"Cause" is Mechanistic Narrative within Scientific Domains: An Ordinary Language Philosophical Critique of "Causal Machine Learning"
本文通过应用日常语言哲学来批判“因果机器学习”的前提，论证真正的因果关系在本质上是机械性的，主张只有在拥有完整机械模型的领域（如物理学）中，确定的因果断言才是有效的，并指出对于复杂系统（如生物学和社会科学），则需要跨学科的聚合证据，从而敦促在科学研究中对过度夸大因果确定性保持更加谨慎的态度。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
大侦探游戏：为什么“因果”不仅仅是一回事
想象你是一名正在试图破解谜团的侦探。在科学和计算机的世界里，现在有一个巨大的趋势，叫做“因果机器学习”（Causal Machine Learning）。这就像是给一台超级聪明的计算机一把放大镜，并要求它去寻找事物发生的真实原因，而不仅仅是注意到两件事经常同时发生。例如，仅仅因为七月份冰淇淋销量和鲨鱼袭击事件都上升了，并不意味着冰淇淋会导致鲨鱼袭击；它们都是由夏季高温引起的。找到这个“真实原因”是科学界的圣杯，因为它能帮助我们解决问题、治愈疾病并构建更好的技术。
但棘手的部分在于：到底什么是“因果”？在物理实验室里，“因果”就像一颗台球撞击另一颗；它是一个精确的、数学化的推力。在医院里，“因果”可能是一个涉及你的基因、饮食和环境的复杂连锁反应。在城市里，“因果”可能是一个关于新法律如何改变人们行为的故事。我们即将探讨的这篇论文提出了一个大问题：我们能否使用相同的计算机工具在所有这些不同的世界中寻找原因？作者们（一个研究团队）认为答案是一个响亮的“不”。他们指出，试图强行用一个单一的计算机公式来解释一切，就像试图用一把锤子去修理手表、画一幅画并烤一个蛋糕。对于锤子来说，这或许可行；但对于手表和蛋糕，它会损坏手表并毁掉蛋糕。
论文的核心观点：一种尺寸并不适合所有场景
这篇论文是一部关于“因果”一词的哲学侦探故事。作者们使用了一种叫做“常识语言哲学”（Ordinary Language Philosophy）的方法，这基本上是一种高级说法，意为：“让我们看看现实生活中的真实人类是如何使用词汇的。”他们认为，“因果”这个词的含义会根据你正在与之交谈的科学家“部落”的不同而改变。
物理学部落：完美的机器
在物理学和工程学中，世界就像一个巨大且完美建造的时钟。如果你知道齿轮（方程）并推动其中一个（原因），你就可以计算出其他齿轮将如何移动（结果）。在这里，“因果”是一种数学力量。如果你丢下一块石头，重力会将它拉向地面。数学完美地描述了整个故事。在这个世界里，寻找模式的计算机模型实际上可以找到“原因”，因为系统是封闭的，且规则是已知的。
生物学部落：混乱的丛林
现在，跳跃到生物学和医学领域。这里的世界更像是一个荒野丛林。它是一个“开放系统”，这意味着事物不断以我们无法完全测量的方式与外界进行交互。人体如此复杂，以至于你无法写出一个单一的数学方程来解释每一个细胞、每一项化学反应和每一个念头。作者说，在生物学中，你不能仅仅看一张图表就说“A导致了B”。相反，你必须构建一个“叙事”。你需要将统计线索（如临床试验中的数据）与关于其运作方式的故事（如药物如何阻塞动脉）结合起来。你需要从多个角度收集证据才能确保万无一失。
社会科学部落：讲故事的人
最后是社会科学（如心理学、经济学和社会学）。这是最复杂的地方。人类是混乱、不可预测且充满故事的。作者认为，在这些领域，“因果”通常是一个帮助我们理解自身的叙事。例如，一位治疗师可能会通过讲述一个关于过去如何塑造现状的故事来帮助患者。这个故事不是数学方程，但在某种程度上它是“真实”的，能够帮助人感觉更好并改变行为。作者指出，社会科学目前正处于挣扎之中，因为它试图模仿物理学，使用严格的数学来证明那些实际上关乎人类意义和解读的事物。
“因果机器学习”的问题
这篇论文对“因果机器学习”这一新趋势进行了深刻的反思。这些计算机程序试图绘制一张地图（图谱），展示变量之间是如何连接的。它们遵循诸如“如果A发生在B之前，且两者有关联，那么A导致了B”之类的规则。
作者认为这种方法是危险的，因为它假设世界是一个封闭、完美的机器（像物理学一样），而世界往往是一个混乱、开放的系统（像生物学或社会学）。他们指出，这些计算机模型在现实世界中经常失败，因为它们无法解释影响结果的所有隐藏因素（比如你的情绪、你的经历或天气）。
论文明确反对这样一种观点，即认为计算机可以通过观察一个数据集就断言：“这就是原因。”他们说，除非计算机是在规则已知的封闭物理实验室中工作，否则这些模型只是在猜测。它们是“过度自信的”。作者警告说，如果我们过于信任这些计算机地图，我们可能会在医疗或政策制定上做出错误的决策，因为计算机忽略了故事中那些混乱的人类部分。
解决方案：侦探团队
那么，答案是什么？作者建议我们需要更加谦逊。与其依赖一个计算机模型来告诉我们真相，我们不如从各个方面收集证据。
想象一下，你正在试图弄清楚为什么一片森林正在枯死。
- 物理学家观察土壤化学方程。
- 生物学家观察昆虫和树木。
- 社会学家观察当地人如何使用这片土地。
- 讲故事的人倾听长辈们关于这片森林对他们而言意味着什么的讲述。
论文建议，只有当所有这些不同的视角达成一致时，“因果”才是真实的。这被称为“证据优势”（preponderance of evidence）。这不是关于一个完美的数学证明，而是关于一个由不同声音组成的合唱，共同讲述同一个故事。
对于未来，作者建议我们应该停止试图让计算机成为因果关系的终极裁判。相反，我们应该将计算机作为帮助我们发现模式的工具，但我们必须始终根据现实世界的叙事和专家知识来核实这些模式。他们提出了一个名为“诠释学”（Hermeneutics）的新思维方式，即解读的艺术。这意味着要理解，有时“真理”不是一个数字，而是一个对人们有意义的故事。
总结
这篇论文的主要发现是，“因果”并不是单一的一回事。它会根据你是在研究一块落石、一颗跳动的心脏还是一颗人类的心智而改变形状。作者认为，当前对“因果AI”的热情有点像是一个陷阱。它试图用一个简单、僵化的工具来解决复杂、混乱的问题。
他们并不是说我们应该停止使用计算机。相反，他们说我们应该谨慎使用。我们需要尊重科学之间的差异。在物理学中，数学是王道；在生物学中，我们需要数学与机制的结合；在社会科学中，我们需要数学、故事和人类理解共同协作。
论文最后呼吁“认识论美德”（Epistemic Virtue），这是一种高级说法，意为“知识上的诚实”。它要求科学家和AI开发者承认自己何时无法确定某件事。与其大喊“我们找到了原因！”，不如说“这里有一个暗示某种可能性的模式，但在我们做决定之前，让我们看看整个故事。”这是一个提醒：在一个复杂的世界里，我们最强大的工具不是超级计算机，而是倾听不同类型的故事并将它们编织在一起，从而构筑成一个有意义的真相的能力。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。