Jev加GTSAM零样本构建贝叶斯网络：后续推理本地零成本跑
内容提要
佐治亚理工教授Dellaert利用Jev大模型零样本生成贝叶斯网络条件概率表，单次API成本仅0.03美分，后续推理由GTSAM本地完成，38毫秒更新诊断概率，成本趋近于零。Jev还能推断因果图结构，8条真实边全部找回。但Asia网络可能已被预训练污染，且变量规模扩大后架构能否支撑仍待验证。
延伸解读
成本与效率的权衡
文章显示，Jev生成条件概率表的一次性API成本仅0.03美分，而后续推理由GTSAM在本地完成，38毫秒即可更新诊断概率，边际成本趋近于零。这种分工将大模型用于语义判断，传统概率引擎用于数学推理，避免了每次查询都调用大模型的高昂费用和延迟。对于需要频繁更新证据的场景，这种架构能显著降低长期运营成本。
数据污染风险
实验使用的Asia网络是1988年发布的经典基准，被广泛收录于教科书和GTSAM文档中，Jev的预训练语料很可能包含该网络。因此，Jev生成的条件概率表可能源于记忆而非推理。作者也承认这一风险，并呼吁在陌生网络上重复实验。读者需注意，当前结果不能直接证明Jev具备零样本因果推理能力。
可扩展性挑战
文章指出，8个变量的因果图穷举仅需38毫秒，但变量数增至20个时，可能的有向无环图数量已超过宇宙原子总数，穷举法不再可行。尽管存在更高效的因果发现算法，但从8个变量到工业级数百个变量，仍存在巨大工程鸿沟。Jev加GTSAM的架构能否支撑大规模网络，尚待验证。
额外因果边的启示
Jev在因果发现中找回了全部8条真实边，但额外添加了3条教科书未有的直连边，例如从肺癌直接到X光异常。这些边可能是模型幻觉，也可能揭示了被简化模型忽略的真实医学关联。目前尚无定论，但这一现象提示，大模型可能提供超越传统模型的因果假设，值得进一步研究。
Q&A
Jev加GTSAM构建贝叶斯网络的具体流程是什么？
首先，将贝叶斯网络的条件概率表转化为自然语言问题，通过Jev的Choice接口一次性生成所有概率值；然后，将概率表输入GTSAM进行本地推理，后续更新无需再次调用Jev。
这种方案的成本和推理速度如何？
生成条件概率表的一次API调用成本仅为0.03美分，后续推理由GTSAM在本地完成，更新诊断概率仅需38毫秒，且不再产生API费用。
Jev能自动推断贝叶斯网络的因果图结构吗？
能。Jev通过判断变量对之间的因果关系方向，结合稀疏惩罚和穷举搜索，可以恢复出因果图。在Asia网络实验中，8条真实因果边全部找回，召回率100%，精确度72.7%。
Jev加GTSAM架构的主要风险或限制是什么？
主要风险是数据污染：Asia网络是经典案例，可能已被Jev预训练语料包含，导致结果并非真正推理。此外，当变量规模扩大时，穷举搜索不可行，架构能否支撑尚待验证。
为什么说GTSAM让Jev的判断拥有了持久生命？
因为Jev只在建图阶段生成一次条件概率表，之后概率表成为可复用资产，GTSAM在本地进行推理，无需重复调用Jev，从而避免了每次调用API的成本和延迟。
Jev生成的条件概率表准确度如何？
在Asia网络实验中，Jev零样本生成的条件概率表与教科书标准答案对比，8条真实因果边全部找回，但精确度72.7%，且存在数据污染风险，概率校准也需进一步检验。
