「地面是湿的，所以刚才下过雨。」
这句话有一个诡异的性质：它是对的，反过来「刚才下过雨，所以地面是湿的」也是对的。但你绝对不能说「地面是湿的，所以待会儿要下雨」——因果的箭头只指向一个方向：是雨弄湿了地面，不是地面招来了雨。
三岁小孩都懂这个方向。可你拿一张雨后地面的照片，去问最强的多模态模型：「这摊水，是雨水浇的，还是水管爆了？」它的回答基本靠猜。
这事让我困惑了很久。模型明明「看」到了地面和雨，为什么就是学不会谁导致了谁？直到我读了 Judea Pearl 的《为什么》，才算真正想通。
「数据本身，无论多大，在面对因果关系时都是极其迟钝的。」——Judea Pearl
Pearl 不是否定数据，而是在说：无论你给模型多少张「下雨」和「湿地」的照片，P(湿地｜下雨) 和 P(下雨｜湿地) 只是两个可以用贝叶斯公式互相换算的数字，它们本身不携带因果方向的信息。数据能告诉你「这两件事经常一起出现」，但「经常一起出现」既可能是雨弄湿了地，也可能是某个共同原因同时导致了雨和地湿。数据不表态。
模型看到的不是「因果」，是「共现」
你训练一个卷积网络识别「湿地」，它学到的是像素模式到标签的映射：把「地面是湿的」和「刚才下过雨」绑在一起。靠的不是对降雨、渗透、蒸发这些物理过程的理解，而是统计共现——训练集里两者同时出现的频率太高了。
这不是推理，这是背诵。
因果的阶梯上，视觉模型站在第一级
Pearl 把因果能力分成三个层级，他称之为「因果之梯」：
| 层级 | 核心问题 | 用「湿地」举例 | 视觉模型现状 |
|---|---|---|---|
| 关联 | 看到了什么 | 地面湿不湿？ | 接近人类 |
| 干预 | 如果我动手会怎样 | 我把地面泼湿，天会下雨吗？ | 基本不会 |
| 反事实 | 如果当时没那样呢 | 假如没下过雨，地面还会湿吗？ | 几乎不会 |
「地面是湿的，所以刚才下过雨」看起来只涉及第一层的关联，其实它是从结果反推原因，也就是溯因。溯因要求你想象一个「没下雨」的替代世界，并判断在这个世界里地面会是什么样——这是第三层的能力。机器在关联层已经接近人类，但在干预层和反事实层，缺口是断层级的。
为什么这么难：三个原因叠在一起
- 图片是快照，因果是过程。雨落下来、渗进路面、再蒸发，都需要时间箭头。一张静态图片把时间压扁了，只剩一个状态。你无法从「湿」这个像素状态里读出它经历了什么——就像看一张房子的照片，你看不出它是三个月盖完的还是三年盖完的。
- 观察数据的因果方向在原则上不可识别。两个变量 X、Y 服从某个联合分布，这个分布既可能由「X→Y」产生，也可能由「Y→X」产生——某些条件下，两种因果结构生成的数据一模一样。不加额外假设，你永远分不清。单张图片连时间轴都没有，只能更糟。
- 没有因进，就没有因出。训练数据里只有共现，没有「被干预」的样本——同一个场景，「有雨」和「没雨」两个版本并排摆着。模型从来没机会看到「改变一个变量如何改变另一个变量」，它凭什么学会因果？
还有一个常被忽视的细节：照片本身有选择偏差。摄影师为什么拍这张图？因为下雨了？因为想拍积水？「为什么拍照」是一个看不见的变量，横插在所有统计关系中间，当一个隐形的混淆因素。
一上反事实，机器就崩
光讲理论有点虚，看实验。MIT 团队在 CLEVRER 基准里构造了一个 3D 虚拟世界：小球互相碰撞，录成两万个合成视频，配四类问题——描述性的（红球撞到黄球了吗）、解释性的（绿球为什么动了）、预测性的（接下来蓝球会动吗）、反事实的（如果红球没撞到黄球，绿球还会动吗）。
结果很扎心：最强模型在描述性问题上已经接近人类，一到反事实问题，准确率大幅跳水，远低于人类水平。CLEVRER 真正的贡献不是出了一道难题，而是第一次干净地测出了这个缺口：机器在反事实推理上的短板，是台阶式的，不是几个百分点。
另一个方向是 VisualCOMET，给静态图片标注「因为…所以…但是…」事件关系，训练模型补全「这个人摔倒了，因为___」。模型能生成很像样的原因：地滑、没看路、被人推——但仔细看，它在套语言先验。这些原因在训练文本里出现过，它只是按概率把候选原因排序，并不理解在这个具体场景里是否真的成立。
我曾经的误解：把「预测」当成「理解」
我很长时间都以为，模型只要够大、见过的场景够多，因果能力会像魔法一样自己长出来。后来我想通了一件事：这就像教鹦鹉说话。鹦鹉可以完美复述「下雨会弄湿地面」，但它不知道，如果它拧开水龙头，天不会因此变阴。
预测下一个状态，和知道「哪个动作会改变下一个状态」，是两种截然不同的能力。前者只需要学习条件概率 P(下一个状态｜当前状态)，后者需要干预分布 P(状态｜do(动作))——do 算子表示「人为干预」，它和「观察到」在数学上是两种不同的操作。
现在真正靠谱的三条路
对象中心表示。先把场景拆成对象（球 A、球 B、地面），再学对象之间的关系。CLEVRER 里表现最好的 DCL 就是这条路：先追踪对象，再在对象层面做逻辑推理。缺点是现实世界不会好心到把对象给你分好。
反事实监督。CoPhy 在训练时直接给模型看成对的「当前场景」和「干预后的场景」，让模型预测如果改了某个初始条件会怎样。模型确实能学出一些物理直觉，但前提是：监督数据里已经有人把因果结构标好了。
因果表示学习。Schölkopf 等人的综述系统阐述了独立因果机制（ICM）原理：如果 X→Y 是真正的因果方向，那么「X 的分布」和「X 到 Y 的机制」应该互相独立；方向猜反了，这两件事通常会缠在一起。这个不对称性可以被算法利用来猜方向，但在真实图片上很脆弱，因为照片的生成过程太复杂。
补充：ICM 原理到底在说什么
直观理解：如果降雨量 X 由气象系统决定，湿地 Y 由「降雨量 X＋地面透水性」决定，那么「气象系统的分布」和「降雨→湿地的机制」可以分开研究。但反过来假设「湿地 → 降雨」，你会得到「湿地分布」和「湿地→降雨机制」纠缠在一起的怪东西，拆不开。因果发现算法就利用这种不对称性猜方向。注意：这个原理需要「没有混淆变量」等假设，现实数据里很难满足。
我的判断：不干预，无因果
你可能会问：那 ChatGPT 呢？它明明能回答「地面湿是因为下雨」。但它靠的是语言先验——在它读过的文章里，「地面湿」和「下雨」共现太频繁，它只是在复述统计规律。把场景换成一张缺乏文本关联的图片，它立刻开始编故事。这叫「说得像」，不叫「想得明白」。
我的判断很直接：从单张静态图片做通用因果推理，在原理上是不可能的。图片是被动观察的样本，而被动观察不足以识别因果方向。任何宣称「看一眼图就知道因果」的系统，要么偷偷用了语言先验，要么把特定领域的物理规则硬编码进了训练数据——在特定环境好用，换个环境就失灵。
真正可靠的出路只有一条：让机器能动手。像机器人那样推一下积木、按一下开关、往地面倒一杯水，在干预中收集数据，因果方向才会从数据里浮现。Pearl 把这层意思说得很直白：没有干预，就没有因果。所以，「地面是湿的，所以刚才下过雨」对 AI 的真正难点从来不是「看见」，而是「想象另一种可能」——而这恰好是今天所有视觉模型最不擅长的。
原创文章，作者：guanweilu，如若转载，请注明出处：https://guanweilu.cn/article/790.html