因果学习的三个层次

昨天龚鹤扬博士在集智的讲座因果学习综述，我借此机会结合我的理解给大家总结客串下这个讲座，和因果学习的核心内容，及巡洋舰一段时间关于因果的文章汇总。
这个讲座分为三部分，第一是什么因果及其哲学基础，第二是统计学中的因果， 第三是机器学习中的因果。
一， 哲学中的因果以及因果科学的定义
因果已经成为我们最重要的认知工具， 而且被认为是下一代AI革命的重要引擎之一。那么究竟什么是因果？用一句话说：因果是当某个变量T改变的时候，在保持其它变量不变的时候， 它是如何导致另一个变量Y改变的（由此我们看出因果的有向性，因果可以独立作用）。
即使是从这个定义里我们也可以立刻看到，如果和相关性进行比较， 我们看到这里的区别一在于改变， 二在于其它变量不变， 这就是说英国是A到B产生的效应，而非仅仅是A
和B的关联， 它具有明确的方向性和干预属性。这种定义的方法包含了干预主义的核心思想，因此也称为interventionist

而古往今来的哲学讨论里，另一个核心观点在于反事实的因果观念， 这个观念说的是当假设过去的其它事情不发生，是否有一个因子导致了最终的结果不会发生。这里我立刻想到类似于法律案件判断的一种基本思维，那就是指定某个人有罪与否的通常思维是假定他没有做出某个行为最后罪行的结果还是否会出现。
然而这种因果思维通常存在严重的漏洞，比如下面的例子：

A和B一起用石头扔瓶子， A的石头恰好击中了瓶子碎了。那么如果A不去用石头打瓶子似乎它也会碎， 你可以因此去说A的石头不是瓶子碎的原因吗？如果我们深思，类似的悖论还很多， 比如你和你女友n次吵架最后分手了， 那么如果没有第n次吵架你们也许不会分手， 你可以说第n次超级就是分手的原因吗？