因果¶
一个语言模型能流利地告诉你"下雨导致路面湿滑，湿滑导致刹车失灵，刹车失灵导致追尾"。这条因果链完整、合理、符合常识。
但它是怎么"知道"这些的？
不是通过观察雨水冲刷路面的物理过程。不是通过测量轮胎与路面之间的摩擦系数。它是在数十亿文本中见过"下雨"和"路滑"经常一起出现，见过"路滑"和"事故"经常一起出现——统计共现。它学到了什么经常跟什么一起出现，而不是什么导致什么。
大多数时候，这足够了。相关性和因果性在日常场景中高度重叠。但"大多数时候"和"总是"之间的缝隙，是整座 agent 系统可以坠入的深渊。
这一章追问一个结构性问题：当你的推理引擎从相关性中学习，而你的应用需要因果性的可靠性时，系统的什么地方需要补上这个差距？答案不是让模型"变得更聪明"——而是让整个系统对自己保持诚实。我们管这叫因果纪律。
| # | 篇章 | 一句话 |
|---|---|---|
| 01 | 休谟的叉子 | 人类自己也从未观察到因果——休谟发现我们依赖的是恒常连结和习惯，不是理性确证 |
| 02 | 相关性的海洋 | Next-token prediction 学到的是 token 层面的恒常连结——恒常连结的力量惊人，但有结构性盲区 |
| 03 | 因果的阶梯 | Pearl 的因果阶梯量化了困境：三层互相分离，再多相关性数据也回答不了干预性问题 |
| 04 | 因果纪律 | 从因果性的本质推导出四条结构性需求：证据分级、时序约束、假说验证、推理溯源 |
| 05 | 诚实的代价 | 因果纪律增加复杂度、降低速度、转移设计负担——什么时候值得付这个代价？ |
| 06 | 因果之道 | 因果纪律如何与反馈环路、熵增、分形结构形成共振？尾声：载体问题引向符号与联结 |
从 01 到 06 顺序读。每篇假设你读过前面的。