導語

集智俱樂部、集智學園創始人，北京師范大學張江教授開設了，致力于打破學科壁壘，將復雜系統與人工智能深度融合。從神經網絡到因果推斷，從世界模型到多尺度建模，甚至包含最前沿的“氛圍編程（Vibe Coding）”實戰，帶你親手落地AI項目。

作為系列課程的第十講，張江教授將以「因果科學簡介」為題，沿“觀察→干預→反事實”三層因果階梯，用貝葉斯網絡、因果圖與結構因果模型，應對AI模型“知相關卻不知因果”的局限。正式分享將于5月18日（周一）13:30-16:15騰訊會議線上直播，北師大海淀區線下授課（助教可協助入校）。

課程簡介

統計模型會告訴你運動與膽固醇正相關——但如果你強制一個人運動，膽固醇反而會下降。相關性與因果性的裂縫，恰好是當前大多數機器學習系統的致命弱點：它們善于在固定分布中預測，卻無法回答"如果我這樣做，會發生什么"。這門課正面解決這類問題。

課程以圖靈獎得主 Judea Pearl 的因果推斷體系為核心框架，沿“觀察→干預→反事實”三層因果階梯展開。第一層以貝葉斯網絡為工具，精確刻畫變量之間的相關關系與條件獨立結構；第二層引入因果圖（DAG）和 do 算子，區分條件概率 P(Y|X) 與干預概率 P(Y|do(X))，并通過后門調整、前門調整、工具變量等方法，在無法實施隨機實驗的條件下識別因果效應；第三層借助結構因果模型（SCM）進入反事實推理——用“溯因→作用→預測”三步回答“如果當年選了另一條路，結果會不同嗎”。

本課程面向具備基礎概率論知識的 AI 與系統科學方向學生，學完后，學員能夠用貝葉斯網絡建模變量依賴結構；用 d-分離判斷圖中的條件獨立關系；通過后門準則和 do-calculus 從觀測數據識別干預效果；以及用 SCM 的孿生網絡框架完成反事實計算。

課程大綱

1. Why Causality?

2. Association: Bayesian Network

3. Intervention: Causal Graph

4. Counterfactual: Structural Causal Graph

關鍵術語

1. 因果階梯（Ladder of Causality）：Pearl 提出的三層認知框架——相關（見）、干預（做）、反事實（想），所需信息量和推理能力依次遞增

2. do 算子（do-operator）：表示主動將 X 固定為 x 的數學符號 do(X=x)，區別于被動觀察條件概率 P(Y|X=x)

3. 后門路徑（Backdoor Path）：從處理變量 X 出發、含有指向 X 的箭頭的非因果路徑，是混淆偏差的來源

4. 后門準則（Backdoor Criterion）：判斷變量集 Z 能否通過調整消除混淆、使 do(X) 可從觀測數據識別的圖形條件

5. d-分離（d-separation）：在給定觀測集 Z 下，判斷圖中兩變量集是否條件獨立的圖形準則

6. 碰撞變量（Collider）：兩個箭頭同時指入的節點；控制 collider 會打開原本被阻斷的路徑，產生偽相關

7. 結構因果模型（SCM）：由內生變量 V、背景變量 U、結構方程 F 和 U 的分布組成的四元組，是反事實推理的數學基礎

8. 工具變量（Instrumental Variable）：不受不可觀測混淆影響、僅通過處理變量影響結果的外生變量

9. 前門準則（Front Door Criterion）：通過中介變量 M 分兩步識別因果效應，適用于后門路徑因不可觀測混淆無法被調整的場景

推薦書籍

課程信息

課程主題：因果科學簡介

課程時間：2026年5月18日（周一） 13:30-16:15

課程形式：騰訊會議（會議信息見群內通知）/北師大海淀區線下授課（助教可協助入校）；集智學園網站錄播（3個工作日內上線）

課程主講人

張江，北京師范大學系統科學學院教授，集智俱樂部、集智學園創始人，集智科學研究中心理事長，曾任騰訊研究院、華為戰略研究院等特聘顧問。主要研究領域包括因果涌現、復雜系統分析與建模、規模理論等。

個人主頁：https://jake.swarma.org/

課程適用對象

1. 理工科背景高年級本科生

2. 理工科背景碩士、博士研究生

報名須知

1. 課程形式：

1. 參與方式：付費學員可參與騰訊會議直播/北師大海淀區線下授課（助教可協助入校）

2. 授課形式：

1. 平時：課堂討論與內容共創

2. 結課：項目匯報

2. 課程周期：2026年3月2日-2026年6月22日，每周一 13:30-16:15進行。

3. 課程定價：399元

課程鏈接：https://campus.swarma.org/v3/course/5684?from=wechat

付費流程：

2. 課程頁面添加學員登記表，添加助教微信入群；

3. 課程可開發票。

課程共創任務：課程字幕

為鼓勵學員深度參與、積極探索，我們致力于形成系列化知識傳播成果，并構建課程知識共建社群。為此，我們特別設立激勵機制，讓您的學習之旅滿載收獲與成就感。

課程以老師講授為主，每期結束后，助教會于課程群內發布字幕共創任務。學員通過參與這些任務，不僅能加深對內容的理解，還可獲得積分獎勵。積分可兌換其他讀書會課程或實物獎品，助力您的持續成長。

推薦課程

參考課程

1. 吳恩達：Build with Andrew https://www.deeplearning.ai/courses/build-with-andrew/

2. Jure Leskovec: Machine Learning with Graphs, StanfordCS224W.https://www.youtube.com/playlist?list=PLoROMvodv4rPLKxIpqhjhPgdQy7imNkDn

3. Steve Brunton: Data Driven Science and Engineering, University of Washingtonhttps://www.youtube.com/playlist?list=PLMrJAkhIeNNRpsRhXTMt8uJdIGz9-X_1-

4. Karthik Duraisamy: DATA-DRIVEN ANALYSIS AND MODELING OF COMPLEX SYSTEMS, Michigen institute for computational discovery and engineering, Michigen University.https://micde.umich.edu/academic-programs-old/data-driven-course/

5. Sergey Levine: Deep Reinforcement Learning, CS 285 at UC Berkeley.http://rail.eecs.berkeley.edu/deeprlcourse/

【集智學園網站資源】

1. 對復雜系統連續變化自動建?！狽eural Ordinary Differential Equations解讀https://campus.swarma.org/course/2046

2. 復雜網絡自動建模在大氣污染中的應用https://campus.swarma.org/course/1998

3. 兩套因果框架深度剖析：潛在結果模型與結構因果模型https://campus.swarma.org/course/2526

4. 穩定學習：發掘因果推理和機器學習的共同基礎https://campus.swarma.org/course/2323

5. 因果強化學習https://campus.swarma.org/course/2156

6. 張江：因果與機器學習能夠破解涌現之謎嗎https://campus.swarma.org/course/4540

7. 因果涌現理論提出者：Erik Hoel主題報告https://campus.swarma.org/course/4317

8. 如何從數據中發現因果涌現——神經信息壓縮器https://campus.swarma.org/course/4874

9. 標準化流技術簡介https://campus.swarma.org/course/1999

10. 帶隱狀態的強化學習世界模型https://campus.swarma.org/course/4848