为什么的书
The Book of Why: The New Science of Cause and Effect · 2018
统计学教科书第一课就是「相关不是因果」。Pearl 看见的问题是：这句话被整个学科当成了戒严令。从 Karl Pearson 一九〇〇年代起，统计学只准谈联合分布 P(X, Y)，不准谈 P(Y | do(X))——因果被判定为形而上学，科学对它闭嘴。
代价不抽象。医学统计学家可以写「吸烟与肺癌高度相关」，却不被允许写「吸烟导致肺癌」；Fisher——20 世纪最伟大的统计学家——到 1958 年还在为烟草公司作证，说吸烟致癌的「因果证据不充分」。这不是技术保守，是哲学认输：他手里真的没有一套能说出「X 导致 Y」的数学。
而人真正关心的问题几乎全是因果问题：这个药有没有用，这项政策该不该推，要是当初没吸烟他还会不会得癌。相关数据堆得再高，也够不着这些问题。于是问题收窄成一句：因果能不能有自己的数学——让「如果我做 X」与「要是当初没做 X」第一次可以被推导，而不是靠修辞？Pearl 花三十年（1985–2018）造这套符号系统，书名就是答案的种子。
回答由三个部件构成，合起来是一台机器，不是三个术语。
第一个部件：因果阶梯，先给问题分层。Rung 1 关联（Seeing）：P(Y|X)，「看到鸡叫，太阳要升」——经典统计学与当代深度学习都住在这一层，再大的数据也只是曲线拟合。Rung 2 干预（Doing）：P(Y|do(X))，「我把鸡杀了，太阳还升不升」——随机对照试验（RCT）在这一层。Rung 3 反事实（Imagining）：「要是当初没吸烟，他还会得癌吗」——法律责任、医学归因都要住到这一层。关键在于三层之间不是坡道，是台阶：每往上一级，都必须付出数据里没有的假设。
第二个部件：因果图（DAG），装的正是这些假设。谁影响谁，画成节点与箭头。这张图不是从数据里长出来的，是人凭领域知识画的；但一经画出，你脑中的因果信念就从暗设变成可检验、可反驳的对象。辛普森悖论是最好的证据：同一份数据，整体看 A 疗法更好，按性别分组看每组都是 B 更好——哪个对？纯数据永远裁决不了，你必须先回答「性别是不是混杂变量」，而答案只在图里。图还暴露了「控制变量」的反直觉陷阱：confounder 不控才出伪相关，collider 恰恰相反——一控才凭空造出伪相关；控错方向，越控越错。
第三个部件：do-calculus，这台机器的传动装置。三条形式规则，从观察数据加因果图，机械地推导出 P(Y|do(X))。这是统计学一百年来第一次有了表达「干预」的语言——前提成立时，不必花五年、五亿美元去跑 RCT，也能算出拨动开关的后果。
三件东西各司其职：数据只能住在第一层；图补上数据装不下的结构；演算把「数据＋图」推上第二层；再补上结构方程的函数形式，才够得着第三层的反事实。
Data are profoundly dumb about causation.（数据对因果一无所知。）
Rung 3 想象 Imagining P(Y_x|X',Y') 「要是当初没吸烟，还会得癌吗」
▲ 再付出：函数形式（连 RCT 也给不了）
Rung 2 干预 Doing P(Y|do(X)) 「把鸡杀了，太阳还升不升」
▲ 再付出：因果图 DAG（数据里没有，人画的）
Rung 1 关联 Seeing P(Y|X) 「看到鸡叫，太阳要升」
只有数据——经典统计学与深度学习的天花板
f(x) · 怎样回应这个世界
最直接的变化是审读顺序。以前看「研究发现 A 关联 B」，检查清单是样本量、显著性、控没控变量；现在第一道工序换成定位层级：这个论断只是看见了，还是真拨了开关，还是补上了反事实对照？绝大多数「数据显示」站在第一层，却假装站在第二层——把鸡叫当成了日出的原因。
「控制了变量」从加分项变成追问项。先分清控的是 confounder 还是 collider：前者不控才假，后者一控才假。看到「我们控制了收入」不再自动加信任分，先问这一步是在爬台阶，还是在凭空制造伪相关。
说「X 导致 Y」的门槛也变了。开口之前，先画得出那张因果图；听别人说时，先问图是谁画的、漏了哪个箭头。do-calculus 从图到结论极其严密，但从世界到图没有可靠方法——因果结论永远是相对于一张图的结论，图画错了，数据不会提醒你。
具体判断随之换标准。「公司换帅三个月后股价大涨，是新 CEO 的功劳吗」——这停在第一层的相关；要爬上第二层，得补「同行业同处境下，不换帅股价会怎样」的对照。评估 AI 同理：深度学习在第一层再超人，本质仍是曲线拟合；看它会不会推理，先看它够不够得着「干预」与「想象」那两级台阶。