深夜的“老周蛋糕店”失窃了：监控显示蛋糕在午夜不翼而飞，而同一条街的监控显示那晚下过雨。见习侦探阿明兴冲冲地喊：“我知道了！是雨水导致的失窃！”而他的 AI 助手“小元”却冷静摇头：“雨水和失窃碰巧一起出现，不代表雨水会偷蛋糕。你还没问最关键的问题——如果把后门锁好，蛋糕还会丢吗？” 这个“如果……还会吗”，正是因果推理（causal reasoning）的灵魂。阿明要破的，不只是“谁在案发现场”的统计题，而是“谁导致了谁”的因果题。本篇文章围绕大语言模型（LLM）的因果理解展开：从“相关不等于因果”的底层常识，到观察、干预、反事实三阶梯；从画“线索地图”般的因果图，到让模型自己发现因果结构；再到评估 LLM 因果力、用提示与微调增强它，最后讨论工程中常见的坑。读完你会明白：真正的 AI 因果理解，不是背得住多少统计规律，而是能不能在“换个世界重演一遍”时，依然作出稳定而可解释的判断。

岗位关联

学会因果理解，你将不只是“会跑模型的调参师”，而是能解释结论、设计干预、能守住产品底线的可信 AI 工程师。

目录
  1. 可视化演示
  2. 相关并非因果：雾里看花到廓清迷雾
  3. 因果三阶梯：从观察走向反事实
  4. 因果图语言：画一张“线索地图”
  5. 因果发现寻因：让数据自己画出箭头
  6. 大模型因果能力：小元到底懂多少
  7. 因果增强技术：给小元装上“因果外挂”
  8. 评估与基准：怎么考小元才算数
  9. 工程挑战与未来：守住可信 AI 底线
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示Transformer核心处理流程：输入嵌入与位置编码、多头自注意力计算、前馈网络、输出投影，含残差连接与层归一化。

本节配有交互动效（进入视口后自动加载，约 3KB）。

输入嵌入与位置编码 输入token序列经嵌入矩阵映射为连续向量 位置编码注入序列顺序信息 x = Emb(token) + PE(pos) 嵌入向量叠加位置编码作为网络输入

相关并非因果：雾里看花到廓清迷雾

阿明盯着第一版案情报告，兴奋地划出一条结论：“全市的蛋糕失窃案，80% 都发生在雨夜！所以雨是罪魁祸首。”小元被逗笑了：“阿明，你描述的是‘相伴’，不是‘导致’。要想知道雨有没有偷蛋糕，得问另一个问题——如果人为让天下雨，蛋糕店失窃率会变高吗？”在统计学家嘴里，前者叫“相关”，后者才叫“因果”。

从数学上区分这两者，需要引入一个看起来很像、意义却迥异的记号：do 算子。do(X=x) 表示“人为把 X 固定为 x”，如同阿明亲手锁上门再观察结果；而 X=x 只是“路过现场时看到 X 等于 x”。两者之差，就是相关与因果之间的鸿沟。

为什么现实中这么容易混淆？因为有一个隐形角色躲在幕后：混淆变量。雨天既让伙计偷懒忘锁门，又让街上行人稀少方便作案，于是“下雨”和“失窃”看起来牢牢绑定，其实两者都被“店员疏忽”这个第三方驱动。更反直觉的是辛普森悖论：如果一种药在男性和女性分组中都有效，但合并所有数据后反而显得有害，原因同样是“性别”这个混淆变量在组间分布不均。阿明若只信报表明细，就会冤枉良药。

P(Y∣do(X=x))≠P(Y∣X=x)\displaystyle P(Y \mid do(X=x)) \neq P(Y \mid X=x)
这个公式说：看到 X 时的 Y 分布，不等于强行设置 X 后的 Y 分布。观察到的“共现”往往是假象，真正的因果需要干预来验证。
  1. 观察事件$X=x$ 表示我们“看见”变量 X 恰好取值为 x，就像阿明看见后门当时是虚掩的，这是被动观测。
    X=x\displaystyle X=x
  2. 干预动作$do(X=x)$ 表示我们“强行把 X 变成 x”，好像阿明亲手把后门锁上，切断所有外界对门的干扰。
    do(X=x)\displaystyle do(X=x)
  3. 条件概率$P(Y \mid X=x)$ 是在“看到门没锁”这个现场下，蛋糕失窃的概率，结论来自历史共现记录。
    P(Y∣X=x)\displaystyle P(Y \mid X=x)
  4. 干预概率$P(Y \mid do(X=x))$ 是“强制锁门”后蛋糕失窃的概率，代表因果效应本身。
    P(Y∣do(X=x))\displaystyle P(Y \mid do(X=x))
  5. 不等号$\neq$ 强调观察相关与因果效应不一定相同。一旦混淆二者，就会把“雨天”当小偷，放跑真正的“后门”。
    ≠\displaystyle \neq

因果三阶梯：从观察走向反事实

小元把侦探的工作方法总结成三个台阶：“阿明，你破案有三问。第一问：你看到什么？后门开着、蛋糕没了——这是观察。第二问：如果你把门锁上，蛋糕还会丢吗？——这是干预。第三问：如果昨晚锁了门，蛋糕是不是就不会丢？——这是反事实。”这三个问题，恰好对应 Pearl 提出的“因果三阶梯”。

观察层级（L1）只记录“看见的规律”，比如雨天失窃率高；干预层级（L2）回答“我改变环境后会发生什么”，比如人工锁门实验；反事实层级（L3）回答“在既成事实下换个选择会怎样”，比如“当初锁门”这个平行世界。越往上走，问题越难，需要的信息与模型假设也越多。LLM 在观察层可以靠海量语料“偷懒”，但到了反事实层，就需要真正的结构理解。

阿明若有所思：“所以小元，你要当个好侦探，不能只背监控记录，还得学会‘在脑子里重开一局’。”反事实正是人类区别于“统计鹦鹉”的核心能力，也是衡量 LLM 因果理解深浅的试金石。

L1: P(Y∣X=x),L2: P(Y∣do(X=x)),L3: P(Yx′∣X=x,Y=y)\displaystyle \mathcal{L}_1:\ P(Y \mid X=x), \qquad \mathcal{L}_2:\ P(Y \mid do(X=x)), \qquad \mathcal{L}_3:\ P(Y_{x'} \mid X=x, Y=y)
三个层级依次表示：被动观察一个条件概率、主动干预一个变量、在已知结果的前提下反推“假如当初”。层级越高，因果味越浓。
  1. 观察层（L1）$P(Y \mid X=x)$ 是“如果看到 X 是 x，Y 怎样”的概率，它回答“看见了什么”，不改变任何东西。
    L1: P(Y∣X=x)\displaystyle \mathcal{L}_1:\ P(Y \mid X=x)
  2. 干预层（L2）$P(Y \mid do(X=x))$ 是“如果我强行把 X 设成 x，Y 怎样”的概率，它回答“做了会怎样”，切断了外部对 X 的影响。
    L2: P(Y∣do(X=x))\displaystyle \mathcal{L}_2:\ P(Y \mid do(X=x))
  3. 反事实层（L3）$Y_{x'}$ 表示“在保持已知条件 $X=x$ 和 $Y=y$ 的情况下，如果当初换成 $x'$，Y 会怎样”，它回答“假如当初”，是全篇最硬核的因果问题。
    L3: P(Yx′∣X=x,Y=y)\displaystyle \mathcal{L}_3:\ P(Y_{x'} \mid X=x, Y=y)
  4. 层级递进从 L1 到 L3，所需假设从“无”到“需要完整因果模型”，难度递增；能回答 L3 的系统，也一定能回答 L1 和 L2。
    L1⊂L2⊂L3\displaystyle \mathcal{L}_1 \subset \mathcal{L}_2 \subset \mathcal{L}_3

因果图语言：画一张“线索地图”

阿明发现线索太多，干脆把蛋糕店所有嫌疑因素画成一张图：节点是“雨、后门、伙计、小偷、失窃”，从“伙计偷懒”指向“后门虚掩”，从“后门虚掩”指向“失窃”。小元点头：“这就是因果图，画箭头的人是在宣称‘谁直接导致谁’。”

这种图在数学上叫有向无环图（DAG）：每条边有方向，且不能兜圈子产生循环。有了图，我们就能把原本庞大的联合概率拆成一串“每个变量只看它的直接原因”的小块。就像阿明不用把所有线索一天看完，只需顺着箭头逐户敲门。因果图还带来一个强大工具——d-分离：给定一组节点 Z 后，如果图上 X 和 Y 之间的所有路径都被阻断，就说它们在图上“条件独立”，这为判断“哪些相关是假的”提供了几何式的直觉。

有了这张线索地图，阿明不再被“雨夜”这种表面相关性牵着鼻子走：只要在地图上找出阻断路径的中间人，就能识破假线索。LLM 若能把隐式知识组织成这种结构化图表，因果推理能力将显著增强。

P(V)=∏i=1nP(Vi∣Pa(Vi))\displaystyle P(V) = \prod_{i=1}^{n} P(V_i \mid \mathrm{Pa}(V_i))
联合概率等于每个变量在自己“父节点”（直接原因）条件下的概率之积。因果图把复杂案情拆成了一个个可以逐个审理的小案件。
  1. 变量集合$V$ 表示现场所有相关变量，如雨、后门、失窃等，来自阿明的案情清单。
    V={V1,V2,…,Vn}\displaystyle V = \{V_1, V_2, \dots, V_n\}
  2. 父节点$\mathrm{Pa}(V_i)$ 是因果图中直接指向 $V_i$ 的节点，也就是“直接原因”，例如“后门虚掩”是“失窃”的父节点。
    Pa(Vi)\displaystyle \mathrm{Pa}(V_i)
  3. 条件概率$P(V_i \mid \mathrm{Pa}(V_i))$ 表示在已知直接原因的条件下，$V_i$ 出现的概率，排除了更远祖先的干扰。
    P(Vi∣Pa(Vi))\displaystyle P(V_i \mid \mathrm{Pa}(V_i))
  4. 连乘分解$\prod$ 把所有 $P(V_i \mid \mathrm{Pa}(V_i))$ 乘在一起，得到全局联合概率 $P(V)$。这被称为因果图的链式法则或马尔可夫分解，是很多因果推断算法的基础。
    P(V)=∏i=1nP(Vi∣Pa(Vi))\displaystyle P(V) = \prod_{i=1}^{n} P(V_i \mid \mathrm{Pa}(V_i))

因果发现寻因：让数据自己画出箭头

蛋糕店失窃案越查越大，阿明把全市十年的监控数据扔给小元：“线索太多，我手工画图不现实，你能不能自动找出箭头？”小元回答：“可以。我给你一摞数据，我用条件独立性检验来剪枝：如果两个变量在给定某些条件后已经互相独立，那它们之间就不该有直接箭头。”

自动从数据中学习因果图的方法主要分两种：一是约束式搜索，代表算法是 PC 算法，它反复做条件独立检验，删掉多余的边，再确定箭头方向；二是评分式搜索，给每张候选图打一个分（如 BIC），选出与数据最吻合的图。核心思想是“让数据说话”，但前提是数据要足够好，且不能违反忠实性等假设。这就像阿明看监控：如果摄像头本身糊了、角度歪了，再好的图也画不出真相。

阿明把自动画出的因果图与手工推理一对比，发现雨水的箭头消失了，后门到失窃的箭头清晰可见。“原来数据也会说人话，”他感叹道，“只要问对问题、用对方法。”这也提醒我们：因果发现是“机器辅助假设生成”，而非“全知全能的天眼”。

X⊥GY∣Z  ⇒  X⊥PY∣Z\displaystyle X \perp_{\mathbb{G}} Y \mid Z \;\Rightarrow\; X \perp_{\mathbb{P}} Y \mid Z
图上被 Z 阻断路径的 X、Y 两节点（d-分离），在真实数据分布中也应条件独立。因果发现算法正是利用这个方向性的规律来修剪错误连线。
  1. 图上的分离$X \perp_{\mathbb{G}} Y \mid Z$ 表示在因果图 G 中，给定节点集合 Z 后，X 和 Y 之间所有路径都被阻断，称为 d-分离。
    X⊥GY∣Z\displaystyle X \perp_{\mathbb{G}} Y \mid Z
  2. 数据上的独立$X \perp_{\mathbb{P}} Y \mid Z$ 表示在真实概率分布 P 中，给定 Z 后 X 与 Y 条件独立。
    X⊥PY∣Z\displaystyle X \perp_{\mathbb{P}} Y \mid Z
  3. 蕴含箭头$\Rightarrow$ 表示“若图上 d-分离，则数据中条件独立”。这一性质叫因果马尔可夫性，是约束式搜索的理论基石。
    ⇒\displaystyle \Rightarrow
  4. 反用做发现因果发现算法反过来用：如果数据中表现出条件独立，就删除对应边；保留的边再借助方向规则确定因果箭头。
    独立性检验→删边→定向\displaystyle \text{独立性检验} \rightarrow \text{删边} \rightarrow \text{定向}

大模型因果能力：小元到底懂多少

新线索来了：小元没读任何新卷宗，却直接说出“锁门能防失窃，雨不会偷东西”。阿明震惊：“你明明没做过实验，怎么知道？”小元解释：“我在预训练阶段读过数不清的案件记录、科学论文和百科知识，这些文本里本身就写了大量因果结论。我的参数里沉淀了一种‘隐式因果知识’。”

研究者发现，LLM 确实能在很多场景中识别混淆变量、预测干预效果，甚至完成一定程度的反事实推理。但也必须清醒：这种因果能力是“从人类语言化石中学来的直觉”，而不是真正在世界里做实验验证过的严谨结构。好比一个读书破万卷的侦探，能猜到凶手是谁，却不代表他亲自勘查过每一间密室。论文实验常用“反事实改写”来测试：把句子里的主体或场景换成同类对象，LLM 的答案是否保持稳定？如果一换就崩，说明它只是在背套路。

阿明盯着小元：“原来你是个‘理论派侦探’。”小元大方承认：“我强在知识面广、上手快，弱在没有真实世界的因果验证。你得用评估基准盯着我，别让我一本正经地胡说八道。”

Acc=1N∑i=1N1[y^i=yi∗]\displaystyle \mathrm{Acc} = \frac{1}{N} \sum_{i=1}^{N} \mathbb{1}[\hat{y}_i = y_i^*]
这是最常用的准确率：在 N 道反事实考题中，模型给出的答案与标准答案一致的比例。一致率越高，说明因果理解越稳定、越不靠死记硬背。
  1. 考题总数$N$ 是反事实或干预预测题的条数，例如“若锁门，失窃概率会怎样”。
    N\displaystyle N
  2. 模型答案$\hat{y}_i$ 是 LLM 对第 i 题的回答，比如“不会失窃”。
    y^i\displaystyle \hat{y}_i
  3. 标准答案$y_i^*$ 是数据集的标注答案，源自人工推理或已知因果事实。
    yi∗\displaystyle y_i^*
  4. 指示函数$\mathbb{1}[\hat{y}_i = y_i^*]$：若两者一致则记 1，否则记 0，把“答对”变成数数问题。
    1[y^i=yi∗]\displaystyle \mathbb{1}[\hat{y}_i = y_i^*]
  5. 求均值$\tfrac{1}{N}\sum$ 把所有题的 0/1 得分取平均，得到 0 到 1 之间的准确率，越接近 1 越强。
    1N∑i=1N1[y^i=yi∗]\displaystyle \frac{1}{N} \sum_{i=1}^{N} \mathbb{1}[\hat{y}_i = y_i^*]

因果增强技术：给小元装上“因果外挂”

既然小元有潜力但不够稳，阿明开始训练它。他先改变提问方式：不再直接问“结论是什么”，而是要求“请先列出如果锁门、如果不锁门两条世界线，再给出结论”。这种“先走后跑”的推理方式，就是思维链提示，它迫使模型把隐式的因果链条显式化，显著减少跳步错误。

除了提示，还可以做因果微调：用带因果标注的数据（如“原因→结果→干预→反事实”）对模型做二次训练，让参数更贴合因果推理的句式。再配合检索增强：让模型先检索可信文献中关于“门锁与失窃”的证据，再回答。这些方法像给侦探配上了推理手册、案卷库和复核员。实验表明，加了思维链后，LLM 在因果基准上的表现往往有明显提升，但增益会因任务和模型规模而变化。

小元在加入思维链后，破案报告明显更有条理：“锁门后窃贼无法进入，所以失窃不会发生；若不锁门，任何人都可能顺手牵羊。”阿明点点头：“看来激发潜力和死记硬背，效果真的不一样。”

Δ=AccCoT−Accdirect\displaystyle \Delta = \mathrm{Acc}_{\text{CoT}} - \mathrm{Acc}_{\text{direct}}
思维链带来的增益：在使用思维链提示时的准确率，减去直接作答时的准确率。如果增益为正，说明“先想后答”确实优于“张口就来”。
  1. 直接作答$\mathrm{Acc}_{\text{direct}}$ 是让 LLM 不加推理步骤、直接输出因果结论的准确率。
    Accdirect\displaystyle \mathrm{Acc}_{\text{direct}}
  2. 思维链作答$\mathrm{Acc}_{\text{CoT}}$ 是让 LLM 先写出“如果……那么……”的推理链条再作答的准确率。
    AccCoT\displaystyle \mathrm{Acc}_{\text{CoT}}
  3. 增益差$\Delta$ 是二者的差值。$\Delta > 0$ 说明显式推理有效，$\Delta$ 越大越值得采用。
    Δ=AccCoT−Accdirect\displaystyle \Delta = \mathrm{Acc}_{\text{CoT}} - \mathrm{Acc}_{\text{direct}}

评估与基准：怎么考小元才算数

小元说自己“懂因果”，阿明决定出套卷子考它。考题分三类：第一类是干预预测，问“给病人服药，痊愈率会不会上升”；第二类是反事实推理，问“小明没吃药也好了，如果他当时吃药，会不会好得更快”；第三类是对抗改写，把句中“医生”换成“兽医”、“蛋糕”换成“面包”，看模型是否还坚持原答案。这些标准化的“考卷”，就是因果基准数据集。

设计良好的基准不仅要看总分，还要看“稳定性”。如果模型在原题上得 90 分，换个马甲只剩 40 分，说明它靠语言痕迹而非因果结构作答。常用的鲁棒性指标会计算对抗样本与原始样本的准确率之差，差值越小，说明模型越接近“真懂”。

阿明看到小元的成绩单哭笑不得：原题答得漂亮，把“蛋糕”换成“面包”后正确率掉了一截。“小元，你考的是‘背答案’，不是‘会破案’。”小元也服气：“所以人类需要设计更狠的考卷来逼我成长。”

R=1M∑j=1M(Accjanti−Accjorig)\displaystyle R = \frac{1}{M} \sum_{j=1}^{M} \left( \mathrm{Acc}^{\text{anti}}_j - \mathrm{Acc}^{\text{orig}}_j \right)
这是因果鲁棒性分数：对抗改写后准确率比原始准确率低多少。负得越少，甚至接近零，说明模型没有被表面词汇干扰，因果判断更稳健。
  1. 原始题目$\mathrm{Acc}^{\text{orig}}_j$ 是第 j 组原始因果题的模型准确率。
    Accjorig\displaystyle \mathrm{Acc}^{\text{orig}}_j
  2. 对抗改写$\mathrm{Acc}^{\text{anti}}_j$ 是把题中无关名词替换后（主体、地点、物品变化）的准确率。
    Accjanti\displaystyle \mathrm{Acc}^{\text{anti}}_j
  3. 逐组求差差值 $\mathrm{Acc}^{\text{anti}}_j - \mathrm{Acc}^{\text{orig}}_j$ 衡量模型是否“换汤就换药”，越接近 0 越好。
    Accjanti−Accjorig\displaystyle \mathrm{Acc}^{\text{anti}}_j - \mathrm{Acc}^{\text{orig}}_j
  4. 取平均$\frac{1}{M}\sum_{j=1}^{M}$ 对所有改写题型取平均，得到整体鲁棒性分数 $R$。
    1M∑j=1M\displaystyle \frac{1}{M} \sum_{j=1}^{M}

工程挑战与未来：守住可信 AI 底线

虽然小元进步神速，但阿明心里清楚：真实世界比考卷复杂得多。报告里满是看似合理的“因果解释”，比如“因为客户看了三天页面没下单，所以是我们的推荐算法不行”——这很可能只是混淆变量在作祟，比如客户本来就不需要这个商品。更可怕的是，LLM 会生成听起来因果味十足、实际毫无依据的“幻觉归因”，把产品的失败甩锅给无关因素。

要治理这些乱象，工程上需要三管齐下：一是用因果结构模型显式建模关键变量，让模型在受限的因果图上推理，而不是自由发挥；二是引入人机协同，由领域专家审核因果图与关键结论，把模型当作高杠杆的“假设生成器”；三是持续用对抗基准监控线上表现，及时发现因果能力退化。因果推理的最终目标，是让 AI 在做出“如果当初……会不会……”的判断时，拥有可验证、可解释的根基，而非仅仅语言上的优雅。

阿明合上卷宗，终于理解小元的价值与风险：它能提出“锁门能破案”的好假设，也能编造“月亮惹的祸”的坏解释。只有人类与 AI 各自发挥优势——人提供结构与经验，模型提供速度与广度——才能真正守住可信 AI 的底线。

Yx(u)  :  在 do(X=x) 下，个体 u 的潜在结果\displaystyle Y_x(u) \;:\; \text{在 } do(X{=}x) \text{ 下，个体 } u \text{ 的潜在结果}
这是反事实的个体定义：对特定个体 u，若强行实施干预 X=x，Y 会取何值。它让“假如当初锁门”这句话从修辞变成可计算的问题。
  1. 个体对象$u$ 指某个具体场景或个体，如“昨晚老周蛋糕店的现场”。
    u\displaystyle u
  2. 干预设置$do(X{=}x)$ 是把 X 强制置为 x，如“强制锁门”。
    do(X=x)\displaystyle do(X{=}x)
  3. 潜在结果$Y_x(u)$ 表示该个体在干预后的结果变量取值，它属于平行世界的“假设结果”。
    Yx(u)\displaystyle Y_x(u)
  4. 推断意义反事实结果不能直接观测，但通过结构因果模型，可以利用观测数据、干预数据和图的约束来估计，这正是工程落地的基础。
    Yx(u)=模型推断出的潜在结果\displaystyle Y_x(u) = \text{模型推断出的潜在结果}

AI 应用场景

医疗诊断辅助：纠正“吃药更危险”的假象

阶段：因果效应估计与结果解释

解决的问题：医院观察到“吃药的患者死亡率反而更高”，传统统计模型若直接建模会得出“药物有害”的错误结论。AI 通过混淆变量（病情严重程度）分层与后门调整，估计出真实的因果效应，避免错误用药决策。

具体案例：某三甲医院用 LLM 解读病史文本，抽取“基础疾病、用药、转归”三元组，构建因果图后发现：重症患者更可能被开药，导致“吃药”与“高死亡”共现。经 do-算子的分层校正，模型准确告诉医生：药物对轻重症都有正向保护作用。

智能客服归因：分清“用户抱怨”与“产品缺陷”

阶段：文本因果抽取与反事实问答

解决的问题：用户投诉“页面太卡所以退款”，平台若只统计关键词共现，会把“卡顿”当全责。AI 用因果理解来判断：卡顿是真实诱因，还是用户对价格不满的托词；再通过反事实生成“如果页面不卡，用户还会退款吗”的评估。

具体案例：某电商 LLM 客服系统在处理退款时，自动抽取对话中的因果链（“页面卡顿”→“等待过久”→“退款”），结合订单时长、网络类型等上下文数据，判断卡顿是否系统性问题，并输出带置信度的归因报告，人工复核量减少 60%。

科研文献挖掘：从论文海量文本中提炼因果主张

阶段：因果知识抽取与假设生成

解决的问题：科研人员每天要读上百篇论文，难以快速筛选哪些研究真正建立了因果关系。LLM 基于隐式因果知识，可抽取“干预→结局”句子对，并按因果三阶梯分类，帮助科学家生成可验证的新假设。

具体案例：药物研发团队用 LLM 扫描 5 万篇生物医学摘要，自动抽取出“A 基因敲除→B 通路激活→细胞增殖抑制”的链条，再交由湿实验验证，将候选靶点筛选周期从数月缩短到两周。

Python 演示

python39 行
import numpy as npimport pandas as pd rng = np.random.default_rng(42)n = 6000 # 混淆变量 Z：1 表示重症患者，0 表示轻症患者Z = rng.binomial(1, 0.5, n) # 服药倾向 X：重症患者更可能服药（95% vs 10%）p_x = np.where(Z == 1, 0.95, 0.1)X = rng.binomial(1, p_x) # 痊愈结果 Y：无论轻症还是重症，服药者的痊愈率都更高p_y = np.where(    X == 1,    np.where(Z == 1, 0.25, 0.55),    np.where(Z == 1, 0.15, 0.45),)Y = rng.binomial(1, p_y) df = pd.DataFrame({"Z": Z, "X": X, "Y": Y})df["group"] = np.where(Z == 1, "重症", "轻症")  def effect(g):    treated = g.loc[g.X == 1, "Y"].mean()    control = g.loc[g.X == 0, "Y"].mean()    return treated - control  means = df.groupby("X")["Y"].mean()overall_effect = means.loc[1] - means.loc[0]print("总体痊愈率：未服药=%.3f，服药=%.3f" % (means.loc[0], means.loc[1]))print("总体效应（服药-未服药）: %.3f" % overall_effect) print("分层效应：")for name, group in df.groupby("group"):    print("  %s组 服药效应 = %.3f" % (name, effect(group)))
目的：用模拟数据完美复现辛普森悖论——合并数据时“服药有害”，分层后“服药有益”，直观演示混淆变量如何扭曲因果结论。
  1. Z = rng.binomial(1, 0.5, n)随机生成轻症/重症分组，这是后续一切“假象”的幕后推手。
  2. p_x = np.where(Z == 1, 0.95, 0.1)重症患者服药概率远高于轻症，导致“是否服药”与“病情轻重”纠缠不清。
  3. p_y = np.where(...)每个病情分层内，服药者的痊愈率都比未服药者高 10%，这是真实的因果效应。
  4. df.groupby("X")["Y"].mean()直接按“是否服药”算痊愈率，看起来服药组更差，实际是重症患者在服药组里占比过高的假象。
  5. effect(g)按病情分层计算“服药效应”，剥开混淆变量后，真实的正向药效立即显现。

常见误区

误区我做了个分析，发现“冰淇淋销量”和“溺水人数”的相关系数高达 0.9，那肯定就是吃冰淇淋导致溺水，应该禁止卖冰淇淋！

正解这两个变量都被第三个变量“气温”驱动：天热，大家既爱吃冰也爱下水。相关只说明两个变量“形影不离”，因果要求“我推你一把，你才动”。像冰淇淋和溺水，一旦控制住气温，二者立刻“翻脸不认人”。判别方法很简单：问一句“如果我强行改变 X，Y 会变吗？”如果能回答，才谈得上因果。

为何常见：人类大脑天生爱找模式、讲因果故事，而统计工具直接输出的相关系数又太好拿到，让人误以为“数字显著”等于“关系真实”。

误区大模型不就是个超级“词频预测器”吗？它只是在猜下一个词，根本不可能有因果理解。

正解预训练语料里包含了大量人类写的因果结论（实验报告、科学文献、故事），模型在学习语言的同时，把这些因果关系的“神经痕迹”压缩进了参数中。研究显示 LLM 能较稳定地回答不少干预与反事实问题。但它的因果知识是隐式、间接的，容易在分布外或对抗改写场景下失效。正确态度是：承认它有“因果直觉”，但必须用基准和干预实验严格验证。

为何常见：人们把“理解”想象成全有或全无，又习惯拿 LLM 早期按字面统计的失败案例以偏概全，因此低估了大规模预训练带来的结构知识。

误区我上线了 A/B 测试，把用户分成两组分别看不同页面，点击率有差异，所以这个页面改动就是“因”，点击率提升就是“果”。

正解良好随机的 A/B 实验确实是因果推断的金标准，但工程中常有漏洞：样本分流是否真正随机？是否存在“用户自选择”？有没有中间变量被同时操纵？更隐蔽的是，现实约束下很多问题不能做实验（比如“让用户熬夜”），这时就要靠 do-算子、后门调整和因果图做“从观察数据中识别因果”的数学推导。实验也好、观察也罢，关键是画出假设图并检验混淆变量。

为何常见：A/B 测试的概念深入人心，人们误以为“对照实验”四个字就自动消解了所有混淆，忽略了实施细节与无法实验的场景。

误区因果结构这么复杂，肯定是几个专家坐在一起拍脑袋画出箭头，机器学习在这种“先验知识”面前无能为力。

正解因果发现算法（如 PC、GES）能从观测数据中自动学习 DAG：先用条件独立检验删边，再用评分函数选图，还能借助半实验数据确定方向。只不过它依赖数据质量、充分性和忠实性等假设，输出只能视为“候选因果图”。更现实的工程做法是“专家先验 + 数据修正 + 模型推断”三方协作，而不是非此即彼。

为何常见：因果图常被描述成“领域知识建模”，教材又很少讲自动发现，导致初学者以为它与数据驱动方法天然对立。

面试题

Q1. 下列对“相关”与“因果”关系的描述正确的是？

单选题 · easy

  • A.相关性强就必然存在因果关系
  • B.因果关系不一定体现为统计相关← 正确答案
  • C.相关数据无法提供任何因果线索
  • D.只要样本量大，相关即可等同因果

答案：B。相关只是“相伴出现”，因果要求“干预后结果随之改变”。B 正确：真实的因果效应可能被混淆变量掩盖，在未调整的数据上不显示为相关。A、D 把相关吹捧为因果，C 又完全否定相关作为线索的价值，都走了极端。就像雨夜与失窃高度相关，但干预“下雨”并不会导致失窃。

Q2. 混淆变量的典型特征是？

单选题 · mid

  • A.同时影响 X 与 Y，制造虚假相关← 正确答案
  • B.只影响 X，与 Y 毫无关系
  • C.只影响 Y，与 X 毫无关系
  • D.与 X、Y 完全独立，不起作用

答案：A。混淆变量是“幕后推手”：它既推了 X 一把，又推了 Y 一把，于是 X 和 Y 看起来关系紧密，实则都是它的提线木偶。就像“病情严重程度”同时影响“是否服药”和“痊愈率”，造成服药有害的假象。其余选项描述的不是混淆变量，而是无关变量。

Q3. 因果三阶梯（L1、L2、L3）的正确顺序是？

单选题 · easy

  • A.观察、干预、反事实← 正确答案
  • B.干预、观察、反事实
  • C.反事实、观察、干预
  • D.观察、反事实、干预

答案：A。因果三阶梯从低到高依次是观察（看到什么）、干预（做了什么会怎样）、反事实（假如当初会怎样）。阶梯越高，越需要更强的因果模型，也越接近人类“复盘式”的推理方式。其他顺序都打乱了从被动到主动再到“平行世界”的自然递进。

Q4. 下列属于反事实推理的是？

多选题 · hard

  • A.看到下雨天蛋糕店失窃率更高
  • B.锁门后实验组失窃率显著下降
  • C.想象昨晚若锁门蛋糕是否还丢← 正确答案
  • D.统计近十年雨夜失窃案占比

答案：C。反事实的核心是“在结果已定的前提下，假设改变原因再推演结果”。C 正是“已知失窃已发生，假如当初锁门”的平行世界推演。A、D 是观察层级的统计描述，B 是干预层级的真实实验，都够不上反事实。

Q5. 因果记号 do(X=x) 表示？

单选题 · easy

  • A.观察样本中 X 恰好取值为 x
  • B.人为干预使 X 固定为 x← 正确答案
  • C.预测 X 在未来出现的概率
  • D.删除所有包含 X 的数据

答案：B。do(X=x) 是 Pearl 提出的干预算子，意为“强行把 X 设为 x”，同时切断外部变量对 X 的影响。A 是普通条件概率中的“看见”，C、D 与干预无关。就像“看见门虚掩”和“亲手锁门”是两码事，前者观察，后者干预。

Q6. 关于 d-分离在因果图中的作用，正确的是？

单选题 · mid

  • A.用于判断图上两个节点是否条件独立← 正确答案
  • B.只能用于计算回归系数的大小
  • C.用来证明相关就是因果
  • D.无法在结构因果模型中应用

答案：A。d-分离是因果图上的几何判据：给定一组节点 Z，若 X 到 Y 的所有路径都被阻断，则说 X 与 Y 在图上是 d-分离的，对应数据中应该条件独立。它是因果发现和混淆识别的基础工具。B、C、D 都错在贬低或错解了它的用途。

Q7. 下列属于因果发现主流方法的是？

多选题 · mid

  • A.约束式搜索，如 PC 算法← 正确答案
  • B.评分式搜索，如 BIC 打分← 正确答案
  • C.使用 k 均值聚类寻找因果关系
  • D.计算词向量间的余弦相似度

答案：AB。因果发现的两大类方法是约束式（PC 算法通过条件独立检验删边定角）和评分式（对候选 DAG 计算 BIC 等得分选最优）。聚类是无监督打散样本，余弦相似度是文本相似度度量，都未触及因果结构学习。

Q8. 关于 LLM 的隐式因果知识，下列认知正确的是？

单选题 · mid

  • A.LLM 完全不具备任何因果知识
  • B.LLM 拥有部分隐式因果知识但不稳定← 正确答案
  • C.LLM 在所有反事实场景中都表现稳健
  • D.LLM 只能机械记忆表面词语共现

答案：B。预训练语料包含大量人类因果结论，LLM 因此具备一定隐式因果能力，能回答部分干预和反事实题；但在对抗改写、分布外场景下容易失效。A、C 各走一个极端，D 低估了模型从语言中抽象结构关系的能力。

Q9. 辛普森悖论给数据分析师的核心启发是？

单选题 · hard

  • A.合并数据的相关结论可能被分层数据翻转← 正确答案
  • B.样本量越大，相关就越接近因果
  • C.只要相关性显著，就无需控制变量
  • D.统计学无法处理任何分组矛盾

答案：A。辛普森悖论说明：总体汇总后呈现的关系，可能与每个子群内部的关系方向截然相反，根因是混淆变量在分组间分布不均。它提醒我们建模前必须思考混淆变量，必要时做分层或调整。B、C 恰是悖论所反讽的粗暴做法，D 则夸大了困难。

Q10. 关于反事实结果 Y_x(u)，以下说法正确的是？

多选题 · extreme

  • A.它描述平行世界里对个体 u 干预后的结果← 正确答案
  • B.它只能通过被动观察直接获得
  • C.结构因果模型可以支持对它的推断← 正确答案
  • D.它需要保持已知条件后再重写历史← 正确答案

答案：ACD。Y_x(u) 是反事实“潜在结果”的个体化表达，刻画“若强行干预 X=x，个体 u 会怎样”。被动观察只能看到已发生的一种结果，不能直接得到反事实，因此 B 错；结构因果模型借助图、干预分布与一致性条件可推断反事实，A、C、D 均正确。