这本书的作者是个传奇人物，计算机科学家和哲学家朱迪亚・珀尔。现有的基于机器学习的人工智能应该叫 “人工不智能”，而珀尔，研究的恰恰是真正的人工智能。

【推荐万维钢老师的书评】《你收获的，将是认识世界和改变世界的高级套路》这本书的作者是个传奇人物，计算机科学家和哲学家朱迪亚・珀尔。现有的基于机器学习的人工智能应该叫 “人工不智能”，而珀尔，研究的恰恰是真正的人工智能。珀尔今年 81 岁，是人工智能界的一面大旗。《大西洋月刊》说，珀尔本是机器学习这门技术的开山鼻祖之一，而他现在是这个技术最激烈的批评者。珀尔干的事情就是想让 AI 获得真正的智能。所以珀尔专注于研究因果关系。在我看来书中这些研究一时之间很难用到一个实用的 AI 系统上去，但是这些内容对 “人” 倒是很有意义。它能让我们更深入地理解这个世界。咱们专栏的读者应该都听说过一句话，“相关不是因果”。冰激凌销量上升的时候，被淹死的人也增多了 — 难道说吃冰激凌导致了人被淹死吗？当然不是，它们之间只有相关性，没有因果关系。可是怎么样才算有因果关系呢？不吃饭就会饿，这似乎就是一个因果关系。我们对简单的因果关系应对自如，但是在现代社会这个复杂的世界里，有时候建立因果关系非常困难。比如说，吸烟有害健康，这句话现在人人都相信。可是你知道吗，就在几十年以前，就有很多统计学家认为，到底是不是吸烟导致了肺癌这个问题，你根本就不应该问！有些人认为事情只要稍微复杂一点，判断因果关系就是徒劳的。有些人甚至认为根本就没有什么因果，一切都只不过是相关性。难道我们仅仅是根据经验做事吗？在过去不到三十年的时间里，人们对因果关系这个问题的理解取得了突破式的进步，可以说是发生了一场 “因果革命”。珀尔这本书，就是向 “聪明的外行” 介绍这个新学说。这本书里有哲学的思辨，有数学的算计，有天才的故事，更有拨云见日般清晰的思考。我读这本书的体验非常刺激。但是这本书难度比较大。我们《精英日课》专栏有一个基于斐波那切数列的难度系数系统，这本书某些内容的难度系数大概超过了 13。但是我建议你下点功夫把它啃下来。你就当是用这本书打磨一下大脑。而你收获的，将是认识世界和改变世界的高级套路。

很多人認為漂亮的女生都不聰明，顏值高的演員都沒演技，有特長的人必定有明顯短板，家裡條件好的大學生必定不用功，這些都是伯克森悖論導致的偏見。伯克森悖論和人們熟悉的 “倖存者偏差” 都屬於 “選擇偏差”，出錯的根本原因都是統計的資料不夠全面。在統計研究中稍不小心，就會犯伯克森悖論的錯誤。平庸的寒門子弟、遵紀守法的富人、沒有英雄壯舉的屠狗輩、忠誠的讀書人和安享晚年的好心人，他們的新聞閾值太低，他們的事蹟沒有四海傳揚。必須把這些人都統計上，才能得出正確的結論。

古人云：“博学之，审问之，慎思之，明辨之，笃行之。” 此话正合此书精神，与读者共勉。这本书首先，用非数学的语言阐述因果革命的知识内涵，说明它将怎样影响我们的生活和未来。其次，分享在解决重要的因果问题时，我们的科学家前辈走过的英勇征程，无论成败，这些故事都值得讲述。最后，回溯因果革命在人工智能领域的发源地，目的是向你介绍如何开发出用我们的母语 —— 因果语言进行交流的机器人。

终于看完了，看了好久。非常好的一部书，拿来练脑也是极好的，不过看懂需要数学知识，需要自己算，我应该没有看懂。书中介绍了因果关系是什么，以及如何才能达到，给出了方法。但至少在我能看到的内容，运用书中方法的没有。希望他能大放异彩。结尾作者对人工智能，能分辨善恶的人工智能，持乐观态度，我没这么乐观，我不怀疑有一天人工智能真的像人思考，但什么是善恶呢？如何分辨呢？救一百个人而损害一个人是善吗？聚众淫乱是饿吗？正义、道德的问题并不比自由意志更容易解决，从某种意义上来说，我觉得更难

思维中的因果关系进行重新认识，也就是通过观察，排除事物之间的相关性，偶然性和中介效应，找到事物之间的必然性，既事物的因果关系。数据可以推断事物的因果关系，但不是万能的。因果关系也是动态的可变的，同时还受到人的制约和影响。人类的思维可以创造出与自然现实不相符的事实出来，这是一种更高级的因果关系。作者把它说成是反事实，我觉得是创事实比较合适。所以因果关系比数据关系更复杂。只有掌握和使用了因果关系，才能创造出真正的人工智能，也就是创造出像人一样，但比人更聪明的机器人。这就要把人的观察能力，行动能力和想象能力区分开来，同时又要把它们综合起来形成因果关系图，指导人工智能，才能创造出可以取代人类的机器人。

一、思维胜于数据（因果关系起源与发展）如何改变区分事实与虚构的方式？因果推断，作为一种 “新科学” 利用人类大脑中已经存在意识认知，借助可获得的数据进行的一种推断，这种推断基于数学语言，也与数学语言一起推动了其他学科的发展。因果推断起源于现代统计学的奠基人弗朗西斯・高尔顿和卡尔・皮尔逊，他首次发现人口统计数据可以揭示一些科学问题的答案。虽然生活中简单的因果关系并不需要一个详尽的公式去检验与表达，但是在法律、财务、医疗等领域的决策情景更加具体化，因果关系开始大幅度依托公式。在统计学基础课程中，每个学生都会很快学会 “相关关系不等于因果关系” 这句话。统计学的其他分支，以及那些依赖统计学工具的学科仍然停留在禁令时代，错误地相信所有科学问题的答案都藏于数据之中，有待巧妙的数据挖掘手段将其揭示出来。经典统计学只关注总结数据，因此它甚至无法提供一种语言让我们提出上面那个问题。因果推断则不仅提供了一种表达符号，更重要的是，它还提供了一种解决方案。这使得我们在预测干预效果时，在多数情况下能够借助一种算法来模拟人类的反思性思考，通过将我们对观测世界的了解输入算法系统，其将输出有关反事实世界的答案。可以说，这种 “反事实的算法化” 正是因果革命另一项宝贵的成果。二、因果关系之梯在人们问的是 “什么”，大部分人的回答是 “为什么”。即被询问事实的时候，人们喜欢回答理由。而且，大家普遍都深信，列举原因可以以某种方式美化他们的行为。他们是从哪里得到这样的想法的？因果关系的学习者必须熟练掌握至少三种不同层级的认知能力：观察能力（seeing）、行动能力（doing）和想象能力（imagining）。当开始改变世界的时候，就迈上了因果关系之梯的更高一层台阶。这一层级的一个典型问题是：“如果我们把牙膏的价格翻倍，牙线的销售额将会怎么样？” 这类问题处于因果关系之梯的第二层级， 提出及回答这类问题要求我们掌握一种脱离于数据的新知识，即干预。更为有趣的是即便不进行实验，我们有时也能成功地预测干预的效果。例如，销售经理可以研发出一个包括市场条件在内的消费者行为模型。就算没能采集到所有因素的相关数据，他依然有可能利用充分的关键替代数据进行预测。一个足够强大的、准确的因果模型可以让我们利用第一层级（关联）的数据来回答第二层级（干预）的问题。没有因果模型，我们就不能从第一层级登上第二层级。这就是深度学习系统（只要它们只使用了第一层级的数据而没有利用因果模型）永远无法回答干预问题的原因，干预行动据其本意就是要打破机器训练的环境规则。如果第一层级对应的是观察到的世界，第二层级对应的是一个可被观察的美好新世界，那么第三层级对应的就是一个无法被观察的世界（因为它与我们观察到的世界截然相反）。为了弥合第三层级与前两个层级之间的差距，我们需要构建一个基础性的解释因果过程的模型，这种模型有时被称为 “理论”，甚至（在构建者极其自信的情况下）可以被称为 “自然法则”。简言之，我们需要掌握一种理解力，建立一种理论，据此我们就可以预测在尚未经历甚至未曾设想过的情况下会发生什么 —— 这显然是所有科学分支的圣杯。但因果推断的意义还要 更为深远：在掌握了各种法则之后，我们就可以有选择地违背它们，以创造出与现实世界相对立的世界。三、从证据到因当你排除了所有不可能的，剩下的那个无论有多么不可思议，都一定是真相。贝叶斯网络，作为波拿巴软件进行自动化推理的工具基础，其影响着我们生活的许多方面。信念传播是专为贝叶斯网络设计的一种算法。作为 “互联网之父” 之一的温顿・瑟夫曾说：“我们所有人都是贝叶斯方法的超级用户。” 四、混杂和去混杂：或者，消灭潜伏变量统计学家常常既高估又低估了为可能的混杂因子进行统计调整的重要性。高估它，是指他们经常对过多的变量进行控制，甚至控制了不该控制的变量。政治博客作者埃兹拉・克莱因的一段话，清楚地阐述了这种 “过度控制” 的现象：“你在各种研究中都能看到它。‘我们控制了……’，然后一张关于被控制的变量的列表就开始了，而且这个列表往往被认为越长越好：收入、年龄、种族、宗教、身高、头发颜色、性取向、健身频率、父母的爱、偏好可口可乐还是百事可乐…… 就好像你能控制的东西越多，你的研究就越有说服力，或者至少看起来如此。控制可以带来专一性和精确感…… 但有时，你控制的东西过多了，以至于在某些时候，你最终控制了你真正想要测量的东西。” 克莱因提出了一个合理的担忧。统计学家对于应该控制和不应该控制哪些变量感到非常困惑，所以默认的做法是控制他们所能测量的一切。当今时代的绝大多数研究都采用了这种做法。这的确是一种可轻松遵循的、便捷的、简单的程序，但它既浪费资源又错误百出。而因果革命的一个关键成果就是终结这种混乱。五、反事实：探索关于假如的世界线性结构方程模型具有许多明显的优点和缺点。一方面，从方法论的角度看，它们非常简单。通过线性回归，可以直接从观测到的数据中估计因果效应，而且目前已有许多针对此类模型的统计分析软件供我们选择使用。另一方面，线性模型不能表示像剂量 —— 响应函数这样的非线性关系。它们不能表示阈值效应，例如一种药物，其剂量增加到一定程度之后就不再起效或增效了。它们也不能表示变量之间的相互作用。六、中介：寻找隐藏的作用机制关于中介物，它是否能解释全部结果？药物 B 是否只能通过调节血压水平起作用，还是也可以通过其他机制起作用？安慰剂效应是医学领域中一种常见的中介物：如果一种药物只能通过病人对其药效的信念起作用，那么绝大多数医生都会认为这种药物是无效的。中介也是法律领域中的一个重要概念。如果我们问一家公司给女性员工的工资相对男性员工较低是否构成了性别歧视，我们就是在问一个中介问题，其答案取决于所观察到的薪资差距是直接由申请人的性别引发的，还是间接通过雇主无权控制的中介物，比如职业资格等因素引发的。辛普森悖论指的是一种趋势，它似乎在总体的每一层中都趋于一个方向，但在整个总体中却趋于一个完全相反的方向。在过去几年中反复出现的错误 —— 以中介物为条件（对中介物进行变量控制），而不是保持中介物恒定（设其为常量）。称其为中介谬误（mediation fallacy）。诚然，如果中介物和结果之间没有混杂，则这个错误并无实际危害。然而，如果确有混杂，那么这一错误完全可以反转分析结果。当我们长期倾向于用数据以及统计软件去检验因果关系，去探究中介效应的时候，会不自觉选取较多的控制变量，会不自觉关注每个系数正负甚至是 p 值，如果更多从反思维角度进行趋势检验，甚至是层级划分，可能结果大不相同，也会稍增价值。

这是目前出版的唯一一部因果关系科学方面的科普著作，是人工智能算法的底层理论基础。两年前第一次阅读，花了 13 小时读了 80％，实在啃不进去，牙都咬破了也没能坚持读完。两年后重新翻开，丝般顺滑的阅读体验。这些细微的变化，投射的影子，让人确定的看到自我的变化。当时还用了好些纸笔，老老实实画图，一步一步推算，才能跟上作者的思路，这次阅读，已经可以一边跑步一边在脑中凭空分步推算了。这本书难读的一部分原因是，作者不喜欢分章节，也不喜欢起标题。大段大段的段落，既描述了错误的验证过程，也描述了正确的验证过程。经常在读了一大段验证，觉得很有道理的时候，在最后一句他告诉你这个验证是错的。虽然全书中很少用到数学公式，但引用了大量各领域专家的论文原文，而作者本身的写作习惯也偏向于论文的表述方式。阅读体验上，像是在翻阅一大摞的学术论文。1. 语言会塑造我们的思想。你无法回答一个你提不出来的问题，你也无法提出一个你的语言不能描述的问题。2. 数据本身不具备表述因果关系的能力。3. 目前的人工智能，深度学习算法，也只做到了提高概率，而并不具备智能。只能回答预设的问题，而无法面对例外情况，更别说自行提出问题。4. 关于图灵测试，伪造智能的能力就相当于拥有智能。5. 通常，在寻求一个好的表示方法的过程中，关于如何获取知识的洞见就会自然产生，无论这种洞见是来自数据，还是来自程序员。6. 因果关系不能被简化为概率。增加因发生的概率，并不能就必然导向果。A→B 是否成立不取决于概率是 0 还是 100，而取决于是否还有 CDEF→B。7. 贝叶斯定律适用于一个所有问题都被简化为概率，或者变量间的关联程度的世界。它无法自动升级到因果关系之梯的第二层级或第三层级，人只停留在观察层面。8. 概率能将我们对静态世界的信念进行编码，而因果论则告诉我们，当世界被改变时，无论改变是通过干预还是通过想象实现的，概率是否会发生改变以及如何改变。9. 因果关系之梯：观察（seeing），干预（doing），反事实（what-ifs）

珀尔的《为什么》是笔者所知道的目前已出版的唯一一部因果关系科学方面的科普著作，作者在其中深入浅出地把因果关系科学的理论框架及其发展脉络展现给了读者。值得一提的是，那些曾经令人备感困惑的悖论作为经典统计学中的未解之谜，最终也经由因果关系分析而拨云见日，笼罩在其上的迷雾也随之烟消云散了。水落石出后，因果推断显得如此自然，就仿佛一切本该如此。对于每一位想了解因果关系科学的读者来说，以《为什么》为起点就意味着你踏上了一条捷径，在理解此书的基础上阅读因果关系科学方面的专业著作，你的收获将会更大。

生活中的确存在着许多书中提到的 “对撞偏倚”，这是一个有趣同时也很可怕的现象，还是要通过不断磨脑子来识别出它们，否则就会产生大量的谬误

📕 一旦我们真正理解了因果思维背后的逻辑，我们就可以在现代计算机上模拟它，进而创造出一个 “人工科学家”。这个智能机器人将会为我们发现未知的现象，解开悬而未决的科学之谜，设计新的实验，并不断从环境中提取更多的因果知识。📕 因果关系演算法由两种语言组成：其一为因果图（causal diagrams），用以表达我们已知的事物，其二为类似代数的符号语言，用以表达我们想知道的事物。因果图是由简单的点和箭头组成的图，它们能被用于概括现有的某些科学知识。点代表了目标量，我们称之为 “变量”，箭头代表这些变量之间已知或疑似存在的因果关系，即哪个变量 “听从于” 哪个变量。这些因果图非常容易绘制、理解和使用，读者将在书中看到许多此类因果图的示例。这么说吧，如果你会使用基于单向街道地图的导航系统，你就一定可以理解因果图，继而就可以独自解决本书导言中提出的那些关于因果关系的问题。📕 “知识” 指的是推理主体（reasoning agent）过去的经验，包括过去的观察、以往的行为、接受过的教育和文化习俗等所有被认为与目标问题有关的内容。“知识” 周围的虚线框表示它仍隐藏在推理主体的思想中，尚未在模型中得到正式表达。📕 因果关系的学习者必须熟练掌握至少三种不同层级的认知能力：观察能力（seeing）、行动能力（doing）和想象能力（imagining）。第一层级是观察能力，具体而言是指发现环境中的规律的能力。在认知革命发生之前，这种能力为许多动物和早期人类所共有。第二层级是行动能力，涉及预测对环境进行刻意改变后的结果，并根据预测结果选择行为方案以催生出自己期待的结果。第三层级至关重要，它让我们为发起农业领域和科学领域的更深层次的革命做好了准备，使得我们人类对于地球的改造能力发生了骤变。

感觉很高深，很多看不懂。

这是一本哲学书，也是具体实现的书。作者给人提供的不是所谓片面的解题思路，而是即宏观又具体可实现的 * 模型框架 ** 模型框架 * 绝对不是仅仅理工科才该有的，一切内在都包含 * 模型框架 *。一个人和他的整个人生，就是一个 * 模型框架 *，在没有那么多 * 诗和远方 * 诗情画意的时候，一起体验一下 * 模型框架 *，也许后者方是你要找的真正的 * 诗和远方 *！这本书的作者就是这样泰斗级人物。作者给书名叫做 *THE BOOK OF WHY*, 用 * THE * 开头，已经表达他强大的 “野心”，海纳百川的气概。其雄心是如牛顿 ，爱因斯坦那样解释世界。与牛顿爱因斯坦不同的是，前二者相对只考虑客观自然界的规律，忽略有意识主动行为或者精神活动的作用。而他把生命的 “主观能动性”，“生命创造出的非自然物”， 也作为客观世界中的一部分，研究其整体结构关系和整体规律 (谁说主观和客观应该分开考虑？应该分文理？那是老黄历了)。这是必然的历史进程 。很多人在思考这个问题，可以说 ai 的研究就是必须加入 * 生命的主动性 * 为内在构造的典型应用 。(题外：生命活动和生命创造之物：人性，人际关系，历史演绎，社会，经济，法治，政治，人文，观念动机，艺术品，精神活动等…) 作者书中把 “生命 (人) 与自然” 中抽象出三层：(下面很多例子和想法，书中没有，单独整理的，而这书是框架，正如搭建房子，一定要先搭架子，不要先安门窗和雕花，镶瓷砖… 否则肯定要垮掉。 * 模型框架 * 正如 房屋骨架，这本书就是。 ) 1 被动观察和行为层… 老鹰捕猎，也许它并不需要大脑内 “意识” 的参与，而是老鹰大脑内神经网络，自动计算得出其当前位置和前方猎物的距离，自动计算出该如何姿态，多大飞行速度，何时拐弯… 这些都是可以为机械的 “无意识” 的计算，大脑神经网络正如计算机正如 波士顿动力的机器人，神经内在的函数自动拟合得出的 “行为输出”，使得他可以捕获猎物 。而现在，大量实验和现实表明，人类的很多行为其实也不是她的 “意识” 所驱使的，不是心理学家弗洛伊德说的划分为 “显意识” 和 “潜意识”…… 人的很多行为是自发发出的，和机器一样，和老鹰一样……… 是大脑内神经元计算器自动拟合输出的行为。当人面对各种环境状态下，很多时候就是一种 “习惯本能”, 是大脑自动计算得出应该如何行为，比如看见老虎就跑，就害怕…* 意识 * 在很多时候竟然是在人对环境做出一些 * 行为反应 (知情意行)* 之后才产生的…，那么毫无疑问，就不是 “意识” 驱动人产生 “行为”… 通过试验可以观察到这种神经传递的信号，发现 “意识” 的产生落后于 “行为的输出”(参见万老师精英日课第四季)… 谁说大柱子爱上翠花？大柱子那时候还没有 “意识”，谈不上爱不爱。是大柱子的神经网络的自动计算得出的 “爱的冲动行为” (这只是比方，大柱子过一会也许就有 “意识” 了) 因为人脑总是希望 “知行合一”，所以当该行为的都行为，该发生的都发生后，脑内 * 意识流 * 姗姗来迟，且调动 * 情绪情感部门 * 和 * 理由解释 * 部门，一起编故事：“哎呀，我刚刚就是这么想的，所以我才这样做了”…… 人自己察觉不到这个先后发生的顺序的… 人工智能处于哪个阶段呢？就是这一层，人工智能作为软件，内部软件模块中是类似于模拟神经元的数学函数，现在没有 * 意识 *，但是现在依然可以实现很强的自动驾驶，躲避障碍物，写诗歌等能力了 。雄心勃勃要进入第二三层…2 主动动机，干预和行为层森林里起火，是自然起火，还是有人放火？这二者要区分极为重要，在于这个因果影响极为不同 。如果是有人放火，故意纵火就必须立即救火，如果是消防员烧掉一些干柴，以预防干木头越来越多带来日后可能难以扑灭的火情，那么就是健康的。如果是森林自然起火，这不是人为主动产生的，而是客观自然现象，那么应对措施又不一样… 可以说，这里包含了生命的 “主观能动性”. 有点 * 意识 * 的感觉了。(意识：情感情绪和行为动机，和解释推理证明，找理由这些，都可以算作 * 意识 * 的一部分，或者 * 意识 * 所驱动的) 人脑应该是能够分辨识别出自然现象是主观还是客观的两类，然后采取不同的行动… 人工智能呢？向这个方向迈进。* 注意力模型 *，是有利的试探。即 * 主观能动性 * 是不是基于人脑能抓住重点，聚集焦点且焦点切换的过程中所涌现出的？3 脑补，生命创造出的物品… 也作为自然世界的一部分。它们来自于生命的主观动机，一旦到自然界和社会中，就成为一种 “客观” 之物…  (god 面前，也许一切都是 客观的)“狮身人面像” 是人为创造的，沉淀在历史时空中，他对我们现在产生着 “文化 — 精神 继承” 等多维度影响 。…………………………………………………………………… 珀尔是人工智能领航者，是贝叶斯网络发明者。以前是 `概率 — 相关性` 主义者，现在是 `因果关系` 主义者。"相关关系" 作为 "因果关系" 所包含的表层。"因果关系" 包含如上三层 [相关关系：在于主要只知道 X 和 Y 之间存在一种维度性质和数量关系，没有箭头方向，不知道是什么导致什么… 即不分主体和客体，不区分主动和被动行为]

珀尔教授一生致力于因果关系科学及其在人工智能方面领域的应用，这本科普著作是他毕生思想的沉淀，其中他以平实的话语介绍了因果推断的理论建构，每段文字都浸透着他对因果关系科学的热情。珀尔教授不仅学问做得好，还执着地追求真理，深入地反省自我，勇敢地阐述思想，在这个堆积术语、追逐名利的学术大氛围里，珀尔教授孤单的身影显得尤为意味深长。

1. 当前深度学习有两个局限，一是需要特定场景下的训练，二是无法解释结果。其根源在于目前深度学习的本质是萃取数据中的相关性。正如人工智能领域的权威专家朱迪亚・珀尔在其著作《为什么：关于因果关系的科学》中所言：数据不了解因果而人类了解。2. 珀尔在书中指出，我们对因果关系的认知能力有三个层级，作者称之为因果关系之梯。第一层级是关联。这要求我们基于观察做出预测。比如说如果观察到了……，会怎么样？第二层级是干预。这不仅涉及到被动观察，还涉及到主动改变现状。我们会问出这样的问题：如果做了……，会发生什么？第三层级是反事实。这牵涉到观察到的世界与反事实世界的比较。我们常说人生没有如果，可还是不禁去想：假如我当初做了……，会怎么样？3. 数据（也就是观察到的事实）无法告诉我们在反事实世界里会发生什么，因为在反事实世界里，观察到的事实被直截了当地否定了。为了攀登因果关系之梯，我们需要构建因果模型。有了因果模型之后，我们就可以用第一层级的数据来回答干预的问题和推断反事实世界会发生什么。这正是人类思维的强项。4. 目前的深度学习只使用了第一层级数据，而没有利用因果模型，可以说与人类认知相去甚远。作者更是在书中毫不客气地说到：“深度学习的成果确实举世瞩目、令人惊叹。然而，它的成功主要告诉我们的是之前我们认为困难的问题或任务实际上并不难，而并没有解决真正的难题，这些难题仍在阻碍着类人智能机器的实现。”5. 那么机器（和人）如何表示因果知识，才能让自己迅速获得必要的信息，正确回答问题，并如同三岁儿童一样对此驾轻就熟呢？这是一个真问题。6. 珀尔的回答是因果图。基于已有的知识、自身阅历和主观判断，绘制出因果图之后，根据演算规则，可以用若干条件概率 P (Y|X,A,B,Z,...) 计算出所谓的 “do 概率” P (Y|do (X))。如此以来，就从因果关系之梯的第一层级踏上了第二层级。我初次读到这里，第一反应是这套做法像量子场论中，根据费曼图计算反应截面。具体的数学上的细节以及更多的探索，在此略过，感兴趣的话直接看书。有一说一，这些内容有点枯燥。7. 如果说你对这些枯燥的数学公式不感兴趣，那么可以只用一句话来总结这本书：你比你的数据聪明。以我的阅读体会来看，尽管这本书定位是一本科普读物，依然烧脑。不过真的啃下来了，相信你的判断力会提升一个段位。（转自公众号「方易 1043」，有所删改）

解读中，我们首先讲了理由公式，就是 “X 为什么做 Y”。具体来说，理由可以分成四种：惯例、准则、故事和技术性说明。接下来，我们说了，理由的作用是定义关系。在社会层面，理由在理由、行为、关系这个三个因素的互动中发挥作用。

能缓解对于 ChatGPT 焦虑。

人是万物的尺度，没有理性思考的工具，就只能发发人生感悟，本书能给你一整套认识和改造世界的高级工具。（如果人有自由意志的话……）

首先看作者，这本书的作者我并不熟悉，但经得到其他老师介绍，感觉是个大牛。其次看书的内容，这本书虽然我现在才看了一点点，但我感觉在叙述逻辑上已经是上佳之作，逻辑清晰，信息量巨大。再看结构，这本书就目前来看，结构比较紧凑，详略得当。最后看这本书要解决的问题，就如我在标题中说的，这本书可能填补了因果关系领域的一个空白，至少算是同类书中的代表作。最后说说我读这本书的一个感受，就是这本书的信息密度比较高，所以读起来可能会稍稍吃力。但总体来看这是一本无可争议的好书，值得一读。

其实有基本逻辑学常识的人可以哦都能读懂