统计学

相关≠因果：AI的根本性问题 “冰淇淋销量增加时，溺水死亡也增加”——这是相关性。但冰淇淋不会导致溺水，真正的因果是"夏天来了，天热了"。 当前AI（特别是LLM）主要学习的是统计相关性——“A和B经常一起出现”。但人类智能的核心是因果推理——“A导致了B”。这个差距是AI从"看起来聪明"到"真正聪明"的关键障碍。 Judea Pearl的因果阶梯将智能分为三层： 观察（Association）：看到A时B也出现 → 当前AI在这一层 干预（Intervention）：如果我做了A，B会怎样？ → AI初步探索 反事实（Counterfactual）：如果我没做A，B还会发生吗？ → AI几乎不能 2026年，AI因果推理研究取得了重要进展，开始从第一层向第二层和第三层迈进。 2026年的进展 1. 因果发现 目标：从观察数据中自动发现因果关系 方法：PC算法 + 神经网络 + 大语言模型 2026年的新方法将LLM与因果发现算法结合： LLM提供领域知识（“温度可能是冰淇淋销量和溺水的共同原因”） 统计算法验证因果假设 两者交替迭代，发现更准确的因果结构 class LLMGuidedCausalDiscovery: def __init__(self, llm, data): self.llm = llm self.data = data def discover(self, variables): # 1. LLM提出可能的因果假设 hypotheses = self.llm.generate_causal_hypotheses(variables) # 2. 统计验证每个假设 validated = [] for hyp in hypotheses: score = self.statistical_test(hyp, self.data) if score > THRESHOLD: validated.append((hyp, score)) # 3. 构建因果图 causal_graph = self.build_graph(validated) # 4. LLM审查因果图的合理性 review = self.llm.review_causal_graph(causal_graph) # 5. 根据反馈迭代 if review.has_issues(): return self.discover(variables) # 重新发现 return causal_graph 效果：在标准因果发现基准上，LLM辅助方法的准确率比纯统计方法高25%。 2. 因果推理模型 目标：让模型在推理时使用因果知识 ...