InferenceEvolve：通过自进化AI迈向自动化因果效应估计器

因果推断是科学发现的核心，但由于统计方法与真实世界数据两者的复杂性，选择合适的方法仍然充满挑战。受人工智能加速科学发现的成功启发，我们提出InferenceEvolve，一个利用大语言模型发现并迭代改进因果方法的进化框架。在广泛使用的基准上，InferenceEvolve得到的估计器始终优于既有基线：与近期一场社区竞赛中58份人类参赛作品相比，我们进化出的最佳估计器在两项评估指标上位于帕累托前沿。我们还为没有半合成结果的场景开发了稳健的代理目标，并取得了有竞争力的结果。对进化轨迹的分析表明，智能体逐步发现了针对未公开数据生成机制量身定制的复杂策略。这些发现表明，语言模型引导的进化能够优化因果推断这类结构化科学程序，即便结果只能被部分观测。