爲什麼：關於因果關係的新科學

五星！一本理論與實務並存的精彩科普書籍！隨着千問、豆包和DS等AI的普及，我們直接依靠APP獲取答案已是趨勢。“爲什麼”可能已不重要，再疊加大數據，多數人更是追求“相關性”，而非“因果性”。如此，沒有“因果”後，弱AI會迭代至“像人一樣思考”的強AI嗎？ 2026年的第一本閱讀就從朱迪亞·珀爾教授的《爲什麼》開始吧。該書是目前已出版的唯一一部因果關係科學方面的科普著作，爲我們推開了一扇窗，可以一窺AI時代可能的趨勢路徑。作者曾是AI“相關性”路徑的頂級大神，2011年圖靈獎獲得者，創建了AI著名的關於不確定性的推理方法，“貝葉斯網絡”。雖然貝葉斯網絡很成功，但珀爾教授卻發現這並沒能彌合AI和人類智能之間的差距，缺失的要素就是因果性。 “對於沒有概率統計基礎的讀者來說，筆者的閱讀建議是略過數學細節，着重抓住內容大意；而對於有一定概率統計基礎的讀者來說，筆者認爲在閱讀時一定不能放過正文中的數學精髓，這本書中的數學公式不多不少，剛好自圓其說”。 作者力圖“完成一個三位一體的使命：首先，用非數學的語言闡述因果革命的知識內涵，說明它將怎樣影響我們的生活和未來。其次，分享在解決重要的因果問題時，我們的科學家前輩走過的英勇征程，無論成敗，這些故事都值得講述。最後，回溯因果革命在人工智能領域的發源地，目的是向你介紹如何開發出用我們的母語——因果語言進行交流的機器人。” 作者認爲“思維勝於數據”，即“你比你的數據更聰明”，數據不瞭解因果，而人類瞭解。而因果推斷這門新科學就是讓我們達成這項能力。人類掌握的因果想象力使我們可以規劃複雜過程並更有效地達成目的。統計學是人類認知世界的有效手段，但它的盛行又讓讓人類陷入了因果矇昧的黑暗，只知“相關性”，即知其然而忽略所以然。 作者總結有效的學習者須掌握三種能力：觀察、行動和想象，即因果關係三層梯的觀察、干預和反事實。大多數動物和機器學習都處於第一層的觀察，通過關聯進行學習；而掌握工具使用能力的人類則進入第二層的干預；而想象並不存在的世界，並推測觀察到的現象的原因爲何則爲第三層的反事實。 當我們問：“購買牙膏的顧客購買牙線的可能性有多大”時，是觀察。“如果把牙膏的價格翻倍，牙線的銷售額將會怎麼樣”時是干預。因果關係之梯第二層級的典型問題就是：“如果我們實施……行動，將會怎樣？”第三層級的問題則爲：“假如我們把牙膏的價格提高一倍，則之前買了牙膏的顧客仍然選擇購買的概率是多少？”將真實世界與虛構對比。因果模型可用於回答此類反事實問題。因果模型可以幫助我們找出原因並採有效確的改進措施。第三層級的典型問題是：“假如我當時做了……會怎樣？”和“爲什麼？” 藉助因果圖等，作者以大劑量例證闡述僅憑大數據是無助於回答第三層問題。例如根據數據，接種天花疫苗造成不良反應的兒童人數多於死於天花的兒童。而擁有因果模型就會明白“反事實”問題的正確答案。“因果關係不能被簡化爲概率”。貝葉斯網絡適用於一個所有問題都被簡化爲概率的世界。人類以尋找因果關係爲起點，最終卻發現了相關性，一種無視因果的關係。其實，貝葉斯統計已爲我們提供了一種將觀察與我們已有的相關知識（或主觀判斷）結合起來以獲得修正後的判斷的客觀方法，即對因果主觀性的接受。因果推斷的這一屬性與貝葉斯推斷是一致的。 珀爾教授通過概率統計領域中幾個有名的令人費解的悖論，例如蒙提·霍爾悖論和辛普森悖論等，來表明如果不用因果透鏡看世界，我們很可能會出差錯。人類的直覺是根植於因果的，而不是根植於統計和邏輯的。我們的大腦不擅長處理概率問題，但對因果問題則相當在行。“行動超越了言論的人，其言論將經久不衰”。do演算！其能夠解決艱深的理論問題的數學工具，在現實中也能發揮作用。工具變量是一個重要的工具，它能幫助我們揭示do演算無法揭示的因果信息。 “爲什麼”有兩個版本。第一個直截了當：看到一個果，想知道因；第二個是爲了更好地瞭解已知的因和已知的果之間的聯繫。科學家使用“中介”來表達第二個版本。關於中介物，我們想問的一些典型問題是：它是否能解釋全部結果？中介分析的實踐者花了很長的時間才從線性迴歸的迷霧中醒悟過來。“全民學代數”，吸菸基因：中介與干預，止血帶：隱藏的謬誤等，很多打開視野的好案例。 如果興趣於AI，對於統計學或哲學無興趣，讀者可以直接跳躍至本書的最後一章。其中，作者回到他的老本行，帶領讀者一起探索因果革命對人工智能的影響。珀爾教授認爲科學家對於“爲什麼”的漠視，是因爲他們長期束縛於統計學的工作氛圍，提問“爲什麼”的正當權利被剝奪了。在AI，貝葉斯網絡以數學的方式可靠地處理概率，但仍然無法理解因果。當我們開始談論強人工智能時，因果模型就從奢侈品變成了必需品。 作者堅信“因果推理模塊將使智能機器有能力反思它們的錯誤，找到自身軟件程序中的弱點，並能像一個道德實體那樣思考和行動，自然地與人類交流它們自己的選擇和意圖。”

爲什麼要研究關於“爲什麼”的學問？——一門科學哲學的大衆讀物一、導言科學革命徹底終結了傳統的神權統治地位，數學作爲自然科學皇冠上的明珠逐漸耀眼；然而，我們在稱讚其精準性的同時也不可以忘記，凡偉大的數學家背後均有着哲學思想的支撐——從畢達哥拉斯到萊布尼茲無不如此，“前定和諧”的概念如此深入人心，以至於凡是優美的，必該是簡潔的都成爲研究方法中的信綱——如無必要勿增實體即是如此。 但是，近年來的科學研究當中出現了一種簡單化的謬誤，首先從自然科學領域誕生，對大量數據收集後得出的往往是一些細枝末節的結論——比如生物科學和材料學中被人詬病的灌水論文；接下來便是社會科學，也有基於數據驅動的研究範式，運用獨家數據——比如“攜程”公司董事長喜歡在本公司內做實驗——得出一些你奶奶都知道的結論——比如放假多有利於生育率。 這種看似簡化的背後，實則是過度複雜的泥潭。大數據範式的引入以及計算機性能的提高，爲統計建模和機器學習提供了前所未有的便利，但也催生了新的矇昧。學過統計學的都知道，樣本量越大，迴歸分析的p值必然越小，其顯著性必然越高。這種對“相關關係”的盲目崇拜大行其道，使得經濟學的公式愈發複雜，政治學社會學的定量研究日益內卷，研究者秉承着“執果索因”的想法，胡亂搭配控制變量以追求顯著性，其論證過程無異於一種精緻的“統計鍊金術”，最終得到的往往是外部環境稍加改變便轟然倒塌的過擬合模型，其目的在於完成一場與政策制定者的共謀——分點基金評先評優。。 當這種思維通過大衆傳媒擴散，缺乏邏輯訓練的公衆手握看似“數據驅動”的證據相互攻擊，便印證了劉慈欣的那句話：“弱小和無知不是生存的障礙，傲慢纔是。”閱讀本書，好處在於基本都是故事，公式較少（相較於那本《因果論》），僅有的一些公式難度較低，仔細閱讀收穫往往較大。 本書及其思想更有趣的應用其實在計算機科學當中，我們知道GPT模型非常火爆，其實質便是一個預訓練的試圖模仿因果“機器人”，你問什麼它就回答一些相關聯的領域，也就是在珀爾的第二層階梯上待著，什麼是階梯，且看下文。 二、“爲什麼”爲什麼重要？朱迪·珀爾的《爲什麼》是對知識傲慢的宣戰，他要發起一場“因果革命”，將科學從相關性的迷霧中解放出來。爲此，他構建了極具洞察力的“因果關係之梯”，它不僅是人類認知發展的歷史，也是任何智能系統理解世界的必經之路。、 階梯的最底層是“觀察”，即發現變量間的關聯。今天絕大多數的統計學與機器學習都停留於此，它們是強大的模式識別器，能預測商品的銷量，卻無法分辨是公雞打鳴導致太陽昇起，還是反之。 階梯的第二層是“干預”，它回答的是“如果我做了某件事，會發生什麼？”的問題，這正是科學實驗的精髓。珀爾爲此提供了嚴謹的do-算子，它代表了一種對系統進行的外科手術式干預，切斷了原有變量間的所有聯繫。更重要的是，他所推廣的因果圖（DAGs）和後門準則等工具，指導我們在無法進行昂貴甚至不道德的隨機實驗時，如何巧妙地利用觀察性數據，模擬出干預的效果，從而識別出真實的因果效應。 階梯的頂峯則是“反事實”，即想象那些與現實相悖的可能性，回答“假如當初……會怎樣？”。這是人類智慧的標誌，是道德、法律、懊悔與創新的基石。我們之所以能從經驗中學習，正是因爲我們能進行“如果我當時做出不同選擇，結果是否會更好”的反事實思考。珀爾的結構因果模型（SCM），則首次爲這種看似虛無縹緲的思維活動提供了堅實的數學基礎，讓嚴謹的反事實推理成爲可能。 整個科學史實際上就是一部攀登這座階梯的歷史。從托勒密的天文學（觀察）到伽利略的實驗（干預），再到愛因斯坦的思想實驗（反事實）。而因果推斷要做的，就是爲這整個過程提供一套統一的數學語言。 三、珀爾和魯賓：互相補充還是互相爭論在因果推斷的江湖中，珀爾的理論並非孤立存在，它與另一大主流學派——唐納德·魯賓的潛在結果模型（RCM）——形成了長期的爭論與對話。 魯賓因果模型將任何因果問題都類比爲一次理想實驗，把世界看作存在兩種“潛在結果”：接受干預的結果與未接受干預的結果，而我們永遠只能觀測到其中之一，因此因果推斷本質上是一個“缺失數據”問題（由霍蘭德歸納）。 在個體處置效應中，即τ_i = Y_i(1) - Y_i(0)，我們看到Y_i在一個時點不可能既爲1（接受處理）又爲0（沒接受處理），因而永遠有一個數據是缺失的。魯賓事實上做到的乃使用ATE（平均處置效應）代替對個體處置效應的追求，由於在其假設中，處置發生與否是隨機的，與結果變量無關，效果也不外溢（三大假設——「穩定單元干預值假設」「可忽略性假設」和「正值假設」），因而可以在一個總體上用未接受處置的個體加權作爲接受處置個體加權的對照組，相減即得出平均處置效應，這就是一個典型的“反事實”。 這一框架數學上極爲嚴謹，在評估一項政策或藥物的平均效果時非常強大，但它像一個“黑箱”，往往回避了因果過程如何發生的問題。相比之下，珀爾的因果圖則是一個“白箱”，它強制研究者必須首先將自己對世界運作方式的理論假設，用一張清晰的、帶箭頭的圖給畫出來，讓所有假設都變得透明、可供檢驗和批判。最初，兩派學者爭論激烈，但如今越來越走向互補：珀爾的因果圖好比一張戰略地圖，幫助我們規劃識別因果關係的路徑，判斷應該控制哪些變量（封堵後門路徑），以及千萬不能控制哪些變量（打開對撞偏誤）；而魯賓學派發展出的傾向得分匹配等統計方法，則是執行這張地圖計劃的精良戰術武器。 在處理那些經典的統計學悖論時，珀爾框架的優越性顯露無遺。例如，在辛普森悖論中，因果圖能一目瞭然地揭示出混雜變量的存在，並明確指出必須分層分析；而魯賓的框架雖也能得出同樣結論，但其所依賴的“可忽略性”假設實際上依賴的是對分配機制進行正交化運算，其背後的道理若不借助因果圖，則難以直觀地被人理解和論證，筆者近期即深受其害/(ㄒoㄒ)/~~ 。 四、結論與展望 貝葉斯思想爲何如此重要？珀爾的整個體系，其根基是貝葉斯網絡，而一張因果圖，本質上就是我們基於領域知識對世界構建的一個“先驗信念模型”。數據的作用，正是在這個模型框架下，來更新我們的信念，證實或證僞我們提出的因果路徑。這與貝葉斯學派“信念+證據=新信念”的核心思想完美契合。 而對於階梯頂層的反事實問題，頻率學派的概率論是無能爲力的，因爲反事實事件從未發生過，也就沒有頻率可言；只有在貝葉斯學派將概率詮釋爲“信心的度量”時，我們纔能有意義在政治學領域討論“假如清政府沒有滅亡，中國自主走向現代化的可能性有多大”。當然，這並不意味着頻率學派的工具就此過時。恰恰相反，當我們的因果模型告訴了我們“需要估計什麼”之後，我們依然需要依賴頻率學派強大的統計工具箱去完成具體的參數估計和假設檢驗，綜合來看，魯賓與珀爾兩位教授恰恰成就了各個學科的交織演進，讓各個學科間的交叉研究成爲可能，避免了自說自話的尷尬（尤其是新傳領域“黑話”問題非常嚴重！）。 因此，《爲什麼》的真正貢獻，是爲所有學科提供了一套統一且透明的因果語言，它告誡我們，數據本身不會說話，它只會回答被問到的問題。如果我們只問相關，就只能得到相關。只有當我們勇敢地構建起一個關於“爲什麼”的理論模型，數據才能在模型的引導下，爲我們揭示出世界運行的深刻機理。這本書，正是引領我們從一個被動的數據觀察者，轉變爲一個主動的世界提問者的思想藍圖。

本書將"因果"從哲學直接變成可計算，可驗證的科學，徹底打破相關≠因果。 本書推翻統計舊規，不再只談相關，迴避因果，把因果變成嚴謹科學。 本書幫助讀者，不被數據騙，不被相關誤導，能精確決策，能解釋原因。 本書將"因果"從憑感覺變成可計算、可驗證、可推理的科學，這是一場AI決策的厎層思維革命。

純陽書評（豆瓣:純陽子/公衆號:純陽書評／微信號:chimbusco88）第469期《爲什麼》維克托•邁爾•舍恩伯格在《大數據時代》指出，大數據時代最大的轉變就是，放棄對因果關係的渴求，而取而代之關注相關關係。也就是說只要知道“是什麼”，而不需要知道“爲什麼”。號稱顛覆了千百年來人類的思維慣例，對人類的認知和與世界交流的方式提出了全新的挑戰。如果說這種顛覆是真實存在的話，那麼這本書將是對這種顛覆的再次顛覆，同時也是對前者所要挑戰的“人類的認知和與世界交流的方式”進行了一次實實在在的捍衛。而這種顛覆和捍衛恰恰也是本書的看點所在，具體內容如下： 第一、本書釐清了“只要知道是什麼，而不需要知道爲什麼”的歷史源流。 儘管維克托•邁爾•舍恩伯格宣稱“只要知道是什麼，而不需要知道爲什麼”，但是我們還是可以問一個爲什麼，即爲什麼要放棄對因果關係的渴求，而取而代之關注相關關係，但是《大數據時代》給不了回答，因爲本書會告訴讀者，現代大數據技術所基於的統計學理論不是不想知道爲什麼，而是因爲出現了難以逾越的障礙而不情願地放棄了對爲什麼的追求，不得不退縮到對相關性的守候，而這種守候從根本上講不是一種主動選擇，而是一種無奈的選擇。但是選擇一旦做出，學術探索就好似走上了一條忘記了因果的不歸路，相關性成了唯一的目標，對因果的探討甚至成了可有可無。 本書從歷史和邏輯的角度，重新梳理出了因果研究應有的邏輯主線，從歷史和認知的迷霧中還原出了因果研究的本來面目，並通過具體的方法體系，爲因果研究掃清了障礙，而這種障礙的掃清，進一步增強了前述梳理工作的說服力。正如直覺告訴我們的，因果從來就很重要，從來沒有變得不再重要，未來也不會變得不再重要。 第二、本書提出了一套囊括相關性的因果關係體系。 作者把這套體系稱爲因果關係之梯，梯分三級，分別是關聯、干預、反事實，逐級突破，逐級升級，三級融爲一個整體。關聯就是通常意義上的相關性，在這一層級通過觀察發現規律，現有的相關分析、迴歸分析等關聯度量方法以及當今的主流人工智能都屬於這一層級。這一層級希望通過數據發現知識，解決所有的問題，但是事實上這種想法可能只是水中落月，鏡中看花，月也不是真月，花也不是真花，到頭來一場空，如皋港沒有一個因果模型，無論有多大的數據、多大的算力，也無法突破到第二層。 第二層是干預，這一層比關聯更高級，不只涉及被動觀察還涉及主動改變現狀，要求我們掌握一種脫離於數據的新知識。 第三層是反事實，因果邏輯不只存在於數據之中，也存在於沒有發生的事實之中，因爲因果邏輯，有些事實發生了，所以我們看到了數據，同樣因爲因果邏輯，有些事實沒有發生，儘管我們看不到數據，但是我們應該想到反事實。因爲只有以數據爲代表的事實和我們看不到的反事實結合在一起，我們才能看到因果關係的整體。 作者的因果關係之梯不但把相關和因果關係做了一個很好的梳理，而且爲理解當前人工智能技術發展現狀和未來發展方向提供了一個很好的指南和方向。 本書推薦。

我家孩子剛開始說話時，會突然蹦出一些成語之類的高級詞彙，表達的意思以及場景非常正確，但是她完全不知道這個詞的意思。這就類似於現在AI填空猜詞的模式。 然後給她講了成語的故事，她依然不理解這個成語的意思，但是一說到這個詞她就能聯想到這個故事。隨着詞彙量的增加，產生了更多的維度和關聯，大量的詞、句子、故事等數據之間的相關性湧現出了一定的邏輯。 但這不是書中那種線性的邏輯，不是那種需要因果的邏輯。而是一開始完全沒邏輯的，非常的自由的瞎說。然後被不斷輸入的詞彙、知識、經歷壓縮了自由度，從而變的有邏輯性，類似於把一堆數據壓縮成了公式，也就是壓縮即智能。 作者成書比較早，這幾年AI在大力出奇跡下突飛猛進這是他無法預見的。書中說的AI不會反思，不會思考不存在的事，不會創造，是因爲不理解因果。 但所謂的“因果”，可能只不過是人類對反覆穩定出現的數據交互模式起了一個名字而已。哪怕是干預、做實驗、改變變量，本質依舊是不同條件下的數據分佈。所以，因果歸根結底，還是大數據 + 不同場景下的統計關聯。 AI不理解因果原因可能還是數據太少。我們人類也無法想象沒見過的東西，我們出生時也沒有邏輯，我們都是通過自身的生活經歷所得的數據來產生認知的，所以同樣看一本書，一件事，每個人的認知理解都可能是不同的。而所謂創造，就如同生活中偶然碰到了從未見過的事物，結合它出現的場景，自身的認知，發現了新的現象，先猜測各種假說然後再驗證。本質上還是像孩童學語一樣，先學會使用（猜詞填空），通過生活經歷（數據壓縮）後理解語義（邏輯原理）。 AI現在缺少現實世界的數據，也缺乏與真實世界互動產生的反饋數據，未來這塊的數據上來，特別是接觸到人類沒有接觸到的新數據，以及類似於人類之間競爭時所創造更新出來的數據時，是否也就會湧現出理解物理規則，因果關係，想象創造的能力，從而誕生遠超我們的智能呢？

本書介紹了一種可以用來釐清因果關係的工具，因果關係圖，給出因果關係圖中幾種形式的關係：連接合、叉接合、對撞接合，基於不同形式關係來判斷因素之間是否存在因果連接，分析因果連接時是否需要控制其他因素。 提出了因果之梯的概念，第一層是關聯，第二層是干預，第三層是反事實（即假設和想象推導），是層層遞進的關係，只有滿足了反事實論斷，才能說明兩個因素之間存在因果關係，指出目前的大數據和人工智能只是停留在第一層，即相關，相關關係是弱於因果關係的，實現人工智能，不能只停留在關聯層，必須要給人工智能灌輸因果關係。 書中舉了很多通過因果關係圖去解決經典悖論問題，三門問題和樣本不均衡問題的悖論。 提出do算子，用來表示干預而非觀察得到的概率關係，是從第一層到達第二層的一種數學表示符號，以便可以區分干預和觀察行爲。 可能是作爲科普書吧，總感覺有點東拉西扯的，例子和歷史故事太多了，涉及核心觀點和主張並沒有那麼多，水份太多，講太多故事了。 個人思考，確實只從數據出發是不可能得到因果關係的，統計學家一般只會承認存在相關，不承認因果，這是比較嚴謹和保守的態度，對以客觀性爲原則來說，這是無可指責的。作者認爲是可以推斷出因果的，並且給出了方法論，有點責怪統計學家們不思進取的意味在。現實世界的因果關係是非常複雜的，辯證唯物主義說事物之間是存在普遍聯繫的，如果按照作者的主張，畫出完整的因果圖，考慮所有的相關因素，是不經濟的，而且因果圖裏面各個因素之間的關係其實是依賴個人的主觀判斷的，每個人畫的圖都會不一樣吧，這也會存在較大的溝通成本，數據有一個目的就是爲了減少溝通成本，在一個相對客觀的環境下，快速達成共識，因果圖的構建一方面使得分析邏輯思路更明確，但是也增加了溝通成本，反映到現實就會出現作者鄙視的，大家對於因果探討的沉默吧。目前來說還是隨機實驗能夠最大限度的解決因果因素分析問題。作爲數據分析的話，對通過數據來揭示因果，務必要保持敬畏和謹慎，危險又刺激。

本書作者朱迪亞·珀爾致力於建立並推廣一門名爲“因果推斷”的新學科。他認爲，這門新學科會影響到人類生活的方方面面。 這一學科的核心概念叫做“因果關係之梯”，其中包含了“關聯”、“干預”和“反事實”三個層次。 “因果關係之梯”第一層：“關聯” “關聯”，指找出不同變量之間的關係，也可以叫“相關性”。在“相關性”的研究中，最重要的學者是高爾頓和皮爾遜。 高爾頓設計了“高爾頓板”，這塊板子上按照三角形陣列，插滿了釘子。從板子上口倒入很多小球，它們會在底部堆積成“中間多、兩邊少”的正態分佈。人羣的身高數據也符合正態分佈：多數人是中等身材，特別高或矮的人很少。高爾頓認爲這個釘板可以用來模擬遺傳規律。 但是，如果增加板上釘子的層數，最後的分佈會變扁、兩邊小球會增加。如果這與遺傳規律相同，那麼隨着子孫代數增加，會出現更多特別高和特別矮的人。然而，人類身高實際分佈狀況是相對穩定的。此外，高爾頓還發現，那些高個父親的兒子，會比普通人高一點，但是卻沒有父親高；矮個男人的兒子類似，身高會更普通一些。高爾頓管這種現象叫做“向均值迴歸”。他一直想找到其中的因果關係。 然而，“迴歸均值”由概率規則就足以解釋了。人的身高很高，一方面是遺傳因素，另一方面是因爲運氣比較好。而他的下一代，遺傳因素確實不錯，但是環境變化了，或者運氣變差了，於是身高就回落了。 在否定了因果性的絕對地位後，高爾頓還注意到，高個的人通常也有長度大於均值的前臂。顯然，不能說身高導致了臂長，只能說二者存在一定的相關關係。 高爾頓開啓了相關性的研究，他的學生皮爾遜更加極端，他想將因果關係從統計學中徹抹去，然而他卻無法解釋“僞相關”問題。 一個國家的人均巧克力消費量，和該國諾貝爾獎得主人數之間存在強相關。按照皮爾遜的說法，這是一種“僞相關”，沒有科學意義。但是，巧克力的消耗越多的國家，往往越富裕，科研水平更高，因此諾獎學者也就越多。對於這種因果解釋，皮爾遜堅決抵制。 爲了更好地理解“僞相關”問題，需要到達“因果關係之梯”第二層。 “因果關係之梯”第二層：“干預” “干預”，分析的是“如果採取行動，會產生怎樣的影響”。 做出干預之前，要排除“混雜因子”，它是指那些同時對“因”和“果”產生影響的因素。在“巧克力與諾貝爾獎”的故事中，國家經濟就是一個混雜因子，它同時影響了巧克力消耗和諾獎人數。 學者們在設計實驗時，要儘可能控制混雜因子，否則可能會出現“悖論”。 在“辛普森醫生悖論”中，辛普森醫生想測試一種防治心臟病的新藥。實驗中，患者分成喫藥組與沒喫藥組（即對照組）。喫藥組中，40名女性和20名男性。對照組中，40名男性和20名女性。 在對照組中，40名男性中，12人發病，發病率30%；20名女性中，1人發病，發病率是5%。在喫藥組中，20名男性，8人發病，發病率40%；40名女性，3人發病，發病率是7.5%。評測結果顯示，這種藥對男性有害，對女性也有害。但是，把全部數據加和，會發現在沒喫藥的60人中，發病13人；喫藥的60人中，發病11人。從全體人類的角度看，這個藥是有效果的。 這一悖論的關鍵是：“性別”是一種混雜因子，同時影響了分組和療效，應該排除掉。 爲了避開混雜因子，可以採用隨機控制變量法。 在對比A、B兩種肥料的效果時，土壤、水源、種子、氣候等因素都是混雜因子，會影響莊稼的產量。爲此，英國學者費舍爾設計了隨機控制變量實驗，將一塊土地分成很多小區域，然後在所有的小區域中隨機分配A肥料和B肥料，記錄它們的效果，這個過程作爲一次實驗。然後，反覆重複實驗很多次，每一次都重新隨機分配肥料的對應區域。於是，所有混雜因子都在多次的隨機過程中相互抵消掉了。 雖然，隨機化可以消除混雜因子帶來的偏差，但很多時候，我們卻無法做出隨機實驗。比如，在研究肥胖對心臟病的影響時，不可能隨機安排患者喫胖或者減肥。於是，要動用來自“因果關係之梯”第三層的能力。 “因果關係之梯”第三層：“反事實” “反事實”是指：“如果某事沒發生，那會有產生怎樣的結果”。“反事實”分析的本質就是問出“爲什麼？” “反事實”思考的關鍵是找到“中介因素”。如果A導致B，B導致C，那麼B就是中介因素。 “壞血病”的案例體現了中介因素的重要性。在大航海時代，水手們被壞血病所困擾。直到1747年，林德醫生髮現食用柑橘類水果可以治療壞血病，情況纔有所改善。 然而，一個世紀後，英國極地探險隊中又出現了壞血病。這是因爲醫生們沒有弄清防止壞血病的中介因素，他們誤以爲柑橘類水果能預防壞血病的是因爲酸。起初，水手喫的是西班牙檸檬；之後，人們開始用便宜的西印度酸橙作爲替代品。雖然二者都很酸，但酸橙的維生素C含量卻只有檸檬的四分之一。 直到科學家們分離出了維生素C，人們才找到了預防壞血病的關鍵，從而理清了因果關係：柑橘類水果提供維生素C，維生素C防治壞血病。 中介因素還有更復雜的內涵。當A導致B，A和B共同作用導致C時，此時中介因素B的存在，會讓我們對問題的分析出現偏差。 在公司中，員工的學歷和工作經歷共同決定了薪水。如果小張是本科學歷，5年工作經驗，年薪是10萬。那麼，如果小張是碩士學歷，他工資該有多少？ 用傳統的迴歸分析法，可以建立公式：“員工薪水=A乘以學歷+B乘以工作經驗”。通過查找小張同事們的信息，可以計算出A和B的值。然後，把公式中小張的學歷換爲研究生，得出這種假設情況下他的薪水。 但是，工作經驗是一箇中介因素。工作經驗與學歷影響薪水，但工作經驗同樣取決於學歷。因爲，擁有更高學歷的員工，往往花了更長的時間去接受教育。假如小張是研究生學歷，那他的工作經驗將減少2~3年，需要把這項修正考慮進去。 迴歸分析法停留在了因果關係之梯的第一層，只是觀察了數據的特點。而考慮到中介因素，並理清了其中的關係後，纔算做到了真正的因果推斷，也就是到達了因果關係之梯的第三層。 經過攀爬三層因果關係之梯，我們才能建立起正確的因果模型。作者指出，當今的很多科學研究被束縛在了“相關性”這一層。他堅信“因果推斷”這一新學科將帶來整個科學界的轉變，從而讓科學更加繁榮。

不推薦任何自然科學領域碩士及以上學歷的非輝格史觀擁護者閱讀本書。 如果因果分析真的處處solid，自然科學尤其實驗科學的phd candidates難道是因爲太蠢了纔在世界範圍內普遍性延畢嗎？真實的自然科學研究裏，畫出因果圖的箭頭只需1秒，但實證每個箭頭背後的實驗事實可能需要耗費數個博士最好的人生時光。 當然，作者自稱是一個不做試驗的輝格史觀者，那麼以馬後炮式的認知論立場寫出本書這樣字裏行間透露着對經驗科學研究實際缺乏基本認知的作品，也不足爲奇。

因果之梯（Ladder of Causation）把人類或機器對世界的認知分成三個逐步深化的層次： ​​1. 觀察層（Association/Seeing）​​ • ​​核心問題​​：X 與 Y 之間有什麼關聯？ • ​​典型例子​​：醫生髮現“咳嗽”與“感冒”在人羣中經常同時出現，於是患者一出現咳嗽就懷疑感冒可能。 ​​2. 干預層（Intervention/Doing）​​ • ​​核心問題​​：如果我主動做 X，Y 會怎樣變化？ • ​​典型例子​​：製藥公司做雙盲隨機對照試驗，把藥物 A 給一部分病人、安慰劑給另一部分病人，觀察哪組的康復率更高，以判斷藥物 A 是否有效。 ​​3. 反事實層（Counterfactual/Imagining）​​ • ​​核心問題​​：假如我當初沒做 X，Y 會怎樣？或者“爲什麼？” • ​​典型例子​​：一名患者服用藥物 A 後康復，醫生進一步思考“如果當時沒給 A，患者會不會死亡？”以此評估藥物真正的因果效應，或在法律、倫理場景中評估“若無 A 行爲，結果是否仍會發生”。 三大層次逐級提升：僅靠相關性無法說明因果；干預實驗可確認因果方向，但仍無法回答“如果沒發生 X 會怎樣”；反事實推理則允許我們在心智中“違背法則”去想象未發生的世界，從而真正回答“爲什麼”。

這本書是有些料道的，我決定再復讀一遍，如果不行我就再讀第三遍。 第一遍閱讀讓我知道：統計學的概率模型與因果關係的本質不同。統計學的模型與時間無關，或者說排除了時間的先後順序，最多隻是一種相關性；而英國關係裏包含有時間要素，當我們談因果關係時，因必須在前而果必然在後，所謂的前因後果。再深入一點，統計學是抽象的結果，因爲它跟時間無涉；英國論則只能是具象的，它必須存在現實中。按照作者是語言：統計學只知道“是什麼”，但因果關係卻描述“爲什麼”。 但根據我的認知，這本書最多也只能在實證科學的領域裏多少邁進一小步 ，並不具備在更高的層級，即存在論的層級討論問題。因爲在更高層級，因果邏輯並非我們研究的對象，研究者和研究對象的合一纔是前提。凡是還在探究因果邏輯的學問，都只是在認識論裏打轉轉…人類要超越實證科學的層級，感知到事物的歷史性，才能真正看清楚事物的本質。 啃這樣的書，有些智識上的愉悅。