前兩講已經做了大量的鋪墊，今天我們終於可以回到這個問題了：科學的世界到底有沒有因果關系。

 

這是一個大反轉的故事。我們先從哲學開始說。

 

 

1. 哲學

 

不知道你注意過沒有，物理定律裡根本就不包括因果關系。比如你拿個氣壓計測量大氣壓，物理定律說你的氣壓計讀數 B 和大氣壓 P 之間有一個正比關系。

 

B = kP

 

但是這個定律裡根本沒說〝誰導致了誰〞。是氣壓導致了氣壓計的讀數嗎？可是上面的方程式完全可以改寫成 P = B / k ，只看方程，你完全可以說是氣壓計的讀數導致了大氣壓的大小。物理定律只是描述一個規律，並不在乎因果。

 

皮爾遜認為我們只是總結宇宙的規徑，然後按照規律，其實也就是總結出來的經驗去做事而已；至於說規律背後有沒有因果關系，到底是誰導致了誰，這個你永遠說不清，也沒意義。

 

自此之後，哲學家一直在研究，怎麼用統計規律定義因果關係。有人說，因為關係是不是就是相關性正好等於 100%。這正是皮爾遜當年的觀點。皮爾遜說因果就是 A 發生 B 一定發生，就是相關系統數於1。但這個定義肯定是錯的。

 

你想想，樹木是速生長的時候，小草也在快速生長，它們兩的相關性就是 1，那你能說草跟樹之間有因果關係嗎？其實是春天到了這個緣故導致了樹和草的生長。

 

後來又有哲學長想了辦法。說所謂〝X 導致 Y〞，這個因果關系可以用 P ( X | Y ) > P ( Y ) 來定義： X 的出現，增大了 Y 出現的可能性。這是一種概率化的因果，但是也不能排除單純的相關性。

 

珀爾倒是給了一個更好的定義： P ( Y | do(X) ) > P ( Y ) ，也就是說，如果你單方面對 X 做一個干預動作，導致 Y 的概率增加，那麼就是 X 導致了 Y。這個可能是目前為止最合理的定義。

 

可是不管怎麼定義，永遠說不清楚什麼叫〝 X 導致 Y〞。也許我們觀祭到的一切都是幻覺，別說因果關系，你連〝講理〞都不能講。但是我們仍然可以提一個反對意見。

 

這套邏輯沒用。

 

 

2. 皮爾遜的尷尬

 

皮爾遜了大的調查研究，發現了各種的相關性。他注意到，有些相關性很有意義，有些相關性就沒有什麼意義，他稱之為〝偽相關 ( spurious correlation )〞。

 

比如說，一個國家的人均巧克力消費，，和這個國家的諾貝爾獎得主人數，有一個非常強的正相關

皮爾遜說這就是一個沒什麼意義的偽相關。你總不可能說吃巧克力有利於得諾貝爾獎。讓我們解釋這個相關性的話，肯定是巧克力消費量高是因為這個國家的經濟比較發達，而經濟比較發達的國家容易出諾貝爾獎得主。

 

請注意！你只要這麼一解釋，就用到了因果關係！

 

這就很尷尬了。首先你皮爾遜說沒有因果只有相關。然後你又說有些相關性有意義有些相關性是偽相關。那你判斷有沒有意義的標準是什麼呢？難道不還是要藉助因果嗎？

 

無形之中，我們還是覺得有因果的相關性更有意義 ― 雖然我們無法用純粹理性定義因果。

 

我們如此地傾向於因果思維，從根本上來說是因為因果思維很有用。一個簡單的因果模型就能勝過無數經驗。

 

 

3. 因果模型

 

假設我們要研究一個死型，總共有 5 個變量。

 

1. 法庭是否判決死型

2. 隊長是否下令開槍

3. 士兵 A 是否開槍

4. 士兵 B 是否開槍

5. 犯人是否死亡

 

這五個變量的值都是 1 或者是 0，1 表示肯定，0 表示否定。

 

讓一個記者去採訪各個法庭執行死型的情況，我們幾乎可以斷定，他每次遇到的這五個變量，要嘛全都是 1 ，要嘛全都是 0。這樣的數據再多，也回答不了有想像力的問題。

 

比如說，我想問一下，如果法庭判決了，但是隊長不下令，犯人會不會死？這種事情從來沒有發生過，所以你的大數據在這裡用不上。但是如果你承認這裡面有因果關係，我們就可以畫一張因果關係圖。

 

 

圖中的每一個箭頭代表一個因果關係，從緣故指向結果。從這張圖能夠回答我們第一講說的全部三類問題。

 

第一類問題是觀察。現在法庭已經判決，請問犯人會死嗎？我們一看圖，法庭判決開啟了因果反應鏈條，所以犯人必須死。一切數據經驗，這裡都能預測。

 

第二類問題是干預。士兵 A 想干預一下。他說我有自由意志，我不想聽隊長命令，我決定立即開槍。那犯人會死嗎？這種事情歷史上沒有發生過，但是我們看一看因果關係圖，只要開槍犯人一定會死，所以我們可以判斷犯人必死。

 

第三類問題是想像。現在犯人已經死了。犯人家屬找到士兵 A，說你當初要是不開槍，他就不會死！士兵 A 不需要考察什麼大數據，他馬上就可以拿出這張因果關係圖說你看，明令已經下達，就算我不開槍，士兵 B 也會開槍，犯人還是會死 。你想要讓犯人不死，你得說服法庭不判決，或是說服隊長不下令，或者同時說服 A 和 B 兩人都不開槍才行啊。

 

你看這是多麼清楚的分析。歷史大數據不能告訴你這些，但是因果關系可以告訴你。

 

可是這個因果關係圖是從哪來的呢？人死亡的原因可以有很多，也許犯人自己會病死，也許會被別的犯人打死，而且犯人還可能越獄……這些情況你為什麼不考慮呢，你這張簡單的因果關係圖，還是沒有徹底回答〝犯人為什麼死了〞這個問題。

 

好。邏輯上無法科學定義因果關係，實際操作上因果關係又這麼有用，那我們到底該拿因果關係怎麼辦呢？

 

所以有些事情看似簡單，但是細思極恐。而有些人的思想可以撥雲見日。

 

 

4. 撥雲見日

 

第一個使用因果模型搞研究的，豆國統計學家休厄爾．賴特 ( Sewall Wright )。 1920 年，賴特發表了第一篇有關天竺鼠的毛色遺傳的論文。他設設有三種因素可能影響毛色，分別是發展 ( d )、遺傳 ( h )、環境 ( e )，他把I水三種因素畫成了因果關系圖。

 

 

然後賴特根據自己的實驗結果，用解方程的方法算出了三種因素的相對大小。他把天竺鼠的毛色問題給解決了。

 

這絕對是開創性的工作。賴特不但第一次使用了因果模型而且還提出了一個洞見。

 

賴特說，我這個因果模型並不是客觀的。你不可能通過數據分析、用機械化的流程得到這張圖。因果圖之所以這麼畫圖中之所以考慮了這些關係而沒考慮別的關係，這是你自己主觀的選擇 ― 是你用自己的知識、閱歷和判斷畫出來的。

 

也就是說，因果關係其實是你的主觀假設。

 

數據是客觀的，而人的觀點是主觀的。

相關性是客觀的，而因果是主觀的。

 

有了這個洞見，我們解決問題的步驟就是下面這樣的―

 

第一步根據你自己的見識，畫一張主觀的因果模型圖。模型裡有些因果關係是概率性的 A 發生並不一定會讓 B 發生，只要 A 對 B 有影響就行。

 

第二步使用實驗和數據分析，確定圖中每個因果關係的強弱大小。這樣你就有了一個完整的因果模型。

 

第三步，使用因果模型，你就可以回筶〝觀察、干預、想像〞那三種問了。

 

如果 AI 擁有這類的模型，它就等於獲得了智能。珀爾稱之為〝小圖靈問題〞，相當於計算機通過了一個小的圖靈測試：他嘗握了因果思維。

 

你注意到沒有，我們自始至終沒有徹底回答〝到底什麼是因果關係〞，我們也沒有真正解決〝為什麼〞的問題！

 

在我看來，因果分析這個思想的最高妙之處就在於，你無須確定真正的因果關係，你無須回答〝為什麼〞。

 

真實世界裡任何事清都是錯綜複雜的，你根本就無法列舉影響一個結果的所有可能緣故。你必須做出各種取捨，你只能把你認為最重要的緣故畫在圖上。圖畫完了，你並沒有科學地、 徹底地、邏輯完備地回答〝為什麼〞你只是說根據你的猜測應該是因為這幾個緣故。

 

而事實上也不需要回答〝為什麼〞。我們在生活中的實際應用，對改變世界真正正有用的，其實就是回答〝觀察、干預、想像〞這三種問題。

 

所以因果分析的最終目的不是查明因果關係，而是回答三種問題。這三個問題比因果關係更基本 ― 因果關係只是我們回答問題的手段。

 

沒有這個手段，只靠數據分析你回答不了第二和第三種問題。當然有了這個手段如果你的因果模型不準確，你給的答案也會不準確 ― 你可能會漏掉一個特別重要的因果關係，你可能忽略了黑天鵝事件。但是這不要緊！預測未來的事兒本來就是誰也保證不了100%準確。

 

哲學家的世界觀誰也反駁不了，但我們這裡不解決世界觀問題，我們解決方法論問題就可以了。

 

最後，請注意雖然模型是主觀的，但是因果分析仍然具有客觀的性質。如果兩個人的假設相同，他們畫的因果關係圖就是一樣的，那麼因為接下來的數學方法是客觀的，這兩個人對未來的預測，必定是100％相同。

 

我建議你花點時間琢磨一下這個道理。這裡邊有哲學。主觀和客觀非常有意思。按理說這個世界應該是完全客觀的存在，科學家一直在試圖客觀地認識世界。可是我們不管是給東西分類也好，提出因果關係也好做預測也好 — 只要你心念一動，你就必然是主觀的。

 

來源：《萬維綱-到底有沒有因果關系》