《为什么》

这本书讲什么？

这是图灵奖得主朱迪亚·珀尔对因果关系科学的系统陈述，也是他对自己半个世纪工作的科普式总结。珀尔的核心主张是：当代统计学与机器学习长期用「相关」替代「因果」，而这是不够的——机器可以预测，却无法回答「如果我做了某件事会怎样」。他提出「因果之梯」的三层结构：第一层是观察（关联），第二层是干预（做与不做），第三层是反事实（如果当初……会怎样）。只有登上后两级，机器才可能具备类似人类的因果理解。全书用吸烟致癌、辛普森悖论等大量案例，解释贝叶斯网络、do 算子、后门准则、中介分析与工具变量，把一套原本艰深的数学语言讲成一条可以拾级而上的推理阶梯。珀尔因在概率与因果推理上的奠基性贡献获得 2011 年图灵奖。

为什么值得读？

在「大数据 + 深度学习」被反复神化的语境里，这本书提供的是最有分量的反方论证：仅靠数据的模式匹配，无法产生因果知识。珀尔不是外行的批评者，而是这个领域的地基铺设者——贝叶斯网络与结构因果模型都出自他手，所以他的批评带有技术分量。对做 AI、做数据分析、做投资决策的人，它给出的不是口号，而是一套可落地的判据：什么问题必须靠实验，什么问题可以从观测数据里恢复因果，什么问题是数据永远回答不了的。中文版由中信出版集团 2019 年引进，江生、于华译。

核心思想

• 相关不等于因果，而且两者的差距是可以刻画的：因果之梯分三层——观察、干预、反事实。当前绝大多数机器学习停留在第一层，因此只能预测，不能解释，也不能可靠地指导行动。
• 因果假设无法从数据中凭空生成：要建立因果关系，必须先有关于世界如何运作的假设（因果图），数据只能在这些假设之下检验或估计参数，这是数据崇拜最根本的边界。
• do 算子把干预变成了可计算的对象：通过后门准则、前门准则等工具，人们可以在不实际做实验的情况下，判断哪些观测数据足以估计干预效应，这是因果革命真正的技术核心。
• 反事实是人类独有的推理层级：第三层需要想象力与模型，而不只是拟合。珀尔认为，能否处理反事实，是区分会预测的工具与会理解的心智的关键分界。

这本书试图回答什么？

• 为什么从数据中永远无法直接读出因果，而必须借助外部假设？这一限制对人工智能意味着什么？
• 机器需要具备哪些能力，才能从预测走向理解，并可靠地回答干预与反事实问题？

适合谁？

做机器学习、数据科学与因果推断的技术人员；需要从观测数据判断某项举措是否真的有效的产品、运营与政策分析者；以及关心 AI 能力边界与可解释性的研究者与投资者。不需要高等数学基础，但读者要愿意跟着作者走一遍推理，而不是只要结论。

阅读指引

中文版《为什么：关于因果关系的新科学》中信出版集团 2019 年 7 月出版，江生、于华译。建议按章节顺序读，不要跳——珀尔是逐级搭梯子。前两章立框架（因果之梯、辛普森悖论），讲干预与 do 算子的章节是转折，进入反事实与中介分析后难度陡增，也正是全书价值所在。想补数学可续读他的《Causality》，想补工程实现可配合书库已有的《人工智能：一种现代的方法》相关章节。