引領因果推論的新範式：Causal Foundation Models（CFMs）
為何重要
這項研究嘗試將大模型的通用泛化能力轉移至因果推論領域，有望顯著降低專業資料科學家利用 AI 進行因果分析的門檻。若技術可行，CFMs 將彌補目前生成式 AI 在「理解原因」而非僅「預測結果」上的能力缺口，提升 AI 在醫療診斷或監管合規等決策密集產業的可信度。
因果推論長期以來需要為每個新問題設計專屬的流程，這篇論文將基礎模型的「預訓練即服務」範式引入該領域，並提供了實作導向的介紹。<br><ul><li>- 定義：CFMs 是預訓練神經網路，利用 In-context Learning 在全新資料集上估計因果量，無需模型更新或微調。</li><li>- 適用範疇：能處理多樣的設定與模態，估計如平均治療效果等因果量。</li><li>- 實用工具：文章包含因果推論與機器學習背景介紹，以及 Jupyter notebooks 與範例程式碼。</li></ul>