为什么的书
The Book of Why: The New Science of Cause and Effect · 2018
Pearl 是图灵奖得主、贝叶斯网络的奠基人。他看见统计学从 Karl Pearson 1900 年代起，把「因果」列为禁忌词——整个学科只准谈联合分布 P(X, Y)，不准谈 P(Y | do(X))。
他的不满有一个让人坐不住的证据：Fisher——20 世纪最伟大的统计学家——到 1958 年还在为烟草公司作证，论点是吸烟致癌的「因果证据不充分」。他真心不会用数学说「X 导致 Y」。这不是技术保守，是哲学认输：Pearson 和 Fisher 真信因果是形而上学，科学该闭嘴。
不写不行的那股劲儿——Pearl 花 30 年（1985-2018）给「因果」造数学。不是哲学辩护，是符号系统。书名是答案的种子：为什么——重新教会数学说「X 真的导致了 Y」。
四条天花板，不证，摆桌上：
一句话：因果阶梯（Ladder of Causation）三层。
Pearl 的取景框：看任何「X 和 Y 有关」的论断，先定位它在因果阶梯哪一层——你只是看见了，还是真做了，还是在想象反事实？
他的独占术语和区分——
Rung 1 关联 Seeing：P(Y | X)。「看到鸡叫，太阳要升」。经典统计学和当代深度学习都卡在这一层——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」。RCT 在这一层；Pearl 证明可以用 do-calculus 从观察数据绕过 RCT。
Rung 3 反事实 Imagining：P(Y_x | X', Y')。「要是当初没吸烟，他还会得癌吗」。只有人类（和因果模型）能爬到这一层。
do-calculus：一套形式规则，从观察数据 + 因果图结构，推导 P(Y | do(X))。统计学百年来第一次有了表达干预的语言。
混杂 confounder + 后门准则 / 对撞 collider：confounder 制造伪相关；collider 反过来——你一旦控制它，反而凭空造出伪相关。这是「控制变量」最反直觉的陷阱。
数据本身对因果一无所知。没有因果模型，再多数据也回答不了「如果我做 X 会怎样」——这正是 RCT 贵的原因。
更狠一刀：当代深度学习全部卡在 Rung 1（关联），无论参数多大、数据多多，本质都是曲线拟合。真正的智能要爬到 Rung 2、Rung 3——能干预、能想象反事实。
带走的一句——
Data are profoundly dumb about causation.
形态：取景框
内容：看任何「A 和 B 有关」的论断，先定位它在因果阶梯哪一层——看见（相关）/ 做了（干预）/ 想象（反事实）。绝大多数论断停在第一层，却假装在第二层。混杂和对撞会让相关骗你。
为什么是这一件：换上这副眼镜，你看「研究发现 A 关联 B」的新闻、看投资回测、看「数据驱动」决策、看 AI 的能力边界，全先问一句「这是第几层」——它只是看见了，还是真验证了干预效果？看到「控制了变量」别立刻信，问它控制的是 confounder 还是 collider（后者越控越错）。十年后还在用的取景框，翻回原书是想再校准一次「看见 / 干预 / 想象」这三级台阶。
走一步：把这台框挪到书外——「公司换了 CEO，三个月后股价大涨，是新 CEO 的功劳吗」。预测：这只是 Rung 1（看见相关），你没拨那个开关。要爬到 Rung 2 得问「若这家公司当时没换 CEO，同行业同处境下股价会怎样」——没有这个反事实对照，「换帅救公司」就是把鸡叫当成了日出的原因。能预测，才算把这台框拿在手里。
前五段把骨架摆出来了。现在把第 3 段那台框——因果之梯——画成一张图，让你不光看懂 Pearl，还能拿他这张图去预测他没写过的事。
一、画地图。Pearl 这张图，坐标系是一道三级台阶。最低一级是「看见」（Rung 1，相关）：你只观察到 X 和 Y 一起出现，像看到鸡叫、太阳升。中间一级是「做」（Rung 2，干预）：你伸手拨动 X 这个开关，看 Y 到底亮不亮——这是 RCT 干的事。最高一级是「想象」（Rung 3，反事实）：你回头问「要是当初没拨那个开关，灯还会亮吗」。三级之间不是连续坡道，是台阶——每往上一级，你要额外付出数据里没有的假设（先是因果图，再是函数形式）。这张图能整张借给别处：任何「A 和 B 有关」的论断，先把它钉到某一级台阶上。
二、标位置。把一个论断钉上台阶，立刻看清它的成色。绝大多数「数据显示」「研究发现」的论断，其实站在最低一级（看见），却假装自己站在中间一级（做）。「控制了变量」这个动作站哪？它想往上爬一级，但 Pearl 的 collider（对撞）警告就藏在这里：控错了变量，你不是往上爬，是凭空在最低一级造出一条伪相关——越控越错。位置一标出来就看明白了：分清你控制的是 confounder（不控会假相关）还是 collider（一控才假相关），是这道台阶上最容易踩空的一格。
三、走两步，做预测。挪到 Pearl 没去过的地方，用他的图猜一把再对账。挪到医疗新闻：「常喝红酒的人心脏病更少」。图预测：这停在最低一级（看见）——爱喝红酒的人往往收入更高、医疗更好（confounder），把这些钉进图里，红酒的「功劳」大概率塌掉。对一下现实，后续严格研究正是这样推翻了红酒护心的旧结论。再挪到职业选择：「读了 MBA 的人后来薪水更高，所以 MBA 值」。图预测：这是没拨开关的相关——能考上 MBA 的人本就更强（选择效应），要爬到中间一级，得问「同一个人若没读 MBA，薪水会怎样」这个反事实。没有这个对照，「MBA 值」就是把鸡叫当成了日出的原因。两步都中了，这张图就拿住了。
到这儿，因果之梯对你不再是术语，是一张随身的图。往后看任何「X 让 Y 变好」的论断，你会下意识把它摊到三级台阶上：它只是看见了，还是真拨了开关，还是补上了反事实对照？哪一级缺了，结论就虚到哪一级。
私货一刀：Pearl 把图画得像数学客体，却轻描淡写了一件事——这张因果图本身是人画的假设，不是从数据里长出来的。do-calculus 从图到结论极其严密，但「从世界到图」没有可靠方法；图画错了，推出的因果就错，而数据不会告诉你图对不对。所以用这张梯子前要补一步 Pearl 没写的：先问「这张图是谁画的、漏了哪个箭头」。在经济、组织、政治这种复杂系统里，「该画哪张图」本身就是新战场——Pearl 的工具把争论从「相关」推进到「该画哪张图」，但没终结争论。