因果学习的三个层次(5)

龚老师还推荐了几个非常优秀的文献：
1， Causal inference， Hernán M. A., Robins J. M. 一个非常易懂的入门手册
2， The handbook of graphical models(2018) 围绕统计因果学习的工具核心-图模型
3， Causal Inference for Statistics, Social, and Biomedical Science
介绍几种常见的因果悖论
论文速递-新冠死亡率的辛普森悖论，因果推断的一个例子
速读悖论，兼谈因果推断的重要性
相关性和因果性的比较
樱花，气候，相关性与因果性
用因果的视角看三门问题， 并用此分析华为应对美国制裁的策略
从因果的视角看三门问题与华为断供
介绍几种常见的统计因果分析方法
好书推荐-《结果与原因的经济学》极简因果推断教程
非常实用的因果推理入门手册含代码
三，基于因果的人工智能， Causal AI
这一定是如今大部分人都关注的问题， 当下的机器学习缺少因果思维， 刚刚的因果统计能否在这里助力？首先当下的AI缺少因果这一层次，即使是GPT-3这样复杂的模型， 事实上也仅仅是相关性的体现。
基于因果的人工智能一个重要体现是小图灵测试 - 也就是如何让机器来表征因果知识， 然后回答问题 。如果机器能够做到这一点，无疑是和人的接近程度大大接近。

如何让机器具备因果思维， 事实上依然是围绕如何让机器学习刚刚讲的三级因果关系， 关联， 干预 和 反事实。大家注意反事实问题在以统计为基础的机器学习里是很困难的。
这时候我们来套用机器学习的典型思维，输入一大堆数据，算法就可以推断某件事的前因后果，进行反事实推理。
这台机器就叫做因果推理引擎， 它是一个包含问题， 到模型（图模型）到求解答案全过程的机器。这台机器的输入是问题，数据和假设（对核心变量因果关系的先验）， 把它们转化为包含因子和边的图模型（因果问题的语言）， 最终通过结构方程得到需要求解问题的干预概率（do - calculus），或反事实问题（counter-factual）。