Seed status: v0.1。
这不是论文，也不是完整技术综述。它先固定一个研究判断：因果不是 AGI 的外挂能力，而是智能系统理解和干预世界的核心结构。
相比 v0，这版只自然补入一点旧工作脉络：因果信息密度、DiscoSCM 的个体变量、因果表征，以及 WeHub 里的真实干预判断。
Core seed
智能不只是预测下一个 token，也不只是从大量经验里复现模式。
真正的通用智能必须能够回答三类问题：
- 我观察到了什么？
- 如果我采取某个行动，会发生什么？
- 如果过去不同，现在会怎样？
这三层分别接近 observation、intervention 和 counterfactual。因果推理关心的正是这些结构。
旧博客里有一句话可以轻轻放在这里：因果关系像复杂系统里的 reducible pocket。世界很复杂，但因果结构是一种可压缩、可迁移、可用于行动的结构。AGI 如果要在复杂世界里行动，就必须找到这种结构。
为什么预测不够
强大的预测模型可以在很多任务上表现得像理解世界。
但当任务从“回答”变成“行动”时，预测会暴露边界。行动要求模型知道哪些变量可干预，哪些关系只是相关，哪些改变会产生反事实后果。
causalai-blueprint 里那个“因果信息比相关信息更密”的判断，也可以放在这里：相关性只告诉系统世界看起来怎样，因果关系才告诉系统如果改变世界的一部分，另一部分会如何响应。
AGI 如果要进入真实世界，就不能只会补全模式。它必须能判断干预点。
LLM 与因果的新机会
过去因果研究常常受限于数据、结构假设和任务形式。
但 LLM 带来了一个新机会：表征学习已经足够强，世界知识、语言解释、程序工具和实验反馈可以进入同一套表示空间。
这不意味着 LLM 自动拥有因果能力。它意味着因果 AI 有了新的基础设施。
“AI 的哥白尼时刻”那条线，可以作为这里的一个直觉：也许我们缺的不是再给表面空间加更多本轮，而是找到更好的因果表征。表面行为很复杂，但一旦找到合适的内部坐标系，规律可能变得更简单。
DiscoSCM 的位置
DiscoSCM 的意义可以先作为一个 seed 保留：
传统因果基础理论里有一些结构性缺陷，需要重新理解 structural causal model 的表达边界。
更具体一点说，传统模型容易把个体差异塞进误差项。但很多时候，差异不是噪声，而是“这个人/这个系统是谁”的问题。
DiscoSCM 里把个体变量 U 放进结构方程，其实是在说：因果关系不是悬浮在抽象平均人之上的公式，它经常是在异质个体之间寻找某种不变性。
这对 AGI 很重要。因为 AGI 面对的不是抽象平均用户，而是具体的人、组织、环境和历史。一个真正能协作的 AI，必须理解具体对象的稳定因果表征，而不仅仅是拟合表层输入输出。
这篇博客暂不展开数学细节。它只保留研究主线：如果因果形式主义本身有缺口，那么 AGI 的因果层也不能只继承旧框架。
CausalQwen 的野心
CausalQwen 不是“给模型加一些因果题”的小任务。
更好的问题是：
如何让模型的表示、推理和工具使用，逐步承载可验证的因果结构？
这里可以自然接上 WeHub：agent 如何判断任务干预点，memory 如何从 observation 变成 actionable causal model，数字分身如何做反事实推演。
例如，用户说“我想做个 app”，系统不应该只回答 app 怎么做，而应该判断真实干预点是入口、分发、数据、信任，还是叙事。用户说“我想做科研贡献”，系统也要判断现在该写论文，还是先从真实系统中提炼问题。
这就是因果 AI 在产品里的低层形态：不是让 AI 更会回答，而是让 AI 更会判断干预。
Strategic deferral
本 seed 暂不展开：
- 因果发现完整文献综述；
- DiscoSCM 数学细节；
- CausalQwen 训练方案；
- CausalEngine / Causal-Sklearn 工程路线；
- AGI 定义争议。
这些都重要，但现在先保留主判断：因果是行动智能的核心，而 WeHub 可以提供真实系统场景来验证这个判断。
Next evidence
下一版应该长出三个证据：
- 一个 LLM 在纯相关判断上失败的例子；
- 一个因果干预判断改变 agent 行动的例子；
- 一个 WeHub 任务中从 observation 到 intervention 的完整轨迹。
Seed delta: 根据反馈，这篇从硬融旧工作的大改版退回原来的 seed 结构，只自然补入少量旧博客中的因果信息密度、个体变量 U、因果表征和 WeHub 干预判断线索。它仍是 seed，不是终稿。