关于我们

一家探索下一代
基础模型的新型研究实验室。

Abel 正在构建世界动态基础模型，学习系统如何变化、什么驱动变化，以及行动会带来什么。我们的研究融合时序学习、因果智能与现实反馈，迈向时序超级智能。

Abel AI Lab 是什么

Abel 是一家以数学视角理解世界的 AI 研究实验室。复杂系统具有可学习的状态、动态和结构。我们希望为理解这些系统建立共同的基础，而不是为每个领域重复搭建独立的模型体系。

Abel 的名字源于数学家尼尔斯·亨里克·阿贝尔，以及阿贝尔奖所传承的数学传统。我们的数学基础植根于与复旦大学数学系的长期联系。

团队汇聚了：

来自以下院校的学术背景： 复旦大学, 斯坦福大学, 亚利桑那州立大学, 加州大学洛杉矶分校, 南加州大学 与 康奈尔科技学院
来自以下机构的研究与工程经验： Meta, Snap, Adobe, Microsoft 与 微软研究院
系统化投资 与 企业建设经验

这些经历将动态系统数学、基础模型、因果推断、智能体研究与大规模工程连接在一起。

世界已被记录，却尚未被建模。今天的基础模型学习人类已经写下、拍摄和编程的内容。真实系统则是持续演变的状态：数千个变量随时间共同变化，响应干预，并不断产生新结果。

下一代基础模型必须学会世界如何变化：从观测与上下文识别系统，理解其状态，学习其动态与结构，并推理多种可能的未来，包括行动 A、行动 B 或不采取行动时分别会发生什么。

Abel 将基础模型与因果智能结合。结构性证据帮助揭示驱动变化的变量与关系，时序学习则刻画系统跨时间、尺度与运行机制的演变。

我们的使命是构建基础模型，让变化中的世界变得可理解、可计算，并最终支持行动。

我们的技术路线融合四种能力：动态系统数学、基础模型学习、因果结构，以及面向真实数据规模的工程能力。目标不仅是连接工具，更是对同一个系统形成一致的理解。

我们当前的研究从互补方向建设这一基础，分别回答系统如何演变、什么驱动变化，以及观测结果如何改善下一轮模型。

学习动态

面向时间序列与表格数据的统一基础模型框架，支持预测及其他建模任务，发展跨异构系统泛化所需的时序学习能力。

发现结构

高速 Python 因果发现工具。它探索大规模变量空间，识别候选结构、驱动因素与不同解释，为模型应关注什么提供结构性证据。

从现实中学习

学习闭环将预测与观测结果连接起来，使二者的差异成为评估证据、新训练数据与模型改进的依据。

我们的长期愿景是下一代基础模型：持续理解变化的系统，推理行动的后果，并从真实发生的结果中学习。我们希望建立跨市场、能源、工业、生物与科学的共同基础。

我们的工作从数学结构出发，以证据检验。我们追问什么发生了变化、什么驱动变化、哪些关系重要。我们用真实观测检验候选解释，并通过预测与结果之间的差异改进下一轮模型。

不确定性是模型的一部分。当证据不足时，我们应识别还需要哪些观测或实验，或交由人类判断。我们明确区分研究方向与已验证的能力、长期计划与当前成果。