全球人工智能领域再传DataCanvas强音！九章云极DataCanvas公司科研团队的两项原创成果《A Solvable Attention for Neural Scaling Laws》与《DyCAST: Learning Dynamic Causal Structure from Time Series》被人工智能三大顶级会议之一ICLR（International Conference on Learning Representations）正式收录。这两项成果分别从神经网络基础理解与动态因果系统建模两大方向取得进展，标志着九章云极DataCanvas团队在AI底层技术创新与国际学术影响力上实现跨越式提升。
顶会严选：印证DataCanvas AI科研实力
ICLR与NeurIPS、ICML是人工智能领域公认的全球三大顶级学术会议之一，由深度学习先驱Yoshua Bengio、Yann LeCun等人于2013年发起成立。ICLR凭借其对深度学习核心问题的持续深耕、严苛的学术标准与开放协作的社区文化，已成为全球AI学者发布里程碑成果的首选平台，在谷歌学术人工智能方向出版物里拥有第二高的h5-index。2025年，全球投稿量高达11565篇，录用率为32.08%，竞争激烈程度堪称AI基础研究的“终极试炼场”。
此次，九章云极DataCanvas公司双论文入选ICLR 2025，凸显了DataCanvas科研力量在AI核心领域的实力。值得一提的是，这并非九章云极DataCanvas公司首次在人工智能领域收获国际顶会的学术认证。2022年，ICLR录用论文《Implicit Bias of Adversarial Training for Deep Neural Networks》；2023年，NeurlPS录用论文《Implicit Bias of(Stochastic) Gradient Descent for Rank-1 Linear Neural Network》；2024年，AAAI录用论文《Effects of Momentum in lmplicit Bias of Gradient Flow folDiagonalLinear Networks》。
技术突破：从理论根基到系统能力的全栈创新
入选ICLR 2025的双论文揭示了九章云极DataCanvas公司科研团队在AI软件层的系统性布局——通过“理论可解释性”与“动态因果推理”的双轮驱动，推动人工智能向更可靠、更智能的下一代范式演进。
在理论层，解构Transformer标度定律，破解大模型效率困局。《A Solvable Attention for Neural Scaling Laws》首次从计算的角度，在给定条件下展示了作为Transformer架构核心的（简化）Self-Attention的Scaling Laws存在的必然性和Scaling Laws 如何被其他因素（例如数据分布）决定。在给定条件下，表明了Self-attention 拥有和其他模型类似的 Scaling Laws，与大规模实验上的结论符合。
在系统层，NeuralODE驱动动态因果网络建模，打开复杂系统黑箱。《DyCAST: Learning Dynamic Causal Structure from Time Series》第一次处理了时序因果推断领域中的同一时刻因果图内部变量之间的关系，以及不同时刻的因果图之间的关系。基于NeuralODE，本篇论文在多个数据集上实现了超越或至少是持平领域内方法的水平。
可以预想，如果九章云极DataCanvas公司两项研究可以深度融合，将推动构建“理论可验证、因果可追溯”的AI技术体系：通过标度定律量化模型性能边界，避免大模型的盲目参数堆砌，保证“训练可控性”；借助动态因果网络揭示AI决策的底层逻辑，破解医疗、金融等高敏感场景的“黑箱焦虑”，保证“决策可解释性”；联合理论建模与动态推理能力，提升AI在气候变化预测、供应链风险管理等开放复杂问题中的稳定性，保证“系统泛化性”。
近年来，各大国际顶级会议对九章云极DataCanvas公司的学术认可，标志着其在AI研究领域的持续创新地位。未来，九章云极DataCanvas公司将会不断深耕人工智能深度学习理论、大模型训练优化、因果推理等核心赛道研究，持续为全球人工智能发展注入创新力量。
