因果关系与相关性

因为我学习好，所以我更成功，这个说法对么？学习好和成功之间的是因果关系还是相关关系呢？我们从小被教育要好好学习天天向上，而长大以后呢，我们发现学霸们更多的是去打工了，学渣们更多的去当老板了，而且学霸的老板很多都是学渣，看看马老板就是个很好的例子。好好学习与成功似乎有关，但绝不是因果关系。那么成功的原因到底是什么呢，丹尼尔卡尼曼（思考快与慢的作者）说“成功=天赋+运气”，和好好学习似乎没什么关系。也许事情的真相永远不像看上去那么简单，那数据够可观了，数据能告诉我真相么？

有个著名的“啤酒尿布实验”，说是通过数据的分析超市中啤酒和尿布应该放在一起，因为他们的销量是正相关的。这个正相关就是统计学里面的重要的相关性分析，是从客观的数据中来的，似乎足够客观，但是为什么是这样数据无法告诉我们背后的真正原因，所谓年轻的爸爸在家带孩子所以会啤酒尿布一起买的解释我认为更多的是一种哗众取宠而已。相关性回避了对因果的讨论，认为真理就在数据中，有数据就够了，深度学习方法本质上也是这么假设的，因为深度学习的结果不具备可解释性，就是无法给出原因。

有学者认为，之所以人工智能目前进展有限，是因为我们被禁锢在相关性的概念中。统计学家们认为观测的结果能够反映事物的本来面目，因果性只是相关性的特例。而图灵奖获奖者朱迪尔认为因果关系的表达才是真正走向强人工智能的正途。他将认知分为三个层次：感知、操控、想象，由低到高。感知就是可以通过观察发现事物之间的关联确定行动的步骤，操控是指可以主动改变观察的条件获取新的认知比如工具和利用和规则的发现，想象是指可以通过假设不存在的条件来探索不可见的世界像爱因斯坦的光旅行想象。现在的人工智能成果仅仅还停留在第一个联系层面，只能依据数据建立对象之间的联系，而要达到第二、三级需要借助因果关系的力量，但因果关系作为一门科学长期被统计学和相关性理论压制未受重视，机器实现人工智能的路可能还有很长的路要走。