如果说"大模型"让机器人学会了说话，那么 "泛化能力"（Generalization） 则是决定机器人能否走出实验室、真正进入千家万户的关键门 槛。 但在当下， 为什么机器人在训练场景里表现完美，一旦换个房间、换个光照、或者换个颜色的杯子，就会突然 " 智障 " ？ 根本原因在于， 传统的AI往往只学会了表面的相关性（Correlation），而没有掌握事物背后的因果性（Causality） 。 近日， 全球顶级人工智能会议AAAI 2026正式收录了原力无限与香港大学、澳门大学、武汉大学等联合完成的重磅研究 《 DSAP: Enhancing Generalization in Goal-Conditioned Reinforcement Learning 》 。 该研究由原力无限科研团队深度参与，与顶尖高校学者共同攻坚， 首次提出了一种基于因果图（Causal Graph）的结构感知代理框架 （DSAP） 。 这标志着原力无限成功将因果推理技术引入具身智能大脑，为解决困扰行业的"分布外泛化"（OOD）难题提供了全新的理论支撑。 行业痛点 机器人为什么不懂"举一反三"？ 01 如果你把桌子换成蓝色，AI可能 ...

金融工程 | 专题报告 DFQ-diversify：解决分布外泛化问题的自 监督领域识别与对抗解耦模型 ——因子选股系列之一一五 研究结论 DFQ-Diversify 模型有效解决分布外泛化问题 ⚫ 本文提出全新模型 DFQ-Diversify，通过引入自监督领域识别与对抗训练机制，实现 标签预测任务与领域识别任务的显式解耦。该模型无需人工预设环境变量，能够自 主识别潜在领域信息，进而提取出对外部扰动不敏感、跨领域稳定的预测特征，增 强模型的分布外泛化能力。 模型创新性地引入"领域-标签"解耦框架 ⚫ 模型训练流程包含三个核心模块：update_d、set_dlabel 和 update，通过对抗训练 机制同时完成领域识别与标签预测任务，实现两者的显式解耦。 自监督动态领域划分机制提升灵活性与泛化适应能力 三重对抗训练机制增强特征解耦与迁移稳健性 与 Factorvae-pro 的对比：从静态环境变量到动态领域建模 多市场回测表现优异，泛用性强 ⚫ 模型在中证全指、沪深 300、中证 500 等多个股票池中均取得显著绩效，尤其在大 盘股表现突出。2020-2025 年间，中证全指池中 IC 达 12.22%， ...