欢迎来到因果AI市场——SiliconANGLE

今天的人工智能中缺少一个关键成分，一旦加入，将使AI成为商业活动中不可或缺的合作伙伴，并在长期内提高投资回报。

缺失的成分是因果关系以及科学的为什么事情发生了。

在这里theCUBE研究我们专注于向您介绍塑造人工智能未来最新发展的信息，并帮助您提前准备而非事后补救。

这份研究笔记是一系列探讨新兴影响的研究中的第一篇。因果AI它将聚焦于与因果AI相关的产品和服务不断增长的市场。敬请期待未来的文章，这些文章将逐步解释你需要了解的内容及其原因。

介绍

我们相信因果AI的兴起将在现有的AI系统和未来的AI架构中启用新的高ROI应用场景，发挥至关重要的作用。总体而言，我们有信心将代理式AI、因果推理和交互式可解释性整合起来，并依托大型语言模型和小型语言模型的网络支持，将定义商业领域中AI的下一个前沿。

• 大型语言模型提供通用的生成式人工智能服务。
• SLM提供小型、专业化和主权的领域特定模型。
• 因果模型带来了新的动态决策智能水平。
• 人工智能代理支持人类解决问题和执行任务。

这些未来状态的架构将协调一个合作的人工智能代理和模型生态系统，帮助人类解决问题并做出更好的决策。它们还将不断互相学习，以从基于现实世界的、结果导向的经验中改进成果。因果AI将在这些架构中发挥关键作用。

此外，在短期内，因果工具包将帮助企业逐步改善当今相关性AI模型（如生成式AI、大语言模型、预测性AI等）所产生的结果——这些模型基于统计概率运行，但往往缺乏真正的因果理解。因此，它们无法真正理解企业的运作方式、创造价值的方式以及与世界互动的动态性质。

尽管如此，今天的大型语言模型和生成式人工智能既令人惊叹又极其复杂。然而，那些在AI中实施因果关系的人 会告诉你这在另一个层面上非常复杂，涉及一些非常高明的数学和统计理论的应用算法。

幸运的是，正如我们将要讨论的那样，越来越多的软件公司在简化因果AI的大众使用方面取得了显著进展。因此，尽管幕后几乎难以想象的复杂性，将因果关系融入当今的AI环境可能比我们想象的要简单，并且随着时间的推移可能会变得更加容易。

为了撰写这份关于市场的研究笔记，我们将因果AI定义为一个机器学习分支，它强调理解因果关系而不是仅仅处理数据中的模式。虽然传统的AI模型通常基于历史数据预测或推断潜在的结果，但因果AI更进一步，阐明了为什么某些事情会发生以及各种因素是如何相互影响的。

此外，因果AI不仅能理解统计概率，还能理解当周围世界发生变化时这些概率是如何变化的，无论是通过干预、创新还是条件演变。这是至关重要的，因为非因果模型只有在未来的状况与过去相似时才能表现良好。然而，在动态条件的世界中，它们却难以应对，而这种特性正是商业环境所固有的。

简单来说，人们天生倾向于在采取行动之前理解“为什么”，使他们具有因果倾向。对于AI而言，也应该是以因果为基础的。因果AI对企业的影响可能是巨大的，因为企业依赖于人来做决策和行动。毕竟，事情不是由企业本身完成的；是由人来完成的。

市场 места买卖的地方（直译为“市场”，此处根据语境提供更符合汉语习惯的表达）

毫无疑问，人工智能代表了我们这个时代变革的力量。这就是为什么九成的企业正在加快他们在人工智能上的支出，其中绝大多数将它列为他们的首要投资优先事项。因此，许多组织已经报告说生产力增长接近于整体的三倍以上，而美国劳工统计局在2023年报道的整体增长率为3%。

尽管今天的AI能力非常令人印象深刻，但AI仍处于起步阶段。

首先，人工智能是一个总称。当今许多应用都是增强型专家系统——将知识转化为基于规则的系统的程序化转移。它们并不使用更为强大的被称为“机器学习”的算法“大脑”。

在这些拥有能力的人中，80%依赖最简单的技术，只能执行狭义定义的任务。这种情况在未来几年会发生变化。

全球机器学习平台和工具市场的规模预计到2030年将大幅增长。根据CUBE Research的估计，该市场有望在2030年达到4200亿美元，年复合增长率为35%。基于云的ML服务、可解释的人工智能、代理人工智能和因果人工智能预计将对该扩张作出重大贡献。

新企业技术研究对1550多名决策者的调查数据显示，企业账户内快速采用机器学习（ML）和人工智能（AI）技术的情况。其中一半已经采用了机器学习，这代表在所有技术类别中最高的支出增长轨迹。

这一投资趋势将会继续，因为新的工具和平台使得机器学习在更广泛的技术水平上得以普及，并且更重要的是，加速了将新的机器学习进展交付给大众的速度。

尽管在人工智能上的投资增加，企业仍然面临着当今人工智能技术的限制。根据2023年的一项调查进行的调查显示，瑞克斯分析公司不到一半的企业机器学习项目能够进入全面生产，原因是它们无法适应变化的条件，以及缺乏信任和可解释性。

然而，有一个好消息。其他研究，包括2024年5月的一项调查指出数据伊库将近七成进入生产阶段的人工智能项目都获得了正的投资回报。

新兴的因果AI市场旨在解决当前大语言模型和生成式AI解决方案的局限性。这对于依赖于根源原因检测、决策智能、问题解决和自主行动的高投资回报率应用场景尤为重要。从事这些案例的AI专业人士认识到，在整个AI模型生命周期中整合因果关系对于准确模拟动态商业世界以及提高AI的信任度、透明度和可解释性至关重要。

市场的声音越来越大。

一项由400名高级AI专业人士提供的调查表明了戴 bricks .inc（注意："Databricks"是一个专有名词，通常不直接翻译，保持原名更合适）显示在人工智能先驱公司中，56%的公司已经在使用或试验因果AI。此外，在整个调查人群中，因果AI被列为“尚未使用但计划明年采用”的第一项人工智能技术。研究还报告称，16%的人已经开始积极使用因果方法，33%处于试验阶段，25%计划采用。总体而言，到2026年，十分之七的公司将会采纳因果AI技术。

我们还看到越来越多的公司公开分享他们的因果AI成功故事、试点项目和经验教训。许多公司被其变革游戏规则的潜力所激励，一些公司已经报告了可量化的投资回报率。

例如：

• 乔治太平洋公司实现了无接触订单处理量的十倍增长，通过使用因果AI来创建更无缝和适应性的订单管理流程。他们通过应用因果AI技术以更高的精度应对订单管理的复杂性，解决了这些问题，揭露了因果关系为了更好地理解业务运营情况。

• 麦肯世界集团，作为市场营销策略的全球领导者，通过识别复杂且高度动态的购买行为的根本驱动因素，实现了品牌购买意向5%到10%的增长。此外，他们还能够应用反事实推理为了更准确地预测潜在举措和消费者态度变化的影响，提供对未来品牌战略的前瞻性展望。

• Urban Company，一家提供连接有家庭服务需求的消费者与训练有素的专业人士的市场平台，在其客户的终身价值指标的影响因素方面实现了更精确和准确的估算。这使得他们能够应用“假设性”干预措施定量排名各种行动的影响，使其能够优化保留策略。

• Instana，一家提供应用性能和可观测性解决方案的供应商，已将因果AI应用于识别可能的根本原因作为智能故障修复过程的一部分。这使得系统可靠性工程师可以直接查看问题的根本原因，而不是症状，从而节省他们大量的调查时间，并减少解决故障的时间和成本。

这种兴趣的增长推动了2024年Gartner人工智能 hype cycle（注意：“hype cycle”在此处通常保留英文原词，直译为“炒作周期”，但在某些语境中也可以根据实际情况翻译为“技术成熟度曲线”）预测因果AI将在两到五年的时期内成为一项“高影响力”的技术，这比2022年人工智能炒作周期的预期有所提前，当时预计它将在五年至十年的时间框架内实现。

根据Gartner的研究，因果AI被认为是“至关重要的”，特别是在需要不仅仅是预测结果，还需要理解结果背后的原因以及如何改进的情况下。Gartner还强调，因果AI对于开发时间敏感的应用场景至关重要，在这些应用场景中，当人类干预不可行时，系统必须能够独立运行。这要求AI能够理解如何采取行动及其行动的后果。

此外，Gartner认为，对增强信任、透明度和可解释性的需求增长正在推动人们对因果AI技术的兴趣上升，因为这些技术有能力理解结果是如何产生的。Gartner总结道：“AI的下一步需要因果AI。”

TheCUBE研究的对这份报告的看法是，决策智能和因果AI应该在其炒作周期中结合在一起，因为没有因果关系的决策智能只是商业智能。我们还想补充一点，实现因果模型可以是增量式的，不需要进行“全部替换”。最后，因果AI最广泛的应用可能发生在SLMs（较小、专业、安全和主权）的背景下，并作为驱动代理AI网络的一个组成部分。然而，我们完全同意Gartner关于因果AI在未来AI系统中的关键重要性。

由此形成的商业市场目前还不太成熟，但我们预计它将从这里开始巩固并迅速扩大。由theCube Research汇编的六项独立市场研究报告的一致观点显示，该市场规模预计将通过到2030年实现约41%的复合年增长率，达到约10亿美元的市场规模。

我们的观点是，在评估这个市场时，我们必须考虑以下几点：

• 内部的 工程师正在采用和定制开源因果AI库，如Py为什么，Salesforce Inc．的因果AI时间序列数据分析库，以及Databricks的因果激励客户激励计划。

• 领域特定应用供应商他们正在将其产品和服务与因果AI方法相结合，例如药物研究、供应链优化、IT运营、营销管理和投资规划。一些例子包括Parabolie.ai对于先进制造，增量的用于营销组合优化，和艾蒂亚用于下一代药物发现。

• AI巨头们，包括Meta Platforms Inc.、Google LLC、Amazon Web Services Inc.、OpenAI和IBM Corp.等公司，将很可能随着时间的推移在其核心平台和工具中增加因果功能。它们都在投资因果人工智能的研究，这很可能会随着时间的推移走向商业化。例如包括IBM的研究重点是因果增强的业务流程（BP^C）和微软公司的人类可解释性的研究。

基于这些原因，我们认为因果AI对商业的总体市场影响将远远大于目前研究中显示的10亿美元市场规模。事实上，我们不会对因果AI的发展动态感到惊讶，这种发展动态类似于生成式AI超越其初始市场增长预测，并成为人工智能世界中的宠儿。

值得注意的是，已经有众多公司在这一市场中运营，拥有数百甚至数千的客户。他们致力于提供通用和特定领域的因果AI工具与平台，使AI因果分析的高投资回报率变得触手可及，适用于日常商业活动。

例如：

• CausaLensdecisionOS 提供了一个因果AI平台，专注于自动化从数据到决策的端到端工作流程。该平台简化了整个过程，从数据摄入到生成理解因果关系的操作性洞察。其方法包括使用AI代理帮助企业识别因果业务驱动因素、开发因果AI模型，并通过决策代理实施这些模型。此外，该平台还提供了预构建且可自定义的应用场景和工具，用于与大语言模型（LLM）和生成式人工智能进行集成。

• GeminosCauseway 提供了一个强大的低代码平台，用于开发因果AI应用程序和因果数字孪生，能够确定某些事件背后的原因。Causeway 基于开源技术，并提供了一种简化的方法来建模因果关系和知识，同时配备了高级的因果分析工具，如离群值、干预和根本原因分析。它还通过超过4000个集成加速 ETL（提取/转换/加载）和数据处理，并且具备增强大型语言模型和生成式AI投资的能力。

• 因果-RNB的Ari平台提供了一个基于云的增强智能平台，利用因果机器学习技术简化企业解决复杂问题的过程，特别是在工业领域。它优化了商业领导者进行数据分析、获取洞察并应对挑战的方式。Ari通过阐明复杂的数据关系，并从庞大的数据集中提取可操作的建议来提升人类智能。它将因果发现、因果推断、领域知识和决策应用开发整合成统一的体验，使得在复杂的系统中发现和解释变量之间的因果关系成为可能。

• 因果数据库/CausaDB帮助企业了解其系统和工作流程的运作方式，并提供指导以实现更好的结果。这些工具提供了创建、管理和部署因果AI模型以及将它们轻松集成到现有软件堆栈中的简单界面。它们优先考虑简洁性、易用性和速度，使您的团队能够专注于真正重要的事情，即使在较小的数据集上也是如此。

• HowSo提供解决方案以最大化人工智能的投资回报率，并通过其可理解的人工智能平台减少传统人工智能方法相关的风险。该平台提供的好处包括数据驱动的方法、透明度、审计性和偏见减少。它将因果AI、合成数据、归因推理和模型监控结合成一个体验。该平台在数据集中识别因果关系并通过高级因果推断和模拟量化因果关系，帮助企业做出更好的决策。

这些只是目前市场上的一小部分解决方案提供商，我们完全预期很快将会有更多的新进入者出现。

何时做何事

因果AI是人工智能持续进步中的一个重要进展。当前基于相关性的设计存在局限性，这些局限性最终将阻碍新创新的发展。正如微软研究院最近所言，“因果机器学习即将成为下一次AI革命。”尽管它可能不会是一场革命，但它无疑是必要且不可避免的。只需等待一段时间，它就会成为主流。

也许现在是开始为这个人工智能的新领域做准备的时候了。正如我们在过去的技术演变中所见证的，有些人会领先，有些人会落后，有些人最终会失败。评估过程和进行实验永远不会太早。

我们推荐您：

• 建立因果AI的能力。
• 评估潜在用例。
• 试验这项技术。
• 制定未来状态的战略。
• 如有需要，欢迎联系我们寻求帮助。

我们推荐观看最近名为《Dave Vellante深度分析》的节目段落从大语言模型到小语言模型再到自适应模型：代理如何重新定义人工智能，这提供了因果AI价值的全面视角。你也可以在你喜欢的播客频道上收听这个内容。

此外，如果您是OpenAI的ChatGPT用户，您也可能发现我们的最近研究笔记开放人工智能在人工智能推理方面取得进展，但旅程才刚刚开始感兴趣的。

最后，请关注本系列关于因果AI兴起的研究笔记的下一篇文章。

图片：theCUBE研究