Causal AI 学习笔记

1. 概念

因果推断

因果推断（Causal Inference）是 Causal AI 最核心的任务。

• 关联（看到，X→Y 映射）：传统AI能做的，比如“看到冰淇淋销量高，游泳溺水人数也多”。

• 干预（做）：“推断”精髓。例如，假设“如果我把冰淇淋价格提高一倍，那么溺水人数会下降吗？”——答案是不会，因为它们是温度这个“混杂因子”造成的。Causal AI通过干预计算（do-operator）来剔除虚假相关。

• 反事实（想象，如果当时）：这是最高级的假设。比如“假设我当时没给这位病人开这个药，他现在会怎样？”——这是传统AI完全做不到的，也是Causal AI最厉害的地方。

因果发现

因果发现（Causal Discovery）指的是，让机器在没有任何“标准答案”的情况下，仅凭一堆历史数据，自己“画”出一张因果关系图（即 DAG 有向无环图）。

如果说“因果推断”是拿着假设去考试（验证“X→Y，X是否影响Y”），那么“因果发现”就是连考卷题目都没有，直接让你从数据海洋里捞知识。它的核心任务是找出变量之间箭头指向的方向（到底是X→Y，还是Y→X）。