为什么的图片（为什么会这样的图片）

　　一件不好的事情发生了，肯定是有坏人在背后捣乱。全球变暖，坏人是温室气体；疫情蔓延，坏人是病毒；经济危机，坏人是贪婪的华尔街。总之，有果必有因，这是我们我们的思维惯性。可是，实际上能找到确切因果关系的事情，比我们想象中的要少。生活中大部分事情是相关关系，而非因果关系。但是，我们的思维又极端倾向去寻找因果，于是带来了很多认知偏差。那，到底什么是对的，什么才是引发这个结果的原因，我们到底应该相信什么样的结论？
　　图片来自网络
　　飓风来袭的时候某地沃尔玛的草莓馅饼销量会增加，为什么？
　　一松手的瞬间，你知道鸡蛋掉到地上大概率是要碎了；那，当你看到地上有个碎了的鸡蛋，那是什么原因造成的？
　　电视剧《武林外传》中，女主角佟湘玉有一段经典的台词：额错咧，额一开始就错咧，额如果不嫁过来，额滴夫君就不会死，额夫君不死额就不会沦落到介个伤心的地方……。
　　那，请问，从因果关系的角度分析，佟湘玉要为老公的死负责么？
　　如果你也被究竟应该相信什么而困扰，你也想搞清楚当我们说因果关系的时候说的到底是什么，你也想搞清楚AI运行的基本逻辑，那，朱迪亚·珀尔的这本《为什么｜关于因果关系的新科学》值得你花点时间。一、书名
　　英文版（图片来自网络）
　　英文版：
　　书名：The Book of Why
　　副标题：The New Science of Cause and Effect
　　出版社：Basic Books
　　出版时间：2018年3月
　　中文版（图片来自网络）
　　中文版
　　书名：为什么
　　副标题：关于因果关系的新科学
　　出版社：中信出版集团
　　出版时间：2019年9月二、作者
　　朱迪亚 · 珀尔（图片来自网络）
　　这本书的作者是朱迪亚·珀尔（Judea Pearl），是一位以色列裔美国计算机科学家和哲学家，人工智能领域的研究者，＂贝叶斯网络＂之父，他还因开发了基于结构模型的因果推理和反事实推理理论而受到赞誉。2011年因创立因果推理演算法获得图灵奖，这是计算机科学的最高荣誉，＂通过开发概率和因果推理的微积分对人工智能做出了根本性的贡献＂。同时也是美国国家科学院院士，IEEE智能系统名人堂第一批10位入选者之一。三、资源得到APP电子书，推荐指数：4.1（满分5分）得到APP听书解读得到APP专栏课程进行解读豆瓣推荐：8.7（满分10分）四、学习笔记
　　图片来自网络
　　1、为什么我们要问为什么？
　　1. 朱迪亚·珀尔（Judea Pearl）人工智能领域的大佬，机器学习的创始人之一，专注于因果关系的研究。相关性和因果关系是人工智能最底层的核心之一，也是人类意识和思维的基本逻辑。对因果和相关的深刻理解，可以帮助我们更好地理解自己，从而理解这个世界。
　　2. 冰激淋销量增加和淹死的人数增加之间，没有因果关系，它们只有相关性。人类的思维模式天然可以应对简单的因果。我们的大脑中有很多if then的算法，这些算法就是简单因果的一种应对策略。但是，现代社会已经足够的复杂，很多事情我们看不清楚其中的因果关系。
　　3. 为什么我们要问为什么？为什么的本质就是因果关系。A导致了B，A➡️B。我们看到B的发生，不论好还是不好，我们是要避免还是想要再次获得，就需要找到能导致B的原因，这样我们的行动才是有效的。简单的事情是一个原因可能导致一个结果，但是在复杂世界中，很多原因导致一个结果，各个原因的影响程度也是不同的。
　　4. 大数据帮助人们发现了很多相关性，比如啤酒和纸尿裤的销量同时增加，飓风来袭的时候某地沃尔玛的草莓馅饼销量会增加。为什么？不知道，但是商家依然可以把啤酒和纸尿裤摆得更近一些，看着天气预报多下一些草莓馅饼的订单。相关性来自经验，大数据和机器学习本质上就是在进行经验的统计建模。因果关系不同，因果比相关更基础。因果构建起了知识体系。
　　相关是经验，因果是知识。
　　5. 因果关系有3个等级。第一级：观察，通过看到数据得出一个预测。开水很烫，所以别摸。观察发现的是相关性，观察的过程就是经验积累的过程。动物的生存就是基于观察而设计的。
　　6. 第二级：干预，预判一个主动行动的结果。观察是总结，如果想要产生新的变化，如果事情还没有发生，那怎么观察？刻意地施加一个动作，再进行观察。比如互联网公司常用的A/B测试就是一个典型的干预动作。这种动作就是我们经常说的做实验。比如做个西红柿炒鸡蛋，我们都有一个默认的西红柿和鸡蛋的比例，那，我们试着人为地调整一下西红柿和鸡蛋的比例，看看做出来会不会更好吃，这就是一个主动的干预动作，这就是做实验。
　　7. 第三级：想象，对以前发生的事情的反思，对一个没有发生过的事情的分析。这叫做反事实（counterfactual）分析。我们经常说的一句话，如果当初自己怎么怎么做了就好了，这其中就包括了反事实分析。这是人类的高级之处，人可以想象出没有发生过的事情。能想象没有发生过的事情，才能找到办法进行改进，才能反观自己当下的行为，选择更好的方式。
　　观察：这件事发生了，那件事是不是也会发生？
　　干预：如果我做了这件事，会产生什么结果？
　　想象：如果当初没有这么做，结果会有什么不同？
　　8. 第一层来自已知，通过观察就能得到。第二层、第三层都是对未知的探索，是想象，是拓展，是创新，是人类之所以为人类，是人类走向更广阔未来的基石。
　　9. 因果思维的三个级别，代表三个问题：第一级是观测，你要处理的是已经观测到的世界。（这件事儿发生了，那件事儿是否也跟着会发生？）第二级是干预，你要处理一个可以被观测的新世界。（我采取这个行动，会有什么后果？）第三级是想象，你要处理一个不可被观测的、你想象中的世界。（如果当初我没有这么做，现在会是怎样的？）
　　2、为什么丹尼尔·卡尼曼这么重视回归平均？
　　高尔顿板（图片来自网络）
　　1. 高尔顿板是一种展示正态分布的实验道具。它由3部分组成。第一部分，入口，是个开口的v字形。第二部分，阻隔，一个布满整个板的中间区域的各个阻碍。第三部分，竖槽。用法是，从v型入口放入一个小球，经过中间的阻隔区，小球的运动轨迹会被阻隔区的各种障碍改变，变成一种随机的运动，最后落在竖槽区的某一个竖槽中。如果放的小球足够的多，那么，在竖槽区的小球将会呈现出明显正态分布的趋势，也就是像一个钟形曲线。
　　身高的正态分布（图片来自网络）
　　2. 这种情况就是正态分布。给定2个值，一个是身高，作为横坐标；一个是这个身高的全体人数，作为纵坐标。那么，画出来的曲线就是正态分布曲线。这是一种普遍存在的统计学上的分布状态。智商、成绩、身高、体重、收入等等很多事情都是这个趋势。
　　3. 如果给一个高尔顿板下面再加上一组高尔顿板，在第二个高尔顿板的竖槽中将会呈现出的，还是正态分布曲线，只不过，这一组曲线从统计学的描述上是标准差更大了。标准差的意思是，极值的情况更多了。放在身高这件事情上，就是经过一代代的发展，身高特别高和特别矮的人都会越来越多。但是，事实并不是这样的。如果观察正态分布曲线的右边边沿地带，经过了第二次高尔顿板，结果是更加往中间的位置靠近了。用实际的例子来说明就是，第一代的身高很高，但是第二代就没那么高了；第一代很牛，但是第二代就没那么牛了。高尔顿把这个现象叫做＂回归平庸＂。这是为什么？
　　回归平均（图片来自网络）
　　4. 今天的统计学，将这种现象称之为＂回归平均（regression toward the mean）＂。回归平均的原因是，输入和输出之间，存在的不是因果关系，而是一种相关性。高尔顿是第一个认识到＂相关不是因果＂的人。
　　5. 成功=天赋 运气。而运气在其中所占的比例比我们想象的要多一些。从身高的角度来说，高个子的父亲，除了基因之外还有运气成分在里面可能才长了那么高。而到了他的儿子，虽然基因可以遗传，但是运气没法遗传，所以，儿子的身高大概率上没有父亲的身高高。这就是所谓的回归平均。它的本质是，小概率的事件不会一再发生，只是一个简单的统计学上的概念。就像我们自己的表现一样。第一天表现很好，第二天最可能的表现是接近平均值的表现，而不是更好或者更差。
　　6. 关于回归平均的例子：一部电影大卖，但是续集往往不如第一部好。NBA新秀第一年表现很好，第二年往往表现一般。表扬和惩罚对表现其实没有太大的影响，不论有没有表扬或者是惩罚，表现都会回归到平均值。今年的销售冠军明年的业绩往往就没那么好了。
　　我们在努力地寻找因果，其实很多事情就是会那样地发生，只是因为，平均值发生的概率更大，仅此而已。
　　7. 一件事情发生了，我们会找到和这件事情发生相关的一件事，对这件事进行一个解释。解释，体现的是相关性。同时，一件事情发生了，从因果关系的角度看，这里面总有一个因，这个叫做缘故。缘故体现的是因果关系。高尔顿一直致力于这个领域的思考，后来他认为：这个世界只有解释，而没有因果。
　　3、如何科学地看待因果关系？
　　1. 物理定律描述的是一个规律，并不是严格的因果关系。一个等式两边换来换去，怎么解释因果呢？比如F=Ma，我们可以说力导致了加速度。如果将这个公式变换方向，变成a=F/M，是不是就可以说是加速度导致了力的出现？如果从概率的角度描述因果关系，那么，目前一个最为合理的解释是：如果单独改变A导致了B出现的概率增加，那么就可以说是A导致了B。
　　2. 因果是一个大家都知道但是都无法准确定义的概念。想要将一个事情搞清楚，第一步就是对其进行准确的定义，有了这个动作，才能进行量化，于是这件事就逐渐走上了科学的范畴。一个东西能不能被科学化，和它有没有用是两个概念。我们的大脑对因果关系的渴望就像对糖的渴望一样，本质在于，因果太有用了，是我们思维动力的源泉。
　　3. 假设一件事情E的发生和A有关系。那么，就可以用因果关系的3层等级来进行思考：第一层，观察，在所有的情况下，是不是A发生了E就一定发生？第二层，干预，在A到E的过程中，还有B/C/D这些中间过程，如果这三项中的其中一项改变了，是不是A就一定不会发生？第三层，想象，假设E没有发生，中间可能发生了什么事情？但是，放到真实世界中，可能影响E的因素，除了A这个起点，中间的B/C/D，还有一些其他的没有考虑进去的因素。那，A与E之间，到底是不是因果关系呢？
　　4. 美国统计学家休厄尔·赖特（Sewall Wright），在研究天竺鼠毛色的过程中，使用因果模型，解决了天竺鼠的毛色问题。他的洞见是，因果模型并不是客观的。也就是说，因果模型来自于自己的知识、阅历和判断。数据是客观的，而人的观点是主观的。相关性是客观的，因果是主观的。依据这个思路，解决问题的逻辑可以分为3个步骤：主观，依据主观假设一个因果模型。客观，用数据验证主观的假设，确定其中每个因果关系的强弱。借助这个调试过的因果模型，回答＂观察、干预和想象＂问题。
　　5. 哲学家要逻辑和完备，科学家和工程师要解决问题。如果从解决问题的角度出发，想要在生活中有价值，回答＂观察、干预和想象＂这三类问题就足够了。因果关系是我们解决问题的手段，到底是主观的还是客观的，并不重要。真实世界是复杂的，想要找到完备性可能根本做不到。
　　与其等着完全认识了再行动，不如抓住主要矛盾，做出取舍，形成自己的因果模型。我们不是要哲学，我们要的是在真实世界中解决问题。
　　4、被推崇备至的贝叶斯方法说的到底是什么？
　　贝叶斯方法（图片来自网络）
　　1. 贝叶斯方法是一个被广为推崇的世界观，更确切的说是方法论。贝叶斯的基本逻辑是：观点随着事实发生改变。如何变？定性地看，大的事实发生，那就对观点进行大的修正；小的事实发生就小修正。定量看，贝叶斯方法有一套基于概率的数学方法。结合逻辑论来看，贝叶斯方法是归纳法，是通过结果推测缘故的方法。从一个起点出发，不断加入事实不断修正缘故的方法。
　　2. 每个人都有自己的观点，观点是一种概率问题。比如，当你说好人一生平安的时候，其实说的是一个概率问题。这个概率决定了你是不是相信这个观点。信是1，不信是0，可是大部分的事情我们都是在1和0之间的，那该如何测试到底是离1更近一些，还是离0更近一些呢？概率论的方法可以解决这个问题。
　　3. 我们先来定义一下相信的程度问题。我们对某个假设的相信程度，用概率符号表示就是：P(假设)。完全相信时，P(假设)=1。完全不信时，P(假设)=0。比如，P(假设)=90%，那就是很相信了。P(假设)=10%，不靠谱啊。
　　4. 举个例子，在销售会议中，销售经理问销售工程师，这个销售机会你能拿下吗？销售工程师说：所有环节都搞定了，这个销售机会手拿把攥，没问题。那么，这个销售工程师的意思是P(拿下销售机会A)=1。
　　5. 一周之后，再开销售会议的时候，销售经理问销售工程师，销售机会A怎么样了？销售工程师说：客户负责这个销售机会的一位采购人员换人了，但是问题不大，我们沟通过了，他对我们还是比较满意的，只是对货期方面还有一点顾虑。这时，这位销售工程师的意思是P(拿下销售机会A)=90%。新的变化产生了，需要判断这个新的变化对我们的假设会产生什么样的影响。
　　6. 用概率来表示上面的场景，就叫做条件概率。表示为：P(假设|证据)，P(A|B)。意思是，当B为真时，A发生的概率。上面的那个例子中，B就是新的采购对我们的货期有点顾虑，但是总体还是满意的。
　　7. 所以咱们要算的是一个逆概率，这要怎么算呢？这就是贝叶斯的方法。
　　8. 一松手，鸡蛋从空中落到地上，你可以估计，这个鸡蛋大概率是要碎了，这就是正向概率。你看到地上有一个碎了的鸡蛋，想要推测鸡蛋是怎么碎的，那就比较难了，这个过程是个逆概率问题，计算的方法要用到贝叶斯方法。
　　9. 一位女士，去做检查，被仪器检测出乳腺癌阳性。那，这位女士真的得了乳腺癌的概率有多大。这种类型的问题可以通过贝叶斯方法很好的计算。具体的过程很好理解，这是一个用来理解贝叶斯方法绝佳的例子。感兴趣的同学可以在网上搜一下，这个案例的分析有很多。
　　10. 销售工程师小王在跟踪一个B2B销售机会，现在客户方面有一位主管技术的工程师表示支持小王，那，请问小王最后真的可以拿下这个销售机会的概率有多大？让我们试着用贝叶斯方法来计算一下。我们用A来表示这个销售机会最终被小王拿下了，这是假设。用B来表示一位主管技术的工程师表示支持小王，这是证据。用概率表示就是P（A|B）。根据贝叶斯方法，我们需要P(A)，P(B)和P(B|A）。在有新的证据之前，P（A）就是小王同学拿下一个销售机会的概率。比如，小王上一年一共跟踪了100个销售机会，其中做成了20个，那么P（A）=0.2。P（B）指的是这位技术工程师支持小王的可能性。参与这个销售机会的公司一共有4个，这位技术工程师只能在这4家公司中选一家，那么P（B）=0.25。P(B|A）是什么意思呢？就是这家公司按照这位技术工程师的意愿进行选择的统计比率。比如这家公司一共做了100个项目，其中这位技术工程师支持的公司最后真的胜出的有45次，那么P(B|A）=0.45。按照贝叶斯方法计算：P（A|B）=【P(B|A）/P（B）】*P（A）=（0.45/0.25）*0.2=0.36=36%。也就是说小王这个销售机会的成功率大概略高于1/3。
　　11. P(B|A)/P(B) 也被称之为似然比。在医学上，用似然比来反应有病的人中得出某一检测结果的概率和所有人群样本中得出这一检测结果的比例。从定性的角度看，似然比就是＂新证据＂，P(B)就是我们之前的＂老观念＂，P（A|B）就是我们的新观念。贝叶斯公式可以理解为P(假设|证据)=似然比*P(假设)。再抽象一下就是：
　　新观念 = 新证据 * 老观念。
　　这就是观点随事实发生变化的逻辑。
　　12. 上面的公式可以帮助我们更好地理解，为什么看到了同样强度的证据，人们更新之后的观点还是有很大的不同。原因就在于老观念的不同。同样给你一瓶矿泉水，口渴的人开心极了，不渴的人没啥感觉，在厕所门口排队的人还不得瞪你几眼啊。
　　13. 哪怕是在科学领域，贝叶斯方法也很有价值。传统的科学研究强调的是成与不成。一个假设，要么被证实，要么被证伪。贝叶斯方法在0和1之间寻找概率，不做极端地取舍，而是进行动态的可信度调整。这是一种实用主义态度，是解决问题的态度。
　　14. 在人工智能领域，用贝叶斯方法，基于因果关系网络生成的贝叶斯网络已经得到了很广泛地使用，比如在垃圾邮件过滤、语音识别、油井钻探、FDA批准新药、Xbox给你的游戏水平打分等。图像识别也是贝叶斯方法的一大应用领域。搜寻工作中也在使用贝叶斯方法。最开始，搜寻人员对所有区域进行一个预先的分布假设，然后每当新的证据出现之后就通过贝叶斯方法更新假设，形成一个新的概率。例如，搜寻人员在某区域发现一片飞机残骸，该区域及邻近区域的权重即被提高。谷歌在无人驾驶汽车中也使用了贝叶斯方法。贝叶斯方法还被Autoonomy、Netflix等公司用于预测及分类。
　　15. 使用贝叶斯方法进行垃圾邮件过滤，首先选正常邮件和垃圾邮件做训练，两种邮件数量越多效果越好，训练的过程就是统计在垃圾邮件中出现过的所有词汇的频次，和正常邮件中出现的所有词汇的频次。典型的垃圾邮件词汇在垃圾邮件中会以更高的频率出现，所以在做贝叶斯公式计算时，肯定会被识别出来。之后用最高频的15个垃圾词汇做联合概率计算，联合概率的结果超过90%将说明它是垃圾邮件。用贝叶斯过滤器可以识别很多改写过的垃圾邮件，而且错判率非常低。甚至不要求对初始值有多么精确，精度会在随后计算中逐渐逼近真实情况。
　　贝叶斯方法的本质是，保持一个开放的心态，用新的证据修正自己的观念。
　　5、我们该相信什么样的结论？
　　1. 关于判断力，有一个最基本的问题是这个东西是不是有效的？如何进行判断，可以将我们的判断力分为6个不同的层次。
　　2. 最底层的判断力：贵就是有效的，贵就是好的。只通过非常表面的参数来进行是否有效的判断，不看疗效。
　　3. 第二层判断力：用熟人的例子进行判断。有人用了，有效，所以就相信。样本太小了，根本无法确定是否是因为这个东西产生的效果。
　　4. 第三层判断力：放大一定的样本，比如选择更多的人，用了这个东西，产生了效果。这里的问题在于，没有办法确定这个样本中的人，是因为用了这个东西产生的效果，还是这个样本中的人本身具有的其他因素导致了这个效果。比如，在韩国曾经做过一个研究，发现家里有微波炉的孩子，在青少年时期，因为性行为怀孕的比例比家里没有微波炉的低。这是微波炉的功劳吗？研究分析，在那个年代，家里有微波炉的家庭一般是有钱人的家庭，这些人在孩子的性教育上也会相对较好。
　　5. 判断力的第四层，已经来到了科学研究的方法了。这个方法就是进行变量的控制。如果Y发生了，可能的原因有A/B/C/D等等，那么就尽可能的将B/C/D搞成一样的，只有A不同，来判断是不是A的变化引起了Y的出现。这里的问题是，导致Y出现的因素可能有很多，我们无法穷尽变量的控制。除了ABCD，可能还有EFGH呢。
　　6. 第五层判断力是现在医药科学上确定因果关系的主要方式，就是大规模随机分组实验。在第四层判断力中，因为无法排除和控制所有的潜在干扰因素，那就索性不控制，而使用大规模随机的方式。这种方式的好处在于，分组是随机的，那么不管有什么干扰因素，这些干扰因素在各个组中的强度也是大致相同的。所以，当样本量足够大的时候，这样被随机分成的两组，可以被视为是相同的。
　　7. 第六层判断力，找到了一种简单准确的方法。这种方法可以发现，在进行实验的过程中，应该控制哪些变量。变量太多，相互之间有影响，有的需要控制有的不需要，但是其中到底如何，需要一个清晰的标准。用符号化将语言表达出来，因果关系从哲学变成了逻辑；新的数学运算模式的发明，将逻辑变成了数学。这是一个越来越可以量化的过程，这是一个越来越被清晰认识的过程。
　　8. 普通老百姓的判断方式在第一层和第二层，能有第三层的水平就已经可以打败大部分人了。科学家的结论从第四层起步，直到达到了第六层，将一个问题数学化，通过这种最硬的方式来确定因果关系。你说我们该听哪些结论？
　　对一个问题的观点，是一个人见识的外在体现。
　　6、佟湘玉要为老公的死负责么？什么是必要概率，什么又是充分概率？
　　1. 佟湘玉要为老公的死负责吗？电视剧《武林外传》中，女主角佟湘玉有一段经典的台词：额错咧，额一开始就错咧，额如果不嫁过来，额滴夫君就不会死，额夫君不死额就不会沦落到介个伤心的地方…….佟湘玉认为，她如果不嫁过来，她的老公就不会死，这种分析叫做反事实分析。我们都会有这样的想法或者这样的表达方式，想要搞清楚是不是会这样，我们需要用反事实分析来计算一个概率。
　　2. 大卫·休谟，伟大的苏格兰哲学家，对因果关系有很深入的研究。休谟对因果关系有过两个定义，其中一个是：如果不是第一件事发生了，第二件事就不会发生。这就是一种反事实分析。再抽象一下就是：要不是A发生，B就不会发生。在英文中，这种表达有个句式是：but for，已经成为了法律上判定A是否要为B负责的一个重要依据。
　　3. 反事实分析是一种必要概率，但是，珀尔认为，要得到严谨的因果关系，只考虑必要概率还不够，还要考虑充分概率。还用佟湘玉的例子。必要概率是：我们现在知道了，她嫁过来了她的老公死了，请问如果不是她嫁过来，她的夫君就不会死的概率。充分概率是：我们知道她要是不嫁过来的话她的老公不会死，那么请问在她嫁过来的情况下，她的老公有多大可能性会死？再简化一下，必要概率就是她不嫁过来她老公就不会死，充分概率是她要是嫁过来她老公就一定会死。只有在必要概率和充分概率都很高的情况下，佟湘玉才负有不可推卸的责任。
　　4. 为什么要进行这么一套复杂的操作？为什么要把常识逻辑化？将含糊不清的语言用逻辑化的语言进行规范，这是用理性取代了感性。逻辑化之后是标准化，标准化就可以尝试用数学方式进行表达。这样才可以进行更全面和清晰地分析，才可以更容易将分析的结果应用在实践中，才能更好地为具体的问题找到更靠谱的答案，帮助我们更好的生活和实践。
　　一个问题一旦转化成了数学问题，下一步就可以交给AI了。
　　7、因果关系中的中介是干什么的？
　　1. 从1500年开始，到1930年匈牙利科学家圣捷尔吉·阿尔伯特真正理解和分离出了维生素C，人们才摆脱了坏血病的困扰。开始的时候，通过经验主义的观察方法，人们在柠檬和抵御坏血病之间建立了一个因果关系。后来发现，有时候行，有时候不行，然后更深入地研究发现了维生素C的作用。于是新的因果关系建立了，这一次，多了一个中介（mediator），变成了：柑橘 → 维生素C → 坏血病。
　　2. 因果关系中的中介，指的是如果A导致B，B又导致C，那么B就是A到C之间的一个中介。这种因果关系，我们称之为间接效应。在大多数的情况下，我们看到的不仅仅是上面的关系，同时，A和C之间也有直接导致的关系。这个被称之为直接效应。所以，一个线性系统的总效应就是上面这两种效应的总和。
　　3. A发生了，导致了B的发生。这时，我们需要注意，也许还有一个中介我们没有看到。这个间接效应在绝对值上发挥的作用，可能要比直接效应还要大。当我们看到A导致了B的时候，多问一句为什么，可能就可以找出其中的间接效应，找到中介，获得新的洞见。
　　4. 我们所说的认知世界，本质上是要搞清楚因果关系。通过观察然后获取经验，这是一条常用的认知世界的方式。但是这远远不够，因为除了直接效应还有间接效应的存在。间接效应中，有一个不容易发现的中介，这就是往往被人们忽视的地方。
　　如何找到更多的中介，需要人们学会问为什么，这个为什么将带着人们更好的理解世界。
　　8、自由意志和因果关系的关系是什么？
　　1. 大脑活动从物理层面讲，都是电信号，我们的各种决定都是对输入信息的一种反馈，或者叫反应，是生物学上的机械化过程。在认知层面上，我们将其称之为追求因果关系，这是一种主观的解释，是大脑运行的快捷方式。那，自由意志又是什么？从物理层面上，好像没有自由意志什么事，但是从认知层面上，自由意志是我们行为的一个重要驱动。这种快捷方式的具体作用是什么？是提升生存的概率吗？这是自然选择让我们产生自由意志的原因吗？
　　2. 珀尔认为，自由意志有利于人们进行沟通。自由意志带来了价值观，价值观诱发不同的方法论。在有自由意志的前提下，人们之间的沟通就可以非常的高效和顺畅，否则只能基于整个系统的行为调整才能构建出新的变化。这就带来了一个问题，当AI和人类进行复杂沟通的时候，没有自由意志或者没有一个假装的自由意志就无法很好地理解人类的意图
　　3. 自由意志=意识到自己的动机 考虑不一样的行动。还可以理解为自由意志=元认知 主动构建选项。元认知指的是可以意识到自己当前的动机，意识到自己正在想某个问题。主动构建选项指的是可以评估自己想要做的事情还有其他做的方法，并且进行评估哪个方法更好。如果想要让AI具备自由意志，需要让它满足三个特点：它具备因果关系分析的能力。也就是明白这个结果背后的原因是什么，它可以理解并进行干预分析和反事实分析。它可以把自己当成环境的一部分，分析自己的行为，主要是自己还未做的行为可能对环境会有哪些影响。它有记忆系统，可以从失败中学习。如果可以做到以上三点，那么就可以将其视为具有自我意识的强AI。
　　五、拓展思考你做了什么，可能会产生一个什么样的后果，这是因果关系的一种应用。现在，一个结果发生了，到底是什么原因导致的，这也是一种因果关系的应用。或者说，如果我这样做了，那么可能会有什么样的结果发生。总之，因果关系是我们和环境互动的方式。了解因果关系，可以帮助我们更好地理解这个世界。对因果关系的认知，可以帮助我们提升判断力。我们该相信什么，我们该如何让别人相信，这是一个＂高频刚需大市场＂的问题。要得出靠谱的结论，要用这个靠谱的结论指导实践得到靠谱的成果，对因果关系的研究必不可少。每个概念就是一个新的看待世界的视角，多了这样一个视角，就多了一个解决问题的思路。当我们对这个概念开始定义并量化了之后，这个概念就是可被＂编程＂的。贝叶斯方法、因果关系的直接效应和间接效应、中介、回归平均等等都是这样的概念。知道了，你的世界就会有所不同。如果因果关系是可＂编程＂的，那就可以使用AI来做。不管AI是不是所谓的真正的理解，能通过因果分析，就是一种强人工智能。了解人工智能方面的研究和发展，不仅仅是知道了一项关乎未来的技术，更重要的是，它可以帮助我们了解自己，理解何为人，何为智慧，何为意识。