这轮大模型革命的边界与局限（二）

仅拟合相关关系，并没有真正的因果推理能力大模型能背下来所有的物理公式，却很难完美解决一道全新场景的物理题；能记住所有的经济学理论，却难以精准预判一个全新政策对市场的连锁影响；能完美复现别人的成熟代码，却很难在一个全新的技术框架里，做出底层的架构设计。它能做的，主要是对已有知识的演绎和复现，而在需要主动干预、反事实推理、发现全新因果关系的任务上，表现会显著下降。这不是靠思维链、工具调用就能彻底解决的，而是它的统计学习本质带来的核心约束：统计学习的本质，是拟合观测数据里的相关关系，而真正的因果推理，需要对干预、反事实进行建模，这天生不在纯被动观测的训练范式范围内。大模型的训练数据里，只有人类已经记录下来的“现象和结果”，没有背后的“干预和验证过程”。必须客观说明的是，这几年的研究已经证明，大模型在“运用文本中已明示的因果知识、通过思维链模拟因果推理过程”上，已经展现出了强大的能力，甚至在部分因果发现任务上超越了传统算法。但它缺乏内置的因果机制模型和主动干预能力，对于需要反事实推理、跨领域发现全新因果关系的复杂任务，其可靠性依然显著低于人类，这是仅靠文本预训练难以从根本上突破的。而没有真正的因果推理能力，就没有真正的通用泛化能力。