早在两千多年前，亚里士多德等西方哲学家就已经提出了因果的概念，并开始思考事件之间的“导致”关系。

可以说，因果思维是科学技术的基础。图灵奖获得者朱迪·珀尔在《为什么》一书中给出了很多因果推断的应用实例，它们来自社会各个领域的方方面面。既然因果论这么重要，为何它的数学形式化研究一直滞后，直到最近才初见雏形？主要原因就在于研究因果关系的必备工具之一的统计学在20世纪后才真正成为一门严谨的学问。

在书中，珀尔把因果论分为三个层面，他称之为“因果关系之梯”：第一层级研究“关联”，第二层级研究“干预”，第三层级研究“反事实推理”。珀尔特别指出，我们当前的AI（人工智能）和机器学习只处于最低的第一层级，只是被动地接受观测结果，考虑的是“如果我看到……会怎样”这类问题。

理论上可以证明，人工智能即便在因果关系之梯的最低层级做到极致，也无法跃升到干预层面，更不可能进入反事实的世界。这本书所讨论的几个悖论（伯克森悖论、辛普森悖论、伯克利大学招生悖论等）就曾长期困扰着统计学家，因为这些问题离开了因果论是不可能得到彻底解决的。珀尔也看出了这一问题的症结：缺少因果推断的AI只能是“人工智障”，是永远不可能透过数据看到世界的因果本质的。

作为处在因果关系之梯最低层级的机器学习技术，大数据分析和深度学习并不神秘，说得通俗一些，大数据分析就是多变量统计分析，深度学习就是隐层多了一些的神经网络而已，理论上没有太多新意。借助算力的提升，这轮AI的火爆主要表现在工程实践比以往更丰富了，应用层面的创新要远远超过基础理论的创新。珀尔教授认为大数据分析和深度学习（甚至多数传统的机器学习）都处于因果关系之梯的第一层级，因为它们的研究对象还是相关关系而非因果关系。

众所周知，这轮AI的爆发在很大程度上得益于算力的提升，例如，深度学习就是人工神经网络借助算力的“卷土重来”，把数据驱动的方法推向了一个巅峰。人们甚至产生了一个幻觉——“所有科学问题的答案都藏于数据之中，有待巧妙的数据挖掘技巧来揭示。”珀尔批判了这种思潮，他将因果模型置于更高的位置，把数学或统计建模的荣耀重新归还给了相应领域的专家。

人们喜欢从“数据”、“算法”、“算力”和“场景”四个角度谈论AI。珀尔试图告诉我们，数据固然重要，但它并不是推断的唯一来源，那些承载着知识或经验的“因果”模型，才是帮助机器从“人工智障”走向人工智能的关键所在。在珀尔看来，大数据分析和数据驱动的方法仅仅处在因果关系之梯的第一层，强人工智能还需要干预和反事实推理，如此让机器具备自由意志才可能实现，二者分属因果关系之梯的第二层级和第三层级。

我们不应该把AI技术对立起来，而应该相互取长补短。拿强化学习来说，它不同于有监督学习和无监督学习，是基于马尔科夫决策过程发展起来的第三类机器学习方法——智能体通过与环境互动变得越来越“聪明”。强化学习和因果推断都寻求策略，其中，行动之间是有因果关系的，但因果推断更开放一些，它可以利用数据之外的知识来推断策略的效果。强化学习允许推断干预的结果，因此能攀上因果关系之梯的第二层级。通过模拟环境，强化学习无须从现实世界获取观测数据来训练模型，所以也有可能产生反事实从而登上因果关系之梯的第三层级。

学术界对“强AI”一直持谨慎态度，多数学者倾向于“弱人工智能”，即思维机器可以在一些具体应用（如棋类游戏、人脸识别、信息检索等）上表现得十分出色，但本质上不可能达到人类的智能，譬如，像科学家一样思考，理解人类的语言并无障碍地与人类交流，创造具有真正美感的艺术，拥有人类的情感……大家没敢对强AI抱有太多的期望，主要原因是我们对如何形式化人类自身的因果推断能力了解甚少。

因果的形式化理论，不仅解决了困扰统计学家很多年的一些悖论，更重要的是，利用“干预”让人类和机器摆脱了被动观察，从而转向主动地去探索因果关系，以便做出更好的决策；利用“反事实推理”扩展了想象的空间，从而摆脱了现实世界的束缚。这两点突破实现了因果革命，并分别构成了因果关系之梯的第二层级和第三层级的内容。沿着因果关系之梯，机器便有望拥有强人工智能。

作者：【美】朱迪·珀尔