我正在构建 Abel:一个关于「会变化的系统」的世界转移模型。

大语言模型,学的是由文字记录下来的世界。而我想学的,是由「转移」记录下来的世界——状态与状态之间的迁移:价格与订单流的流动,电网与能源需求的起伏,供应链的传导,宏观经济的转向,人口的迁徙,以及任何一个会随时间改变状态之物,所留下的传感器信号。

它们表面上分属不同领域,底下却是同一个更深的问题:给定一个系统此刻的状态、它走过的历史、所处的情境,以及作用在它身上的力——接下来会变成什么样?如果你伸手介入,又会有什么不同?

我把它叫作 Abel——World Transition Model,世界转移模型:它要学的,是这个世界如何从一个状态,走到下一个状态。

预测能力到底从哪里来?我不信它只来自「预测」本身。这件事,比大多数人想得复杂。

但真正决定一个预测系统能否活下来的,是因果结构:那些在你介入之后、环境变化之后、regime 切换之后、旧相关性失效之后,仍然成立的关系。

很多预测系统只抓住其中一块,然后就停在那里。有人迷信更多数据,有人迷信更大的模型,有人迷信更漂亮的表征,有人迷信回测曲线。但 Abel 背后的判断是:你需要完整的一整套。回测里好看,靠的往往是相关;现实里能行动,靠的才是因果。

但因果也不是模型的全部。一个世界模型还得能表征状态,把高维的信号压成能处理的形状,在不同的 regime 之间切换着推理,把可能的未来模拟出来,最后把预测接到行动上。因果让它在变化里不至于死掉;可要让它真正活过来、用得上,你需要的是上面这一整套,缺一块都不行。

我选择先在最难的地方证明它:金融市场。

市场大概是最残酷的动态系统。它流动性高,反身性强,被无数聪明人日夜研究,而且每一刻都用真钱实时打分,没有过程分,也没有同情分。一个模型如果能在这里真正赚到自己的位置,它就没有太多地方可以躲。

所以,市场是熔炉,不是终点。它是用来锻造 Abel 的地方;如果 Abel 能在这里把「转移」学明白,同一套底座就能延伸到别的系统上去——那些会演化、会反应、会自我修复、也会适应的系统。

我关心的也不只是「接下来会发生什么」。Abel 要回答的是更主动的问题:如果人采取行动,如果环境发生变化,如果某个变量被改写,接下来会发生什么?

因此,它的输出不应该停在预测。预测不是产品,它只是中间层。终点,是决策。

我真正关心的那条弧线,是从 text tokens 到 decision tokens。

我的路径,是从数学开始的。中学时凭数学奥赛保送进了复旦数学系;2011 年,拿了全国大学生数学建模竞赛上海赛区的第一名。然后去马里兰大学读计算机科学博士,师从 Tim Oates,以及人工生命与多智能体系统的先驱彭云——革命烈士江竹筠之子。数学的直觉与机器的智能,这两重底色,贯穿了我此后的全部工作。

在马里兰,我研究的是如何让神经网络把时间看成结构,而不是噪声。2015 年,我提出用 GAF/MTF 把时间序列编码成图像,随后又用 FCN 与 ResNet 完成时序的分析与分类。这两项工作,后来成了整个领域的 benchmark baseline——此后几乎所有新方法,都要拿它们来对标;论文署名是 Zhiguang Wang,现在加起来被引接近一万次。有人说那些工作是 foundational;但我自己记得更清楚的,是一长串失败的实验,以及它们终于开始不失败的那几个夜晚。

再往后的十年,我在工业界把前沿模型送进亿级用户的产品里:先后在 Microsoft Research、Meta FAIR / Reality Labs 和 Snap 担任首席研究员与研究总监,主导多代 chatbot 与大模型系统从研究走到落地,也留下了多项美国专利;后来,又做了美国上市公司 Amber Group 的美国区 CTO。

这个网站,是我公开思考的地方。

我会写预测与时间,智能作为压缩,因果性,市场,以及 AI 真正会走向哪里——不是共识不断复述的那个版本,而是我认为更可能发生、也更值得下注的版本。