全球人工智能領(lǐng)域再傳DataCanvas強(qiáng)音！九章云極DataCanvas公司科研團(tuán)隊的兩項原創(chuàng)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(jīng)網(wǎng)絡(luò)基礎(chǔ)理解與動態(tài)因果系統(tǒng)建模兩大方向取得進(jìn)展，標(biāo)志著九章云極DataCanvas團(tuán)隊在AI底層技術(shù)創(chuàng)新與國際學(xué)術(shù)影響力上實(shí)現(xiàn)跨越式提升。

頂會嚴(yán)選：印證DataCanvas AI科研實(shí)力

ICLR與NeurIPS、ICML是人工智能領(lǐng)域公認(rèn)的全球三大頂級學(xué)術(shù)會議之一，由深度學(xué)習(xí)先驅(qū)Yoshua Bengio、Yann LeCun等人于2013年發(fā)起成立。ICLR憑借其對深度學(xué)習(xí)核心問題的持續(xù)深耕、嚴(yán)苛的學(xué)術(shù)標(biāo)準(zhǔn)與開放協(xié)作的社區(qū)文化，已成為全球AI學(xué)者發(fā)布里程碑成果的首選平臺，在谷歌學(xué)術(shù)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(dá)11565篇，錄用率為32.08%，競爭激烈程度堪稱AI基礎(chǔ)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(lǐng)域的實(shí)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(lǐng)域收獲國際頂會的學(xué)術(shù)認(rèn)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(shù)突破：從理論根基到系統(tǒng)能力的全棧創(chuàng)新

入選ICLR 2025的雙論文揭示了九章云極DataCanvas公司科研團(tuán)隊在AI軟件層的系統(tǒng)性布局——通過“理論可解釋性”與“動態(tài)因果推理”的雙輪驅(qū)動，推動人工智能向更可靠、更智能的下一代范式演進(jìn)。

在理論層，解構(gòu)Transformer標(biāo)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(gòu)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(shù)據(jù)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(guī)模實(shí)驗上的結(jié)論符合。

在系統(tǒng)層，NeuralODE驅(qū)動動態(tài)因果網(wǎng)絡(luò)建模，打開復(fù)雜系統(tǒng)黑箱。《DyCAST: Learning Dynamic Causal Structure from Time Series》第一次處理了時序因果推斷領(lǐng)域中的同一時刻因果圖內(nèi)部變量之間的關(guān)系，以及不同時刻的因果圖之間的關(guān)系。基于NeuralODE，本篇論文在多個數(shù)據(jù)集上實(shí)現(xiàn)了超越或至少是持平領(lǐng)域內(nèi)方法的水平。

可以預(yù)想，如果九章云極DataCanvas公司兩項研究可以深度融合，將推動構(gòu)建“理論可驗證、因果可追溯”的AI技術(shù)體系：通過標(biāo)度定律量化模型性能邊界，避免大模型的盲目參數(shù)堆砌，保證“訓(xùn)練可控性”；借助動態(tài)因果網(wǎng)絡(luò)揭示AI決策的底層邏輯，破解醫(yī)療、金融等高敏感場景的“黑箱焦慮”，保證“決策可解釋性”；聯(lián)合理論建模與動態(tài)推理能力，提升AI在氣候變化預(yù)測、供應(yīng)鏈風(fēng)險管理等開放復(fù)雜問題中的穩(wěn)定性，保證“系統(tǒng)泛化性”。

近年來，各大國際頂級會議對九章云極DataCanvas公司的學(xué)術(shù)認(rèn)可，標(biāo)志著其在AI研究領(lǐng)域的持續(xù)創(chuàng)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(xué)習(xí)理論、大模型訓(xùn)練優(yōu)化、因果推理等核心賽道研究，持續(xù)為全球人工智能發(fā)展注入創(chuàng)新力量。