關聯（第一層級）：通過觀察尋找規律。
如果觀察到某一事件改變了觀察到另一事件的可能性，我們便說這一事件與另一事件相關聯。
基於被動觀察做出**。典型問題是「如果我觀察到…會怎樣？」
當今的人工智慧仍處於第一層級，強人工智慧的目標是製造出擁有人類智慧型的機器，讓它們能與人類交流並指導人類的探索方向。而深度學習只是讓機器具備了高超的能力，而非智慧型。這種差異是巨大的，原因就在於後者缺少現實模型。
例如，如果無人駕駛汽車的程式設計者想讓汽車在新情況下做出不同的反應，那麼他就必須明確地在程式中新增這些新反應的描述**。機器是不會自己弄明白手裡拿著一瓶威士忌的行人可能對鳴笛做出的不同反應的。處於因果關係之梯的最底層的任何運作系統都不可避免地缺乏這種靈活性和適應性。
干預（第二層級）：干預比關聯更高階，因為它不僅涉及被動觀察，還涉及主動改變現狀。
典型問題是「如果我們實施…行動，將會怎樣？」
另一熱門問題是「怎麼做？」
無論資料集有多大或者神經網路有多深，只要使用的是被動收集的資料，我們就無法回答有關干預的問題。
乙個足夠強大的、準確的因果模型可以讓我們利用第一層級（關聯）的資料來回答第二層級（干預）的問題。沒有因果模型，我們就不能從第一層級登上第二層級。這就是深度學習系統（只要它們只使用了第一層級的資料而沒有利用因果模型）永遠無法回答干預問題的原因，干預行動其本意就是要打破機器訓練的環境規則。
反事實（第三層級）：因果關係之梯的最高層。
反事實與資料之間存在著一種特別棘手的關係，因為資料顧名思義就是事實。資料無法告訴我們在反事實或虛構的世界裡會發生什麼，在反事實世界裡，觀察到的事實被直截了當地否定了。
典型問題是「假如我當時做了…會怎樣？」和「為什麼？」兩者都涉及觀察到的世界與反事實世界的比較。
如果第一層級對應的是觀察到的世界，第二層級對應的是乙個可被觀察的美好新世界，那麼第三層級對應的就是乙個無法被觀察的世界（因為它與我們觀察到的世界截然相反）。
為了彌補第三層級與前兩個層級之間的差距，我們需要構建乙個基礎性的解釋因果過程的模型，這種模型有時被稱為「理論」，甚至（在構建者極其自信的情況下）可以被稱為「自然法則」。簡言之，我們需要掌握一種理解力，建立一種理論，據此我們就可以**在尚未經歷甚至未曾設想過的情況下會發生什麼----這顯然是所有科學分支的聖杯。但因果推斷的意義還要更為深遠：在掌握了各種法則之後，我們就可以有選擇的違背它們，以創造出與現實世界相對立的世界。
因果關係的倒置（1）
不要把主觀意願當作規律。不要把結果當作原因。一 科技不是第一生產力，人是第一生產力。科技的確是能夠提高生產力，讓人過上好日子，於是有人就說，科技是第一生產力的。可是，科技是怎麼來的？科技的背後是誰？是人。根據生產力得到了發展的結果，就說，科技是第一生產力，這明顯是把結果當原因。事情的背後，不是什麼科...
超時空犯罪 因果關係
老片一部，最近才看，發現一切與時間穿梭的事情都不存在因果關係了，好複雜啊。但是只按照主時間線來說的話，主角也就是往返了2次，最後回到正軌，而在這兩次往返中所產生的重疊時間，不按照平行時間來理解的話，只是乙個無限迴圈的重疊時間段，對重疊以外的時間段來說，不會對主角造成任何影響。其中的a,b,c三條時間...
因果推斷 去混雜
混雜可以簡單地定義為導致p y x p y do x 即兩個概率出現差異的所有因素。為了去除x和y中的混雜，我們只需要阻斷它們之間的每個非因果路徑，而不去阻斷或干擾所有的因果路徑就可以了。更確切地說，我們將後門路徑 back door path 定義為所有x和y之間以指向x的箭頭為開始的路徑 如果我...