为什么没有因果推理，机器永远学不会像人一样思考

在这期Lex Fridman播客中，因果推理之父Judea Pearl回顾了自己横跨工程、概率论与人工智能的一生，系统阐述了“相关性机器学习”的根本局限，并提出通往通用人工智能（AGI）的关键路径：因果模型与反事实思维。

从工程师到因果革命者：一条并非规划好的人生路径

理解Judea Pearl的思想，离不开他个人经历的偶然性。这很重要，因为他的因果理论，本身就诞生于对“为什么事情会这样发生”的长期追问。Pearl并非一开始就立志研究人工智能或哲学问题。他早年接受的是严格的工程与数学训练，在大学阶段专注于工程学，并长期沉浸在概率论的技术细节中。

他在对话中坦言，自己真正系统理解“因果性”这件事，其实是相对晚近的事情——“我大概是在15年前才真正意识到，自己一直在做的事情，其实是在为因果推理铺路。”这并不是灵光一现的顿悟，而是多年跨学科工作的自然结果。

Lex Fridman在对话中多次提到，Pearl几乎在所有与不确定性相关的科学领域都留下了“足迹”，从控制论到统计学，再到人工智能。对此，Pearl用一句朴素却意味深长的话回应：“你没法假装自己理解某个问题，如果你真的没有。”这句话也隐含了他对当代AI研究中“表面成功”的警惕。

在他看来，今天很多机器学习的进展，更像是工程上的成功，而不是认知上的突破。这种判断，直接引出了他对当前AI范式的根本批评。

概率不是因果：机器学习的第一道天花板

这一部分之所以关键，是因为Pearl几乎所有对AI的批评，都从这里展开。Pearl强调，传统概率论回答的核心问题只有一个：在已知信息的前提下，未来最可能发生什么。如果你无法预测未来，概率模型就失去了意义。

但问题在于，预测并不等于理解。Pearl指出，现代机器学习系统——尤其是深度学习——本质上仍停留在“相关性层面”。它们可以在海量数据中发现模式，却并不知道这些模式为什么存在。

他在对话中举了一个极具代表性的例子：只要对数据进行条件化处理（conditioning），你就可能“制造出”一个现实世界中并不存在的相关性。“我可以突然创造一个在物理世界中并不存在的相关关系，”他说。这正是统计学中著名的混杂偏差问题。

Pearl用一句高度概括的话点破了这一局限：“相关性不是因果性。”这句话并不新鲜，但他强调，绝大多数机器学习系统，甚至从未被设计去跨越这条鸿沟。只要模型仍然停留在相关层面，它就无法回答任何‘如果我当时做了另一件事，会发生什么’的问题。

因果阶梯：从观察到干预，再到反事实

为了系统地区分不同层次的智能，Pearl提出了著名的“因果阶梯”（Ladder of Causation）。理解这三层结构，是理解他对AGI判断的核心。

第一层是“观察”（association）：从数据中发现规律，这是今天机器学习最擅长的事情。第二层是“干预”（intervention）：理解如果我主动改变一个变量，系统会如何变化，比如医学中的临床试验。第三层，也是最高的一层，是“反事实”（counterfactual）：在已经发生的世界中，推理一个未发生的可能世界。

Pearl明确指出：“从一个不进行干预的研究中，你永远无法学到干预的结果。”这句话直接挑战了“只要数据足够多，模型就能学会一切”的信念。没有明确的因果模型，数据再多也只能停留在第一层。

更关键的是，反事实能力是人类思维的标志性特征。我们不断在心中问：如果当初选了另一条路，结果会不会不同？而Pearl直言不讳地说：“一个机器人现在还做不到这一点。”这并不是算力问题，而是表征方式的问题。

为什么今天的AI还走不到AGI

当话题转向通用人工智能（AGI）时，Pearl表现得异常克制。他反复强调：“我不是一个未来学家。”这并不是回避问题，而是一种方法论上的谨慎。

在他看来，通往AGI的障碍，并不是缺少数据或算力，而是缺少能够表达因果关系的模型结构。当前主流机器学习关心的是“给我什么数据”，而不是“我需要什么样的因果假设”。

当被问及“我们离能理解因果的机器还有多远”时，Pearl并没有给出时间表。他反而把问题拉回到科学本身：只有当我们明确区分观察、干预与反事实，并在模型中显式表示这些关系时，机器才有可能具备类似人类的理解能力。

在谈到意识与自由意志时，他甚至开了个玩笑，称这些概念在AI讨论中往往只是“隐喻”。只要记住这一点，就不会对当前系统产生不切实际的期待。

总结

这场对话的价值，不在于预测AI的未来，而在于重新校准我们理解智能的方式。Judea Pearl提醒我们：没有因果模型，机器只能是高级统计工具，而不是理解世界的主体。对读者而言，最大的启发或许是——真正困难的问题，往往不是算不出来，而是我们是否问对了问题。

关键词： Judea Pearl， 因果推理， 反事实， 机器学习， AGI

事实核查备注： Judea Pearl；Lex Fridman Podcast #56；因果阶梯（Ladder of Causation）；相关性与因果性区分；反事实（counterfactuals）；发布时间2019-12-11