Window
一个让外部人看到 WeHub 独特问题意识的窗口，而不是泛泛的内容站。
A living research window
Causal AI for AGI
Human-AI Collaboration and Collective Intelligence
WeHub Research 是一个持续打开的研究窗口。它从一个更深的母题出发：因果关系一直是 AGI 的重要组成；当大模型的表征学习能力成为足够强的基础设施，我们才真正有机会构建擅长因果关系、具备泛化与稳健预测能力的 AI 系统。
这里记录的不是临时包装，而是创始人内心真正的研究故事：从传统因果理论的基础问题，到 DiscoSCM、IP-Diag / causal regression，再到尚未完成但代表核心野心的 causalqwen。
Research thesis
AI 不应只回答问题；它应逐步成为理解因果、组织研究、稳健预测与团队行动的 harness，让研究者的注意力集中在问题、证据和判断上。
作为协作工具
真正的智能系统不能只拟合相关性。它需要帮助人把有限注意力投向机制、干预、反事实和证据链；这正是因果关系之于 AGI 的位置。
作为产品目的
大模型的表征学习能力正在成为因果 AI 的基础设施：过去缺少的表达、语义和泛化底座，正在变得可工程化。
作为生长框架
DiscoSCM、IP-Diag / causal regression 与 causalqwen 会分别作为理论补洞、最小验证和核心野心逐步进入这个研究窗口。
Position
不是研究全集，而是一个高密度开窗
research.wehub.us 目前不追求大而全。它会以少量高质量内容呈现 WeHub 的认知源头：为什么因果关系是 AGI 的关键能力，为什么大模型让因果 AI 进入新的工程窗口。
High Signal
内容可以少，但每一部分都应有明确价值、真实来源和可持续迭代空间。
Living System
后续研究、文章、案例和产品反馈会逐步接入，不急于一次性封闭。
Flexible framework
先保留正确的大框架，细节等待真实材料进入
下面不是最终理论，也不是替创始人研究做展开；它只是一个承接后续材料的结构。每个模块都可以被替换、扩展、拆分或重写。
01
Causal AI
因果关系一直是 AGI 的核心组成；目标是构建擅长机制理解、泛化和稳健预测的 AI 系统。
02
Theory Repair
传统因果基础理论仍有缺陷，DiscoSCM 是解决其中一个基础问题的核心工作。
03
Representation Infrastructure
大模型的表征学习能力，是构建因果 AI 系统所需的关键基础设施。
04
Research Path
IP-Diag / causal regression 是 robust prediction 视角的最小验证；causalqwen 代表更大的核心野心。
Method posture
克制表达，逐步校准
当前阶段最重要的是把主线说准：不是“传统因果失败后转向大模型”，而是“AGI 的因果能力主线，在大模型表征基础设施成熟后进入可工程化窗口”。
1
先确立母题
因果 AI、AGI 的机制理解、大模型表征基础设施，以及人机协作系统，是 research.wehub.us 的核心母题。
2
再接入材料
后续逐步接入 DiscoSCM、IP-Diag / causal regression、causalqwen 相关研究、术语、案例和方法论。
3
持续重写结构
当材料质量足够高，网站可以从研究窗口进化为因果 AI 研究议程、论文库、案例库或交互式知识系统。
Coming next
后续会逐步进入的内容
这些栏目现在先保持克制。等材料足够准确后，再逐步展开因果 AI 主线与 WeHub 的实践反馈。
GHy 临时研究笔记
条件上确界旧研究整理与客观评价，暂放个人 tmp 区。
Causal AI Agenda
因果关系、AGI、表征学习与稳健预测的主线。
Research Artifacts
DiscoSCM、IP-Diag / causal regression 与 causalqwen 的材料入口。
Method Lexicon
因果、干预、反事实、泛化、robust prediction 等概念词典。
System Feedback
来自 WeHub 人机协作系统与真实研究工作的反馈。
Connection
Research informs product. Product returns reality.
WeHub Research 与 WeHub 产品不是分开的两件事。因果 AI 提供长期研究母题，WeHub 提供人机协作与团队记忆的真实反馈，反馈再修正研究。