"公鸡打鸣，太阳升起"——相关性不是因果
珀尔常用一个通俗的例子说明相关性与因果性的区别：公鸡打鸣与太阳升起高度相关，但公鸡打鸣显然不是太阳升起的原因。他认为，仅仅依靠海量数据寻找统计相关性的深度学习系统，本质上很难跳出这类陷阱，只有引入显式的因果结构，机器才可能真正理解"如果我做了A，会发生什么"这类反事实推理问题，这也是他持续对纯数据驱动的深度学习路径保持审慎态度的核心理由。
🕸️
朱迪亚·珀尔
本名Judea Pearl
美国计算机科学家，贝叶斯网络与因果推断理论的奠基人
想到"机器能思考"的人 · 先驱者
贝叶斯网络因果推断理论《为什么》一书
是谁
朱迪亚·珀尔（1936- ）是出生于以色列、长期在美国工作的计算机科学家，1988年出版《智能系统中的概率推理》一书，系统提出了"贝叶斯网络"这一用图结构表示变量间概率依赖关系的框架，为人工智能系统在充满不确定性的真实世界中进行推理提供了严谨的数学工具，这套理论此后广泛应用于医疗诊断、故障排查与自然语言处理等诸多领域。珀尔此后进一步将研究重心转向"因果推断"，提出用"do演算"这一数学工具区分"相关性"与"因果性"，并在2018年出版的《为什么：关于因果关系的新科学》一书中向公众普及了这一思想。他反复强调，当前以深度学习为代表的主流人工智能系统本质上仍停留在"曲线拟合"层面，只能识别相关性、无法理解因果关系，这也是他认为通往真正意义上的通用人工智能仍然存在的一道关键鸿沟。珀尔于2011年获得图灵奖。
依据原典珀尔《智能系统中的概率推理》（1988）珀尔与麦肯齐《为什么：关于因果关系的新科学》（2018）
主要故事
人物关系
师父
今日回响
以下是现代作品对这个名字或故事的借用、改写，不代表原始内容——两者不一样，别混着记。
"相关性不是因果性"的公共科普珀尔提出的"公鸡打鸣，太阳升起"这一通俗比喻，此后成为公众理解统计学与数据科学中"相关性谬误"这一常见陷阱时最常引用的例子之一。