九章云極DataCanvas公司雙論文入選全球頂會ICLR，推動AI解釋性與動態因果推理核心進展
全球人工智能領域再傳DataCanvas強音！九章云極DataCanvas公司科研團隊的兩項原創成果《A Solvable Attention for Neural Scaling Laws》與《DyCAST: Learning Dynamic Causal Structure from Time Series》被人工智能三大頂級會議之一ICLR（International Conference on Learning Representations）正式收錄。這兩項成果分別從神經網絡基礎理解與動態因果系統建模兩大方向取得進展，標志著九章云極DataCanvas團隊在AI底層技術創新與國際學術影響力上實現跨越式提升。
頂會嚴選：印證DataCanvas AI科研實力
ICLR與NeurIPS、ICML是人工智能領域公認的全球三大頂級學術會議之一，由深度學習先驅Yoshua Bengio、Yann LeCun等人于2013年發起成立。ICLR憑借其對深度學習核心問題的持續深耕、嚴苛的學術標準與開放協作的社區文化，已成為全球AI學者發布里程碑成果的首選平臺，在谷歌學術人工智能方向出版物里擁有第二高的h5-index。2025年，全球投稿量高達11565篇，錄用率為32.08%，競爭激烈程度堪稱AI基礎研究的“終極試煉場”。
此次，九章云極DataCanvas公司雙論文入選ICLR 2025，凸顯了DataCanvas科研力量在AI核心領域的實力。值得一提的是，這并非九章云極DataCanvas公司首次在人工智能領域收獲國際頂會的學術認證。2022年，ICLR錄用論文《Implicit Bias of Adversarial Training for Deep Neural Networks》；2023年，NeurlPS錄用論文《Implicit Bias of(Stochastic) Gradient Descent for Rank-1 Linear Neural Network》；2024年，AAAI錄用論文《Effects of Momentum in lmplicit Bias of Gradient Flow folDiagonalLinear Networks》。
技術突破：從理論根基到系統能力的全棧創新
入選ICLR 2025的雙論文揭示了九章云極DataCanvas公司科研團隊在AI軟件層的系統性布局——通過“理論可解釋性”與“動態因果推理”的雙輪驅動，推動人工智能向更可靠、更智能的下一代范式演進。
在理論層，解構Transformer標度定律，破解大模型效率困局。《A Solvable Attention for Neural Scaling Laws》首次從計算的角度，在給定條件下展示了作為Transformer架構核心的（簡化）Self-Attention的Scaling Laws存在的必然性和Scaling Laws 如何被其他因素（例如數據分布）決定。在給定條件下，表明了Self-attention 擁有和其他模型類似的 Scaling Laws，與大規模實驗上的結論符合。
在系統層，NeuralODE驅動動態因果網絡建模，打開復雜系統黑箱。《DyCAST: Learning Dynamic Causal Structure from Time Series》第一次處理了時序因果推斷領域中的同一時刻因果圖內部變量之間的關系，以及不同時刻的因果圖之間的關系。基于NeuralODE，本篇論文在多個數據集上實現了超越或至少是持平領域內方法的水平。
可以預想，如果九章云極DataCanvas公司兩項研究可以深度融合，將推動構建“理論可驗證、因果可追溯”的AI技術體系：通過標度定律量化模型性能邊界，避免大模型的盲目參數堆砌，保證“訓練可控性”；借助動態因果網絡揭示AI決策的底層邏輯，破解醫療、金融等高敏感場景的“黑箱焦慮”，保證“決策可解釋性”；聯合理論建模與動態推理能力，提升AI在氣候變化預測、供應鏈風險管理等開放復雜問題中的穩定性，保證“系統泛化性”。
近年來，各大國際頂級會議對九章云極DataCanvas公司的學術認可，標志著其在AI研究領域的持續創新地位。未來，九章云極DataCanvas公司將會不斷深耕人工智能深度學習理論、大模型訓練優化、因果推理等核心賽道研究，持續為全球人工智能發展注入創新力量。
