每日一书 #047｜《为什么》：数据不会告诉你为什么，永远不会
昨天的明斯基属于金融方向：平静本身在种下下一次崩塌。今天按金融、AI、历史的轮换，换到 AI 方向，读朱迪亚·珀尔与达纳·麦肯齐合著的《为什么：关于因果关系的新科学》。珀尔是 2011 年图灵奖得主、贝叶斯网络之父，这本书是他 2018 年写给大众的因果革命总纲，中文版次年由中信出版。选它有个直接原因：最近面试里反复被问「你的模型为什么有效」，需要的不是指标涨跌，而是一个站得住的回答框架。
开读之前有个细节值得先说。扉页上写着「纪念丹尼尔·珀尔」——作者的儿子，《华尔街日报》驻南亚记者，2002 年在卡拉奇遇害。一个研究了一辈子因果的人，把书献给一个再也问不到答案的孩子。这本书因此不只是技术史，也是一次私人的追问。
全书核心命题一句话：数据是哑的，因果从不出现在数据里；机器要回答「为什么」，必须把人类已有的因果知识画成图，再用数学把问题问对。
一、你比你的数据更聪明
这本书的全部信息，珀尔自己压缩成了一句话：统计能告诉你观察到的世界里什么和什么一起出现，永远回答不了「如果改变它，会怎样」。这不是数据的缺陷，是数据的本性——它记录的只是被动观察。吃这种药的人比不吃的人康复得快，数据到此为止；至于是药救了人，还是买得起药的人本来就更健康，数据一个字都不会说。
如果要用一句警语概括这本书，那就是：你比你的数据更聪明。数据不理解因果；人类理解。——原书导论（据英文原文译写）
「数据驱动」是个好习惯，但它只负责第一层：把观察记录好。至于观察背后哪个箭头指向哪个箭头，得靠人先画出来，再让数据来检验。
二、因果之梯：观察、干预、想象
全书最著名的结构叫因果之梯，分三级。最低一级是关联：看见什么和什么一起出现，追问「是什么」。中间一级是干预：主动改变世界，追问「如果我做了会怎样」——观察数据和实验数据在这里分道扬镳。最高一级是反事实：在想象里改写历史，追问「如果当初……现在会怎样」——后悔、责任、计划，全住在这一层。
珀尔的判断很尖锐：现有机器学习几乎全部停在第一层，而人类理解世界的绝大部分能力在第二、三层。概率编码的是关于一个静态世界的信念；世界被改变之后概率怎么变，那是因果的事。
概率编码的是我们关于一个静态世界的信念；而因果告诉我们，当世界因干预或想象而改变时，这些概率会不会变、怎么变。——原书（据英文原文译写）
三、被放逐半百年的「原因」
这么基本的区分，统计学为什么整整一百年不谈？珀尔在第二章给了历史答案：十九世纪末，统计学的奠基人之一卡尔·皮尔逊认定因果是不科学的形而上学，相关系数才配叫科学，这个立场成了几代统计学教科书的底色。遗传学家休厄尔·赖特 1921 年就发明了路径分析、用箭头图表达因果，被统计主流围剿到去世。珀尔说得很痛心——
尽管遗传学家休厄尔·赖特（1889—1988）付出了英勇的努力，因果词汇在此后半个多世纪里几乎被禁止。而一旦禁止言说，就禁止了思考，扼杀了原理、方法和工具。——原书（据英文原文译写）
禁令的代价直到最近才显形：医学统计、社会科学、机器学习各自在观察数据上打转，遇到「该不该干预」这种第二层问题，要么靠随机实验硬扛，要么不回答。
四、瓦尔德的弹孔：装甲该装在没有弹孔的地方
书里讲了统计学家亚伯拉罕·瓦尔德在二战中的著名工作。军方统计返航轰炸机：机翼和机身布满弹孔，工程师想加固这些部位。瓦尔德说反了——这些飞机能回来，恰恰证明机翼中弹不致命；真正该装甲的是返航机上没有弹孔的部位，比如发动机，因为那里中弹的飞机根本没能回来。
同一个数据集，工程师问的是「返航机的弹孔在哪里」，瓦尔德问的是「这份数据是怎么被产生、被筛掉的」。答案完全相反。珀尔把这段故事放在第一章，用意就在这里：数据不会自己说话，它只回答你问的问题。
你回答不了你问不出的问题；你也提不出你的语言里没有词的问题。——原书（据英文原文译写）
五、辛普森悖论：换一种分组，结论掉头
1986 年发表在《英国医学杂志》上的一组肾结石治疗数据，后来成了教科书案例：对小组结石病人，开放手术的治愈率低于碎石术；对大结石病人，开放手术也低于碎石术。可把两组病人合并，开放手术反而全面领先。这不是数据造假，是分配机制在捣乱——重病人更多被送去开放手术，疗效被病例构成拖住了。这就是辛普森悖论。
珀尔给出的答案很简单：只用第一层的观察，这道题无解；一旦把「病情轻重」画进因果图、当成混杂因子，该看哪一层立刻清楚。悖论不神秘，缺的只是一张图。
数据可以告诉你，服药的人比不服药的人康复得更快，但说不清为什么。也许服药的人本来买得起药，就算不吃也会同样快地康复。——原书（据英文原文译写）
六、吸烟与肺癌：画一张图，比吵一百年有用
吸烟致癌的论证史是全书最硬核的案例。统计学家费雪到死都在主张存在一个基因混杂因子——既让人想抽烟又让人得癌。1959 年康菲尔德给出致命一击：若该混杂因子真的存在，它对癌症风险的抬升必须至少达到吸烟本身观测到的提升幅度，也就是约九倍——这在生物学上近乎荒谬。这就是康菲尔德不等式，用观测数据约束因果假说的最早示范。
更妙的是前门准则：就算那个混杂因子真的存在、且无法测量，只要找到一条「吸烟→焦油沉积→癌症」的中介链，照样能把因果效应算出来。不需要随机实验，不需要控制每个变量，需要的只是把因果图画对。珀尔想说的正是：科学家的领域知识不是主观噪音，是分析的本钱。
在因果问题上，一克有见识的主观性，比任何数量的客观性都更能告诉我们真实世界的样子。——原书（据英文原文译写）
七、深度学习缺的不是算力，是模型
回到 AI。珀尔是贝叶斯网络的发明人，深度学习的成功他并不否认，但他的评价留得很硬：深度学习做的只是曲线拟合，拟得再好，也停在关联这一层。他在采访里说出了那句被引用无数的话——
深度学习取得的全部令人瞩目的成就，归结起来不过是把曲线拟合到了数据上。——2018 年 5 月接受《大西洋月刊》访谈
他知道这话听着刺耳，所以特意补了一句：他很惊讶这么多问题能被纯曲线拟合解决，但他问的是下一步。他的答案是给机器装上现实模型：先由人把因果图编进去，再让机器自己提出、检验、修正模型。而反事实思维，是这条路的终点——
反事实是道德行为与科学思想的基石。回顾自己的行为并想象另一种情景的能力，是自由意志与社会责任的基础。——原书（据英文原文译写）
对照：对一个在深圳做技术的年轻人
- 先分清自己在因果之梯的哪一层，再谈模型。离线指标全是第一层：观察历史。上线即干预，模型一旦参与决策，分布就不再是你训练时看到的分布——观测模型在 do 之下未必成立。面试里把这一层讲清楚，比多背三个评估指标值钱得多。
- A/B 实验是多数公司唯一在用的因果武器，但它只是第二层的入门。没有随机分组的「数据洞察」，默认降级为第一层观察；真做了 A/B，也先问一句：分流真的随机吗？干预有没有泄漏到对照组？
- 「数据驱动」不是免死金牌。数据只回答被问的问题，问题里没有 do，答案里就没有原因。模型给不出「为什么」不是工程的失败，往往是问题在一开始就提错了。
今天可以做的一件事
拿最近上线的一个模型或一条规则，在纸上画它的因果图：输入、输出、中间变量，然后专门找那些绕开决策、直通结果的路径——那就是混杂因子。画不出来的那几条，就是下一轮实验该补的分组变量。
下一本
珀尔说数据里没有「为什么」，得靠人把因果问题问对。明天换到历史方向，读黄仁宇的《万历十五年》：看一个系统性拒绝回答「为什么」的帝国——所有人都用道德叙事代替技术分析，直到它静悄悄失灵。
老废物乐园 🗼
[]