في عالم البيانات المعقدة، يعتبر اكتشاف العلاقات السببية (Granger Causal Discovery - GCD) أداة حيوية لفهم التفاعلات الزمنية بين المتغيرات. ولقد أثبتت الطرق الحالية للذكاء الاصطناعي أنها تعاني من قيود كبيرة، حيث تعتمد معظمها على نموذج "واحد يناسب الجميع"، مما يجعلها غير قادرة على التكيف مع التحولات في التوزيع والتغيرات الديناميكية التي تظهر في السلاسل الزمنية الحقيقية.

هنا يأتي الابتكار مع CausalMoE، نموذج متعدد الأنماط بوزن مليار، يهدف إلى معالجة هذه المشكلة عن طريق تقديم نهج جديد يقوم على التخصص والكفاءة. يعكس CausalMoE التنوع على مستوى المناطق (patch-level heterogeneity)، حيث يقدم مزيجًا موجهًا من خبراء متنوعين (Pattern-Routed Mixture of Heterogeneous Experts). يتيح هذا النظام التعرف الديناميكي على الأنماط الزمنية الكامنة وتوجيه المجموعات إلى خبراء مجال متخصصين، مما يعزز من فصل الآليات الخاصة بالأوضاع عن الديناميات المشتركة.

علاوة على ذلك، تم تصميم آلية انتباه ذات وعي سببي (Causality-Aware Self-Attention) لضمان استرجاع الرسوم البيانية السببية القابلة للتفسير، مما يؤدي إلى إنشاء رسوم بيانية سببية متفرقة عبر تحسين قريب (proximal optimization). ويعتبر CausalMoE الأول من نوعه الذي يدمج نماذج اللغة الكبيرة (Large Language Models - LLMs) ونماذج الصور المرئية (Visual Language Models - VLMs) من أجل مواءمة الإشارات العددية مع المبادئ النصية والبصرية، مما يعزز تقدير الأسباب في السيناريوهات المعقدة.

لقد أظهرت التجارب الواسعة أن CausalMoE يحقق نتائج رائدة جديدة في معايير الإشراف الكامل، فيما يستمر في تقديم أداء متفوق في إعدادات قليلة-shot حيث تفشل الطرق التقليدية. إن هذا النموذج يمثل خطوة هائلة نحو فهم أعمق للعلاقات الزمنية والأسس السببية في البيانات المعقدة.