多模态模型会把相关性当成因果吗?

多模态模型看见一张异常图片，又读到一段设备日志，很容易把两件同时发生的事串成“原因和结果”。但在真实生产现场，相关性只能说明“它们可能有关”，不能直接证明“就是它造成的”。这不是模型故意胡说，而是因为模型擅长整理线索，却未必真正完成了因果验证。

为什么容易把相关性当因果

比如，某批 PCB 出现焊点润湿不足，同时生产记录里出现过回流焊温度波动。模型很自然会建议优先检查回流焊过程，这个建议有价值；可如果同一批产品还经历了焊膏印刷异常、元件贴装偏移，甚至材料批次变化，那么仅凭“图片异常 + 日志波动”，就不能认定温度波动是根因。

更麻烦的是，相同外观缺陷可能由不同环节共同造成。同一项参数变化，也不一定会影响所有产品。模型把多个模态的信息放在一起后，确实能减少工程师翻查系统的时间，却也可能因为证据看起来彼此呼应，生成一条很顺的错误解释。

看模型有没有越界

比较稳妥的输出，不应是“根因已经确定”，而应拆成三层：证据、假设、验证动作。

证据是图像中实际看见的缺陷，以及记录里明确出现的异常；假设是“目前更值得优先排查的原因”；验证动作则是需要补看哪些工艺记录、设备报警、同批次检测结果，或者进行现场测量。这样一来，模型给出的是排查顺序，而不是替工程师定责。

真正需要警惕的，反而是那些写得特别完整、语气特别肯定的报告。资料不足时，模型能否明确说出“还缺什么”，比它能否编出一个听起来合理的根因更重要。

让它做诊断助手

落地时，比较现实的做法是保留原有视觉检测，把多模态模型放在“发现异常”之后：它负责整理缺陷图像、批次记录、工艺参数和维修文本，生成分析草稿；质量工程师再核对证据、补充检查，并记录最终处理结果。

判断模型是否靠谱，不能只看缺陷识别得准不准，还要看它能否正确对应产品、批次、时间和工位，能否区分事实与推测，能否在工况变化时保持谨慎。说到底，多模态模型可以帮大家更快找到“先查什么”，但“为什么发生”仍需要现场验证。把相关性当线索，才是帮手；把相关性当结论，就可能把排查带偏。