念
因果之梯
Ladder of Causation — 从观察到干预到想象，每级回答前级无法回答的问题
三级不可还原：第一级（关联/P(Y|X)）无法回答第二级（干预/P(Y|do(X))）；第二级无法回答第三级（反事实）。仅靠更多数据或更大模型无法从关联跃迁到干预——需要因果结构知识。
Ⅰ关联
P(Y | X)Seeing · 观察”观察到 X 时，Y 的概率？“大多数 ML 仅在此层。冰淇淋≠溺水
Ⅱ干预
P(Y | do(X))Doing · 行动”如果我做了 X，Y 会怎样？“随机对照试验 / 因果 DAG + do 演算
Ⅲ反事实
P(Y_x(u))Imagining · 想象”如果当初 X 不同，Y 是否会不同？“需要完整 SCM 规格；溯因→行动→预测
神经符号视角纯深度学习停留在第一级（关联）。神经符号系统可跨越三级：一旦网络编码符号描述（A→B），干预和反事实查询即成为可能
→ 因果干预 · do 演算 · 因果 DAG · 中介分析 · 因果概率Pearl & Mackenzie (2018)
因果之梯（Ladder of Causation）
因果之梯是 Judea Pearl 提出的因果推理三级抽象层次，刻画了从被动观察到主动干预再到想象性反事实推理的认知跃迁。每一级能回答前一级无法回答的问题。
三级结构
第一级：关联（Association）— 观察 / seeing
- 问题形式: “观察到 X 时，Y 的概率是多少？”
- 数学语言: P(Y|X)
- 能力: 发现数据中的规律、相关性、模式
- 局限: 无法区分因果与虚假相关。“冰淇淋销量与溺水率正相关”不意味着冰淇淋导致溺水。
当前大多数机器学习系统——包括深度学习——运作在这一层级。它们擅长发现复杂的关联模式，但无法回答”如果我做了 X 会怎样”。
第二级：干预（Intervention）— 行动 / doing
do 算子的关键语义：干预是对世界的”微型手术”，切断被干预变量的所有原因，仅观察它对下游变量的影响。
第三级：反事实（Counterfactual）— 想象 / imagining
- 问题形式: “如果当初 X 不同，Y 是否会不同？”
- 数学语言: P(Y_x(u)) — 个体 u 在假设 X=x 下的潜在结果
- 能力: 回顾性地评估个体层面的因果归属，区分直接效应与间接效应
- 实现方式: 溯因（Abduct）→ 行动（Act）→ 预测（Predict）三步法
反事实推理需要 结构因果模型 的完整规格——不仅是 DAG 的定性结构，还需要结构方程的具体函数形式。
不可还原性
每一级严格强于前一级：
- 第二级的问题无法仅靠第一级的数据回答（辛普森悖论即其反例）
- 第三级的问题无法仅靠第二级的实验回答（同一干预效果下，不同个体的反事实可能不同）
这种不可还原性意味着：仅靠更多数据或更大的模型无法从关联层跃迁到干预层——需要因果结构的知识。
Pearl 2010 综述中的具体展开
Pearl 2010 综述用具体的分析工具展示了三级跃迁的内在逻辑：
- 第二级（干预）的操作化: 通过 后门准则 和 前门准则，将 do 表达式转换为观测表达式。这是从第一级到第二级的桥梁——但桥梁的搭建需要因果假设（图结构），仅靠数据不够。
- 第三级（反事实）的独有问题: 中介分析 中的自然直接/间接效应和 因果概率（PN/PS/PNS）都属于第三级——它们无法用 do 算子表达，无法从实验中回答，但在特定条件下可以从数据中识别。
- 反事实的经验内容: Pearl 展示了 PN 在特定数据组合下可以达到概率一的惊人结果，证明反事实不是空洞的哲学思辨，而是有实证内容的量。
与 wiki 已有概念的关系
- 结构因果模型: SCM 是支撑三级推理的统一数学框架
- do 演算: 因果之梯第二级的操作工具
- 因果 DAG: 因果之梯所有层级的图形化表示基础
- 中介分析: 横跨第二级（CDE）和第三级（NDE/NIE）的分析方法
- 因果概率: 第三级的典型查询——“效果的原因”问题
神经符号视角（Garcez & Lamb 2020）
Garcez & Lamb 指出，神经符号 AI 是超越因果之梯第一级（关联）的关键路径：
- 纯深度学习 停留在第一级（关联层），擅长发现复杂统计模式，但无法回答干预和反事实问题
- 神经符号系统 可以跨越三级：一旦网络编码了符号描述（如 A→B），干预查询（“如果 A 不发生…”）和反事实推理即成为可能
- 命题固着 是纯神经网络被限制在第一级的根本原因——一阶逻辑推理（第二、三级所需）超出神经网络的表达边界
这一连接将 Pearl 的因果层级与 Kautz 六类分类法挂钩：Type 6（完全集成）是实现全谱因果推理的架构目标。
References
- Pearl, Judea; Mackenzie, Dana (2018). The Book of Why. Basic Books.
- Pearl, Judea (2021). “Causal and Counterfactual Inference”. In The Handbook of Rationality. MIT Press.
- Pearl, Judea (2010). “An Introduction to Causal Inference.” The International Journal of Biostatistics, 6(2).
sources/pearl-intro-causal-inference-2010.md sources/wikipedia-causal-model.md