EdgeThemis-FMEA：在8GB边缘设备上构建因果推理裁判所的零拷贝架构

EdgeThemis-FMEA项目旨在解决大模型'因果脸盲'问题及传统因果推理方法资源消耗大的困境，通过System1（直觉型LLM）与System2（理性型Rust图引擎）协同架构+零拷贝数据流转设计，在仅8GB VRAM的边缘设备上实现工业级因果推理与动态纠错。项目结合FMEA方法论，目标是在边缘场景（如工业维护、医疗诊断等）提供可靠的因果推理能力。

当前大语言模型（LLM）存在'因果脸盲'现象，面对严格逻辑链条的因果推断易出现幻觉和逻辑断裂，在医疗、工业等高精度场景致命。传统因果推理方法（如贝叶斯网络、因果图模型）需数十GB显存，难以在边缘设备部署，但边缘场景（工厂车间、移动医疗等）恰恰最需要可靠因果推理能力。

System1：直觉型LLM层

由轻量级LLM构成，快速生成初步因果假设，利用模式识别和知识检索优势，毫秒级提出可能因果路径，但易受认知偏见干扰。

System2：理性型Rust图引擎

用Rust编写的高性能图计算引擎，实现Kahn拓扑排序（检测DAG环路）和d-分离算法（判断变量条件独立性），确保推理严谨性。

零拷贝数据流转

通过共享内存映射和零拷贝缓冲区，System1生成的因果图直接被System2读取验证，无需中间序列化/反序列化，优化内存使用与延迟，支持8GB显存运行。

Kahn拓扑排序算法

用于验证因果图合法性，通过移除入度为零节点确定线性顺序，快速识别循环因果（如A→B且B→A）等逻辑错误。

d-分离路径追踪

判断给定观测变量下两变量是否统计独立，通过追踪因果图路径、分析节点类型（链式、分叉、对撞）实现。Rust实现针对边缘设备优化，用位图压缩和路径缓存技术将计算复杂度控制在多项式时间内。

将FMEA方法论融入系统，构建'生成-验证-纠错'闭环：

1. 错误分类：按FMEA标准归类为因果环路、遗漏变量、混淆因子等；
2. 严重度评估：评估错误对结果的影响程度；
3. 纠正建议生成：基于错误类型给出修正建议；
4. 迭代优化：修正后因果图重新验证，直至通过所有检查。无需人工干预即可持续自我改进。

EdgeThemis-FMEA适用于资源受限的边缘场景：

• 工业预测性维护：工厂边缘设备分析传感器数据，识别故障根因，无需上传敏感数据；
• 医疗辅助诊断：离线终端辅助医生分析症状与疾病因果关系，保护隐私；
• 自动驾驶决策：车载单元实时因果推理，确保决策逻辑一致；
• 金融风控：本地设备分析交易数据因果模式，防止欺诈。

EdgeThemis-FMEA启示：将不同认知特性模块结合（直觉型vs理性型），而非单一全能模型，在资源受限下实现高智能。这对大模型发展有借鉴意义：探索多系统协同，让子系统专注擅长领域，或突破当前AI瓶颈。对边缘AI开发者，提供技术蓝图：零拷贝优化内存、双系统提升推理质量、工业方法论确保可靠性，可迁移至其他边缘场景。