2、因果推断：超越机器学习的探索

因果推断：超越机器学习的探索

在当今机器学习快速发展的时代，各类算法在计算机视觉、自然语言处理等领域展现出了惊人的效果，像 DALL - E 2、GPT - 3/4 等算法不仅在科研界引起关注，也走进了大众视野。这不禁让人思考：既然机器学习如此强大，为何还要关注因果关系呢？

因果关系的历史

因果关系有着悠久的历史，许多先进文化都对其有所探讨。古希腊哲学家亚里士多德认为，理解过程的因果结构是掌握该过程知识的必要条件，能够回答“为什么”类型的问题是科学解释的本质。他还区分了四种原因：质料因、形式因、动力因和目的因。

18 世纪苏格兰哲学家大卫·休谟提出了更统一的因果关系框架。他认为我们无法直接观察到因果关系，只能体验到事件的相继发生。例如，一个台球撞击另一个台球，我们只看到第二个台球随之运动，从这种相继发生的事件中，我们的思维不会产生关于“力量”或“必然联系”的内在印象。一种对休谟因果理论的简化解释如下：
- 我们仅观察到物体 A 的运动或出现先于物体 B 的运动或出现。
- 如果多次经历这种相继发生的情况，我们会产生一种预期感。
- 这种预期感就是我们因果概念的本质，它并非关于世界本身，而是我们所产生的一种感觉。

不过，休谟对因果关系有不同的定义，而且并非所有学者都认同上述解释。

休谟理论与相关概念的联系

休谟的理论从两个方面来看很有趣。首先，其理论元素与心理学中的“条件作用”概念高度相似。条件作用是一种学习形式，有多种类型，但都基于“关联”这一共同基础，因此也被称为“关联学习”。在各种条件作用中，我们将某个事件或对象（通常称为刺激）与某种行为或反应关联起来。关联学习在不同物种中都存在，包