为什么：关于因果关系的新科学

统计学一百年来把因果当成禁区，只处理关联；大数据与深度学习又宣称数据够多因果会自己浮现。珀尔要同时反对这两边：回避因果让统计学在「如果我涨价会怎样」这类问题上长期失语，而只吃相关性的机器学习也永远停在预测层。他提出用因果图与干预算子把「做」写进数学。

1. 因果问题分三层：关联（看到什么）、干预（做了会怎样）、反事实（如果当初不是这样）；数据本身只停在第 1 层。
2. 要让「做」可计算，就要有因果图与 do 算子：把干预写成「删掉指向该变量的箭头」之后的新模型。
3. 于是不必做实验也可能估计干预效果：找到满足后门准则的变量集合，把混杂路径堵住即可。
4. 再往前一步是反事实与中介：用「若非」把责任与机制变成可算的量，回答「为什么」而不只是「会不会」。
5. 结论回到人工智能：只会拟合关联的机器没有理解，也谈不上道德判断，因果之梯的第二、三层才是出路。

因果之梯

关联、干预、反事实三个层级，层级越高所需的假设越强。例：冰淇淋销量与溺水人数同涨停在第 1 层；关掉冰淇淋店能否减少溺水属于第 2 层。

do 算子

表示「强制把某变量设为某值」的记号，与「观察到它等于某值」不同。例：看到气压计读数下降预示下雨；把指针拧下去不会。

混杂因子

同时影响处理与结果的第三变量，会制造虚假关联。例：辛普森悖论：分组看与合并看的趋势正好相反。

后门准则

一组变量足以堵住所有后门路径时，调整它们就能得到无偏的因果估计。例：按年龄与病情严重程度分层，再比较两种疗法的效果。

中介分析

把总效应拆成直接效应与通过中间变量传导的间接效应。例：吸烟既直接影响健康，也通过其他途径起作用。

反事实

在其他条件不变、只有该变量不同的假想世界里做比较。例：「如果当初接了那份工作会怎样」，被写成一个确定性的模型修改。

• 《美国数学月刊》上的书评：称它是「一次令人钦佩但有缺陷的尝试」，并说内容重要到每个人都应该读，同时直言写作密实、行文不畅。
• 作者本人维护的官方页面：给出 2018 年 Basic Books 版的出版信息、目录与勘误表，可核对版本与章节。
• 中文版目录（中信出版社 2019 年，374 页）：十章从「因果关系之梯」到「大数据，人工智能和大问题」，与英文版逐章对应；出版方还在书讯里摘了《纽约时报》与《自然》的评论，可作外部线索。

• 一级称本书令人钦佩但有缺陷：内容重要到人人该读，同时指出写作密实、部分论证有跳跃。American Mathematical Monthly 书评（作者官方站收录 PDF）访问于 2026-09-13
• 一级作者官方页面：出版信息、目录、勘误与收集到的书评清单，是核对本书内容最直接的入口。Judea Pearl：The Book of Why 主页访问于 2026-09-13
• 一级珀尔记录统计学家对他「统计学长期回避因果」的异议并作出回应：问题不在方法缺失，而在长期不做形式化。Causal Analysis in Theory and Practice：Statisticians' reaction to The Book of Why访问于 2026-09-13

• 支持一级书评认为无论有多少缺陷，学生和普通读者都需要学会因果思考，而这本书是现成的起点。American Mathematical Monthly 书评访问于 2026-09-13
• 批评一级它把这本书定性为「有缺陷的尝试」：行文不顺、若干处论证跳跃，读者要自己补上论证的中间步骤。American Mathematical Monthly 书评访问于 2026-09-13
• 批评一级统计学家认为书中关于「统计学一直回避因果」的判断夸张，他们做的一直是同一件事，只是没统一记号。Causal Analysis in Theory and Practice（2018-06-11）访问于 2026-09-13

第一，它与统计学的争论有一部分是术语之争：批评者认为统计学家早就在做因果，珀尔认为问题在于没有统一的形式化，双方说的并不完全是一件事。第二，因果图能算出答案的前提是箭头画对了，而「该放哪些变量」这一步，书里给的指导有限。第三，后门准则失效时（存在未测混杂或选择偏差）它不会自我报警。第四，本书是方法论宣言，具体学科的结论要自己找案例落地，不能直接搬。第五，引用公式与符号时最好对回英文原版，中文版的版式对上下标不总是友好。第六，书里讲因果推断起源的历史段落读起来轻松，但故事的流畅不等于论证的严密，关键处在方法章。

• 给一个你熟悉的因果主张画一张因果图，标出所有可能的混杂路径，再说你需要哪些变量才能堵住它们。
• 把相关与干预分开写：这句话说的是「看到 X 时 Y 怎样」，还是「改变 X 会让 Y 怎样」？
• 为一个已经发生的结果写一句反事实，并写明它需要哪些假设才成立。

1. 因果之梯的三层分别是什么？数据能支撑到哪一层？
2. do 算子与「看到」的区别在哪里？
3. 对这本书的主要批评是什么？你觉得成立吗？

读法：第 1 章「因果关系之梯」定框架，第 4 章「混杂和去混杂」与第 7 章「超越调整：征服干预之峰」是方法主体，第 8、9 章讲反事实与中介，第 10 章谈大数据与人工智能；第 2、3、5 章是历史与争论，可当故事读。想动手，先拿自己的数据画一张因果图、试一次后门调整。作者的官方页面上有勘误与书评，值得先看一眼再读。

• 相关与因果站内讲相关与因果的区别；本书正面回答了那个「然后呢」——区别之后该怎么做，两篇正好接续。
• 相关与因果（讲透）站内的深入篇；本书提供可计算的框架，读完能把「因果不能从数据里读出来」变成一套具体操作。
• AI 对齐与安全站内讲人工智能的对齐问题；本书主张机器要理解因果才谈得上判断与责任，可作为技术路线一侧的论据。