🧬 biology

Causal attribution by the chain rule: unifying natural selection, learning, economics, and other disciplines

यह शोध पत्र यह तर्क देता है कि गणितीय चेन रूल (chain rule) परिवर्तनों को घटक भागों में विभाजित करके और परिवर्तन के प्रतिगमन-आधारित (regression-based) विवरणों तथा आधुनिक प्रतितथ्यात्मक कारण विश्लेषण (counterfactual causal analysis) के बीच एक मौलिक कड़ी प्रदान करके, विकासवादी जीव विज्ञान, अर्थशास्त्र, जनसांख्यिकी और मशीन लर्निंग सहित विविध विषयों में एक एकीकृत ढांचे के रूप में कार्य करता है।

मूल लेखक: Steven A. Frank

प्रकाशित 2026-04-07

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Steven A. Frank

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

यहाँ स्टीवन ए. फ्रैंक के शोध पत्र का हिंदी अनुवाद दिया गया है:

मुख्य विचार: "गणितीय स्विस आर्मी नाइफ" (Mathematical Swiss Army Knife)

कल्पना कीजिए कि आपके पास एक जादुई उपकरण है जो दुनिया में होने वाले किसी भी जटिल बदलाव को खोलकर उसे दो सरल टुकड़ों में विभाजित कर सकता है। चाहे आप यह देख रहे हों कि पक्षियों की एक आबादी क्यों अधिक बुद्धिमान हो रही है, या क्यों श्रमिकों का एक समूह दूसरे समूह की तुलना में कम कमा रहा है, या क्यों एक कंप्यूटर शतरंज खेलना सीख रहा है, यह उपकरण एक ही तरह से काम करता है।

यह शोध पत्र तर्क देता है कि यह उपकरण एक बुनियादी गणितीय नियम है जिसे चेन रूल (Chain Rule) कहा जाता है (विशेष रूप से, परिमित अंतरों के लिए "प्रोडक्ट रूल")। यह एक सरल बीजगणितीय ट्रिक है जो कहती है: जब दो चीजें मिलकर एक परिणाम बनाती हैं, और वह परिणाम बदलता है, तो कुल परिवर्तन बस दो भागों का योग होता है:

परिणाम में कितना बदलाव आया क्योंकि एक चीज़ बदली (जबकि दूसरी स्थिर रही)।
परिणाम में कितना बदलाव आया क्योंकि दूसरी चीज़ बदली (जबकि पहली एक स्थिर रही)।

लेखक, स्टीवन फ्रैंक, दिखाते हैं कि यह सरल गणितीय ट्रिक जीव विज्ञान, अर्थशास्त्र और आर्टिफिशियल इंटेलिजेंस के कुछ सबसे प्रसिद्ध सिद्धांतों के पीछे का छिपा हुआ इंजन है।

मुख्य उपमा: "स्मूदी" (The Smoothie)

मान लीजिए कि आप एक स्मूदी बना रहे हैं। स्मूदी का स्वाद ( $Z$ ) दो चीजों पर निर्भर करता है:

रेसिपी ( $B$ ): आपने कितनी चीनी और फल डाला है।
सामग्री ( $X$ ): आपके पास रसोई में वास्तव में कितनी मात्रा में फल और चीनी मौजूद है।

यदि सोमवार से मंगलवार तक आपकी स्मूदी का स्वाद बदल जाता है, तो ऐसा क्यों हुआ?

क्या आपने रेसिपी बदली (अधिक चीनी डाली)?
क्या आपने सामग्री बदली (अलग फल का उपयोग किया)?
या आपने इन दोनों में से थोड़ा-थोड़ा दोनों किया?

चेन रूल आपको इस "स्वाद के परिवर्तन" को दो अलग-अलग बकेटों (buckets) में विभाजित करने की अनुमति देता है:

बकेट A: सामग्री के बदलने के कारण हुआ परिवर्तन, यह मानते हुए कि रेसिपी बिल्कुल वैसी ही रही।
बकेट B: रेसिपी के बदलने के कारण हुआ परिवर्तन, यह मानते हुए कि सामग्री बिल्कुल वैसी ही रही।

रसोई में यह बात स्पष्ट लग सकती है, लेकिन वैज्ञानिक दशकों से इस बात पर बहस कर रहे हैं कि जटिल प्रणालियों पर इस तर्क को कैसे लागू किया जाए। फ्रैंक कहते हैं: "बहस करना बंद करें। गणित सभी के लिए एक समान है।"

यह विभिन्न क्षेत्रों में कैसे लागू होता है

यहाँ यह "स्मूदी मैथ" चार बहुत अलग दुनियाओं को कैसे समझाता है:

1. विकास (फिशर का मौलिक सिद्धांत - Fisher's Fundamental Theorem)

परिदृश्य: जीवों की एक आबादी विकसित होती है। उनकी औसत फिटनेस (जीवित रहने की सफलता) बढ़ जाती है। क्यों?
विभाजन:

बकेट A (प्राकृतिक चयन): यह फिटनेस में वह परिवर्तन है जो केवल जीन के अधिक सामान्य होने के कारण हुआ है, यह मानते हुए कि "खेल के नियम" (कि कैसे जीन उत्तरजीविता को प्रभावित करते हैं) वही रहते हैं। यह वही है जिसे फिशर ने "मौलिक सिद्धांत" कहा था। यह शुद्ध चयन की शक्ति को अलग करता है।
बकेट B (संदर्भ): यह वह परिवर्तन है जो इसलिए हुआ क्योंकि वातावरण या आनुवंशिक अंतःक्रियाओं ने खेल के नियमों को बदल दिया।
अंतर्दृष्टि: फिशर प्राकृतिक चयन की "शक्ति" को अलग करना चाहते थे, ठीक वैसे ही जैसे एक भौतिक विज्ञानी गुरुत्वाकर्षण को हवा के प्रतिरोध से अलग करता है। उन्होंने इस गणित का उपयोग यह कहने के लिए किया: "देखो, यह परिवर्तन का हिस्सा शुद्ध रूप से चयन के कारण है।"

2. अर्थशास्त्र (ओएक्सका-ब्लिंडर डिकम्पोज़िशन - Oaxaca-Blinder Decomposition)

परिदृश्य: समूह A औसतन \ $50k कमाता है, जबकि समूह B \$ 30k कमाता है। यह अंतर क्यों है?
विभाजन:

बकेट A (विशेषताएं): यदि समूह B के पास भी वही शिक्षा और अनुभव होता जो समूह A के पास है, लेकिन वे अपनी स्वयं की "वेतन दरों" पर काम करते, तो वे कितना कमाते? यह अंतर अवलोकन योग्य अंतरों (जैसे शिक्षा स्तर) द्वारा समझाया गया है।
बकेट B (भेदभाव/संदर्भ): यदि समूह B के पास समूह A जैसी ही शिक्षा होती, लेकिन उन्हें समूह A की "वेतन दरों" के अनुसार भुगतान किया जाता, तो वे कितना कमाते? यहाँ का अंतर अक्सर भेदभाव या अलग बाजार स्थितियों के कारण होता है।
अंतर्दृष्टि: अर्थशास्त्री इसी गणित का उपयोग यह पता लगाने के लिए करते हैं कि वेतन अंतराल का कितना हिस्सा "उचित" है (कौशल के कारण) और कितना "अनुचित" है (पूर्वाग्रह के कारण)।

3. आर्टिफिशियल इंटेलिजेंस (बैक प्रोपेगेशन - Back Propagation)

परिदृश्य: एक न्यूरल नेटवर्क (AI) गलती करता है। उसे सीखने की आवश्यकता है।
विभाजन:

AI अपनी गलती को देखता है और पूछता है: "किन विशिष्ट सेटिंग्स (पैरामीटर्स) ने इस गलती को पैदा किया?"
यह त्रुटि को पीछे की ओर (backward) ट्रेस करने के लिए चेन रूल का उपयोग करता है। यह गणना करता है: "यदि मैं इस विशिष्ट नॉब (knob) को थोड़ा सा घुमाता हूँ, तो त्रुटि कितनी बदल जाएगी?"
अंतर्दृष्टि: AI इसी तरह सीखता है। इसे पूरी सच्चाई एक साथ नहीं पता होती। यह बस एक समय में एक वेरिएबल को बदलकर देखता है कि सुधार के लिए क्या कारण है। यह गणितीय रूप से वैसा ही है जैसे प्राकृतिक चयन उत्तरजीविता में सुधार के लिए जीन की आवृत्ति को बदलता है।

4. जनसांख्यिकी और ऊष्मागतिकी (Demography & Thermodynamics)

जनसांख्यिकी: मृत्यु दर क्यों बदली? क्या यह इसलिए था क्योंकि जनसंख्या बूढ़ी हो गई (सामग्री बदल गई), या इसलिए क्योंकि चिकित्सा पद्धति में सुधार हुआ (रेसिपी बदल गई)?
ऊष्मागतिकी: किसी प्रणाली की ऊर्जा क्यों बदली? क्या यह इसलिए था क्योंकि कणों की गति बदल गई, या इसलिए कि उनके कुछ अवस्थाओं में होने की संभावना बदल गई?

द "काउंटरफैक्चुअल" सीक्रेट सॉस (The "Counterfactual" Secret Sauce)

यह शोध पत्र कार्य-कारण संबंध (Causality) के बारे में एक गहरा बिंदु बनाता है।

वास्तविक दुनिया में, सब कुछ एक साथ बदलता है। जीन बदलते हैं, वातावरण बदलता है, और लोगों के शिक्षा स्तर भी बदलते हैं। आप वास्तव में समय को रोककर यह नहीं देख सकते कि क्या होगा यदि केवल एक चीज़ बदली होती।

हालाँकि, चेन रूल हमें एक काउंटरफैक्चुअल (Counterfactual) (एक "क्या होगा यदि" परिदृश्य) बनाने की अनुमति देता है।

क्या होगा यदि जीन बदल जाते, लेकिन वातावरण स्थिर रहता?
क्या होगा यदि शिक्षा के स्तर बदल जाते, लेकिन वेतन का पैमाना स्थिर रहता?

गणितीय रूप से एक वेरिएबल को "फ्रीज" करके, हम दूसरे को क्रेडिट (श्रेय) या दोष दे सकते हैं।

फिशर ने प्राकृतिक चयन को श्रेय देने के लिए वातावरण को फ्रीज कर दिया।
अर्थशास्त्रियों ने वेतन पैमाने को फ्रीज करके भेदभाव को श्रेय (या दोष) दिया।
AI अन्य सभी वेट्स (weights) को फ्रीज करके एक विशिष्ट पैरामीटर अपडेट को श्रेय देता है।

निष्कर्ष (The Takeaway)

यह शोध पत्र एक एकीकृत सिद्धांत है। यह हमें बताता है कि:

प्रकृति और मशीनें एक ही तर्क का उपयोग करती हैं: विकास (Evolution) और मशीन लर्निंग (Machine Learning) दोनों "सीखने" वाली प्रणालियाँ हैं जो यह समझने के लिए इसी विशिष्ट गणित का उपयोग करती हैं कि सफलता या विफलता का कारण क्या था।
गणित सरल है, व्याख्या कठिन है: समीकरण केवल बुनियादी बीजगणित है। कठिन हिस्सा यह तय करना है कि किसे स्थिर (constant) रखना है।
- यदि आप "नियमों" को स्थिर रखते हैं, तो आप "अभिनेताओं" की शक्ति देखते हैं।
- यदि आप "अभिनेताओं" को स्थिर रखते हैं, तो आप "नियमों" की शक्ति देखते हैं।
हम सब एक ही काम कर रहे हैं: चाहे आप पक्षियों का अध्ययन करने वाले जीव विज्ञानी हों, वेतन का अध्ययन करने वाले अर्थशास्त्री हों, या AI को प्रशिक्षित करने वाले इंजीनियर हों, आप सभी एक जटिल समस्या को दो प्रबंधनीय टुकड़ों में विभाजित करने के लिए उसी "चेन रूल" का उपयोग कर रहे हैं ताकि कारण और प्रभाव को समझा जा सके।

संक्षेप में: ब्रह्मांड जटिल है, लेकिन हम यह समझने के लिए कि चीजें क्यों बदलती हैं, जिस गणित का उपयोग करते हैं वह आश्चर्यजनक रूप से सरल है। यह सब अंतर को विभाजित करने के बारे में है।

यहाँ स्टीवन ए. फ्रैंक के शोध पत्र "Causal attribution by the chain rule: unifying natural selection, learning, economics, and other disciplines" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वैज्ञानिक विषय अक्सर किसी प्रणाली में देखे गए परिवर्तनों को विशिष्ट कारण घटकों (causal components) में विभाजित करने का प्रयास करते हैं। उदाहरणों में शामिल हैं:

विकासवादी जीव विज्ञान (Evolutionary Biology): प्राकृतिक चयन (जीन आवृत्ति परिवर्तन) के कारण औसत फिटनेस में आए परिवर्तन को पर्यावरणीय बदलावों या आनुवंशिक संदर्भ के कारण हुए परिवर्तनों से अलग करना।
अर्थशास्त्र (Economics): समूहों के बीच वेतन अंतराल (जैसे लिंग या जाति) को अवलोकन योग्य विशेषताओं (शिक्षा) के कारण होने वाले अंतर और उन विशेषताओं के प्रति मिलने वाले प्रतिफल (संभावित भेदभाव) के बीच विभाजित करना।
मशीन लर्निंग (Machine Learning): बैकप्रोपैगेशन (backpropagation) के माध्यम से विशिष्ट पैरामीटर अपडेट के कारण मॉडल के प्रदर्शन में आए परिवर्तन का श्रेय निर्धारित करना।

इन विविध क्षेत्रों के बावजूद, यह शोध पत्र तर्क देता है कि इन विभाजनों के लिए अंतर्निहित गणितीय तर्क अक्सर अनसुना रह जाता है। केंद्रीय समस्या उस एकीकृत बीजगणितीय संरचना (algebraic structure) की पहचान करना है जो इन भिन्न डोमेन में कारण के आरोपण (attribution of cause) की अनुमति देती है, और यह स्पष्ट करना है कि यह संरचना एक विशुद्ध वर्णनात्मक गणितीय पहचान से काउंटरफैक्चुअल (counterfactual) कारण विश्लेषण के ढांचे में कैसे परिवर्तित होती है।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र परिमित अंतर (finite differences) और गुणन नियम (product rule) (चेन रूल का एक विशिष्ट अनुप्रयोग) पर आधारित एक कठोर गणितीय व्युत्पत्ति का उपयोग करता है।

परिमित अंतरों के लिए गुणन नियम (The Product Rule for Finite Differences):
लेखक दो चरों के गुणनफल $z = bx $में परिवर्तन से शुरुआत करता है।$ z = z' - z$ का परिमित अंतर इस प्रकार विस्तारित किया जाता है:
$\Delta z = b\Delta x + x'\Delta b$
यहाँ, पहला पद $b$ को स्थिर रखते हुए $x$ में परिवर्तन को दर्शाता है, और दूसरा पद $x'$ द्वारा भारित (weighted) $b$ में परिवर्तन को दर्शाता है।
वेक्टर और रिग्रेशन (Regression) तक विस्तार:
यह विधि इसे वेक्टर डॉट उत्पादों (vector dot products) तक सामान्य बनाती है, जो एक रिग्रेशन मॉडल का प्रतिनिधित्व करती है जहाँ एक मुख्य चर $z$ , गुणांकों $b$ द्वारा भारित भविष्यवक्ताओं (predictors) $x$ का एक रैखिक संयोजन है (प्लस एक त्रुटि पद $\epsilon$ )।
एक जनसंख्या माध्य $\bar{z} = \mathbf{b} \cdot \bar{\mathbf{x}}$ के लिए, माध्य में परिवर्तन इस प्रकार व्युत्पन्न किया जाता है:
$\Delta \bar{z} = \mathbf{b} \cdot \Delta \bar{\mathbf{x}} + \bar{\mathbf{x}}' \cdot \Delta \mathbf{b}$
यह समीकरण कुल परिवर्तन को दो घटकों में विभाजित करता है:

प्रत्यक्ष प्रभाव (Direct Effect): गुणांकों ( $\mathbf{b}$ ) को स्थिर रखते हुए भविष्यवक्ताओं ( $\Delta \bar{\mathbf{x}}$ ) में परिवर्तन।
संदर्भगत/परस्पर क्रिया प्रभाव (Contextual/Interaction Effect): नए भविष्यवक्ता मानों ( $\bar{\mathbf{x}}'$ ) द्वारा भारित गुणांकों ( $\Delta \mathbf{b}$ ) में परिवर्तन।

काउंटरफैक्चुअल व्याख्या (Counterfactual Interpretation):
पत्र का तर्क है कि जबकि यह समीकरण स्वयं पूरी तरह से बीजगणितीय (वर्णनात्मक) है, यह स्वाभाविक रूप से काउंटरफैक्चुअल कारण विश्लेषण की ओर ले जाता है जब कोई इसके पदों को "क्या-यदि" (what-if) परिदृश्यों के रूप में व्याख्यायित करता है। एक सेट कारकों को स्थिर रखकर (काउंटरफैक्चुअल स्थिति), बदलते कारकों के कारणत्मक योगदान को अलग किया जा सकता है।

3. मुख्य योगदान (Key Contributions)

यह शोध पत्र तीन प्राथमिक योगदान देता है:

गणितीय एकीकरण (Mathematical Unification): यह प्रदर्शित करता है कि फिशर का प्राकृतिक चयन का मौलिक सिद्धांत (Fisher's Fundamental Theorem of Natural Selection), प्राइस समीकरण (Price Equation), ओएक्साका-ब्लिंडर अपघटन (अर्थशास्त्र), किटागावा अपघटन (जनसांख्यिकी), और ऊष्मप्रवैगिकी (thermodynamic) अपघटन, सभी परिमित अंतरों के गुणन नियम पर लागू होते हैं।
कारण व्युत्पत्ति (Causal Derivation): यह दिखाता है कि आधुनिक काउंटरफैक्चुअल कारण विश्लेषण कैसे स्वाभाविक रूप से चेन रूल से उत्पन्न होता है। गुणन नियम में एक कारक को स्थिर रखते हुए दूसरे को बदलने की क्रिया, विशिष्ट बलों को अलग करने के लिए उपयोग किए जाने वाले लॉजिक के गणितीय रूप से समान है।
जैविक और AI संश्लेषण (Biological and AI Synthesis): यह प्राकृतिक चयन और कृत्रिम बुद्धिमत्ता (विशेष रूप से बैकप्रोपैगेशन) को एकीकृत करता है। दोनों प्रक्रियाएं (जीन या वेट्स को विशिष्ट पैरामीटर के रूप में श्रेय देना) चेन-रूल जैसी गणना के माध्यम से सफलता या विफलता का श्रेय देने पर निर्भर करती हैं।

4. परिणाम और अनुप्रयोग (Results and Applications)

A. फिशर का प्राकृतिक चयन का मौलिक सिद्धांत (Fisher's Fundamental Theorem of Natural Selection)

यह पत्र परिमित अंतर गुणन नियम का उपयोग करके फिशर के सिद्धांत को पुन: व्युत्पन्न करता है।

संदर्भ: $z$ फिटनेस ( $w$ ) है, $x$ जीन आवृत्तियाँ ( $p$ ) हैं, और $b$ औसत प्रभाव (आंशिक रिग्रेशन गुणांक) हैं।
अपघटन: $\Delta \bar{w} = \mathbf{b} \cdot \Delta \mathbf{p} + \mathbf{p}' \cdot \Delta \mathbf{b}$ ।
व्याख्या:
- पहला पद ( $\mathbf{b} \cdot \Delta \mathbf{p}$ ) केवल प्राकृतिक चयन के कारण जीन आवृत्तियों में परिवर्तन को दर्शाता है, यह मानते हुए कि जीनों के औसत प्रभाव स्थिर रहते हैं। इसे योगात्मक आनुवंशिक भिन्नता (additive genetic variance) के रूप में पहचाना जाता है।
- दूसरा पद पर्यावरण, आनुवंशिक परस्पर क्रिया (epistasis/dominance), और जीनोटाइप से फिटनेस के मैपिंग में परिवर्तन को कैप्चर करता है।
अंतर्दृष्टि: फिशर का "सिद्धांत" फिटनेस के कुल विकास का दावा नहीं है, बल्कि एक विशिष्ट कारण आरोपण है जो जटिल संदर्भ से प्रत्यक्ष चयन बल को अलग करता है।

B. ओएक्साका-ब्लिंडर अपघटन (अर्थशास्त्र)

संदर्भ: दो समूहों के बीच वेतन अंतराल को विभाजित करना।
अपघटन: वही समीकरण लागू होता है, जहाँ $\Delta \bar{x}$ विशेषताओं (जैसे शिक्षा) में अंतर है और $\Delta \mathbf{b}$ प्रतिफल (गुणांकों) में अंतर है।
फिशर के साथ तुलना: जहाँ फिशर पहले पद (चयन) पर ध्यान केंद्रित करते हैं, वहीं अर्थशास्त्री अक्सर भेदभाव (अस्पष्ट वेतन अंतराल) का पता लगाने के लिए दूसरे पद ( $\Delta \mathbf{b}$ ) पर ध्यान केंद्रित करते हैं। गणित समान है; केवल कारण संबंधी प्रश्न भिन्न है।

C. बैकप्रोपैगेशन और मशीन लर्निंग (Backpropagation and Machine Learning)

पत्र यह प्रस्ताव करता है कि न्यूरल नेटवर्क में बैकप्रोपैगेशन इसी समान चेन-रूल लॉजिक का अनुप्रयोग है।
प्राकृतिक चयन और AI दोनों में, सिस्टम विशिष्ट पैरामीटर (जीन या वेट्स) को सफलता या विफलता का श्रेय देकर "अच्छे डिजाइनों" की पहचान करता है।
दोनों प्रणालियों को गैर-रेखीय (nonlinear) अंतःक्रियाओं की चुनौतियाँ झेलनी पड़ती हैं, लेकिन आंशिक व्युत्पन्न (या परिमित अंतर) दृष्टिकोण आंशिक विक्षोभ (partial perturbations) के आधार पर पैरामीटर को अपडेट करके प्रभावी अनुकूलन की अनुमति देता है।

D. अन्य विषय (Other Disciplines)

जनसांख्यिकी (Kitagawa): आयु संरचना में परिवर्तन बनाम आयु-विशिष्ट मृत्यु दर में परिवर्तन के रूप में मृत्यु दर अंतर को अलग करता है।
ऊष्मप्र menge (Thermodynamics): एन्सेम्बल माध्य (ensemble means) में परिवर्तन को संभाव्यता वितरण बनाम अवलोकन योग्य मूल्यों में परिवर्तन के रूप में विभाजित करता है।

5. महत्व (Significance)

वैचारिक स्पष्टता (Conceptual Clarity): यह शोध पत्र यह प्रकट करके विविध क्षेत्रों के जटिल कारण विश्लेषणों को सरल बनाता है कि वे सभी एक ही मौलिक बीजगणितीय पहचान: परिमित अंतर के गुणन नियम पर आधारित हैं।
विवादों का समाधान (Resolution of Disagreements): यह समझाता है कि विकासवादी जीव विज्ञान जैसे क्षेत्रों में बहस क्यों बनी रहती है। मतभेद अक्सर गणितीय त्रुटियों के कारण नहीं, बल्कि इस बात के अलग-अलग विकल्पों के कारण होते हैं कि किस काउंटरफैक्चुअल स्थिति को स्थिर रखा जाना चाहिए (अर्थात, अपघटन के किस पद को "कारण" के रूप में माना जाता है)।
अंतर्विषयक सेतु (Interdisciplinary Bridge): यह विकासवादी जीव विज्ञान, अर्थशास्त्र, जनसांख्यिकी और मशीन लर्निंग के बीच एक औपचारिक सेतु बनाता है, यह सुझाव देते हुए कि "सीखने" और "चयन" का तर्क मौलिक रूप से चेन रूल के माध्यम से कारण आरोपण की एक ही प्रक्रिया है।
कारण ढांचा (Causal Framework): यह एक सरल काउंटरफैक्चुअल विश्लेषण का मार्ग प्रदान करता है, यह दिखाते हुए हुए कि आधुनिक कारण अनुमान (जैसे पर्ल के do-operators) की जटिल मशीनरी गहराई से चरों को स्थिर रखने के सरल तर्क में निहित है।

निष्कर्षतः, फ्रैंक का तर्क है कि प्राकृतिक चयन और कृत्रिम बुद्धिमत्ता के "चमत्कार" परिवर्तन को आंशिक घटकों में विभाजित करने की सरल गणितीय क्षमता पर आधारित हैं, जो कि चेन रूल द्वारा नियंत्रित एक प्रक्रिया है। इस एकता को पहचानना इन प्रणालियों के अंतर्निहित कारण तर्क को स्पष्ट करता है।