI比生成式AI更进一步

在多样化的决策领域依赖预测性AI模型可能会带来灾难性的后果，因为它们通常将相关性视为因果性。因此，决策者必须采用另一种方法——因果AI，它有助于精确识别结果与原因之间的关系。因果性现在被认为是AI领域实现真正进步所需的最重要的缺失要素之一。

因果AI理解因果关系

很长一段时间以来，领域专家一直在呼吁赋予机器推理效果和原因的能力。Google、Microsoft、Facebook、Uber和Amazon等大品牌正在大力投资因果AI，因此对因果性的研究也加速了。

作为领先的技术分析机构，Gartner也将因果AI列为25种具有变革商业实践潜力的新兴技术之一。现在这似乎是一场行业竞赛，旨在通过尽早采用来利用这项技术的卓越优势，但要做到这一点，首先必须建立成熟的因果AI。

对于真正的智能，一个必要的前提是优先考虑因果关系。这是预测性AI系统所缺乏的，专家们正试图通过因果AI来解决这一问题。 

我们人类比数据更聪明，因为我们理解因果关系，而数据并不理解。我们利用因果知识进行推理，以预测特定行动会对某事产生何种影响，从而相应地制定策略和计划。我们可以依靠因果推理能力来想象与预期结果不同或不想要的结果。这是人类确定某事为何以某种方式结束的能力。因此，了解因果关系的AI也可以具备这种能力，这通常是非常强大的。

领域知识 onboard

因果AI的关键优势之一是利用领域知识，这些知识可以从该领域的专家那里获得并纳入系统流程。通过这种方式，程序员可以定义一些关系并限制模型以尊重相关性。这种能力将领域专业知识带入机器学习之中。

发现潜在因素并非使用因果AI的唯一好处；它还使得设计能够改变结果的过程成为可能，通过使用因果AI算法提出问题来进行推理。 

假设您想评估一个旨在提高讲师能力的培训计划。对学员提高分数的期望值应该是多少？或者，例如，一家制造厂的车间主管知道，当X室的温度升高时，Y室的压力也会增加。因此，这种人类获得的知识可以嵌入到AI中，并确保系统始终尊重这些标准。 

当前的AI系统并未以智能方式与人类价值观保持一致。因果AI是可解释人工智能和AI系统公平性的巅峰。基于因果关系的系统能提供更好的性能和可解释性，而传统AI则侧重于某些准确性方面，却忽视了透明度。了解复杂“如果……会怎样”问题的答案有助于我们理解现实世界的运作方式，并使我们能够做出正确的决策以获得更好的结果。