打开网易新闻 查看精彩图片

导语

集智俱乐部、集智学园创始人，北京师范大学张江教授开设了，致力于打破学科壁垒，将复杂系统与人工智能深度融合。从神经网络到因果推断，从世界模型到多尺度建模，甚至包含最前沿的“氛围编程（Vibe Coding）”实战，带你亲手落地AI项目。

作为系列课程的第十讲，张江教授将以「因果科学简介」为题，沿“观察→干预→反事实”三层因果阶梯，用贝叶斯网络、因果图与结构因果模型，应对AI模型“知相关却不知因果”的局限。正式分享将于5月18日（周一）13:30-16:15腾讯会议线上直播，北师大海淀区线下授课（助教可协助入校）。

课程简介

统计模型会告诉你运动与胆固醇正相关——但如果你强制一个人运动，胆固醇反而会下降。相关性与因果性的裂缝，恰好是当前大多数机器学习系统的致命弱点：它们善于在固定分布中预测，却无法回答"如果我这样做，会发生什么"。这门课正面解决这类问题。

课程以图灵奖得主 Judea Pearl 的因果推断体系为核心框架，沿“观察→干预→反事实”三层因果阶梯展开。第一层以贝叶斯网络为工具，精确刻画变量之间的相关关系与条件独立结构；第二层引入因果图（DAG）和 do 算子，区分条件概率 P(Y|X) 与干预概率 P(Y|do(X))，并通过后门调整、前门调整、工具变量等方法，在无法实施随机实验的条件下识别因果效应；第三层借助结构因果模型（SCM）进入反事实推理——用“溯因→作用→预测”三步回答“如果当年选了另一条路，结果会不同吗”。

本课程面向具备基础概率论知识的 AI 与系统科学方向学生，学完后，学员能够用贝叶斯网络建模变量依赖结构；用 d-分离判断图中的条件独立关系；通过后门准则和 do-calculus 从观测数据识别干预效果；以及用 SCM 的孪生网络框架完成反事实计算。

课程大纲

  1. Why Causality?

  2. Association: Bayesian Network

  3. Intervention: Causal Graph

  4. Counterfactual: Structural Causal Graph

关键术语

  1. 因果阶梯（Ladder of Causality）：Pearl 提出的三层认知框架——相关（见）、干预（做）、反事实（想），所需信息量和推理能力依次递增

  2. do 算子（do-operator）：表示主动将 X 固定为 x 的数学符号 do(X=x)，区别于被动观察条件概率 P(Y|X=x)

  3. 后门路径（Backdoor Path）：从处理变量 X 出发、含有指向 X 的箭头的非因果路径，是混淆偏差的来源

  4. 后门准则（Backdoor Criterion）：判断变量集 Z 能否通过调整消除混淆、使 do(X) 可从观测数据识别的图形条件

  5. d-分离（d-separation）：在给定观测集 Z 下，判断图中两变量集是否条件独立的图形准则

  6. 碰撞变量（Collider）：两个箭头同时指入的节点；控制 collider 会打开原本被阻断的路径，产生伪相关

  7. 结构因果模型（SCM）：由内生变量 V、背景变量 U、结构方程 F 和 U 的分布组成的四元组，是反事实推理的数学基础

  8. 工具变量（Instrumental Variable）：不受不可观测混淆影响、仅通过处理变量影响结果的外生变量

  9. 前门准则（Front Door Criterion）：通过中介变量 M 分两步识别因果效应，适用于后门路径因不可观测混淆无法被调整的场景



推荐书籍

打开网易新闻 查看精彩图片

课程信息

课程主题：因果科学简介

课程时间：2026年5月18日（周一） 13:30-16:15

课程形式：腾讯会议（会议信息见群内通知）/北师大海淀区线下授课（助教可协助入校）；集智学园网站录播（3个工作日内上线）

课程主讲人

张江，北京师范大学系统科学学院教授，集智俱乐部、集智学园创始人，集智科学研究中心理事长，曾任腾讯研究院、华为战略研究院等特聘顾问。主要研究领域包括因果涌现、复杂系统分析与建模、规模理论等。

个人主页：https://jake.swarma.org/

课程适用对象

  1. 理工科背景高年级本科生

  2. 理工科背景硕士、博士研究生

报名须知

1. 课程形式：

  1. 参与方式：付费学员可参与腾讯会议直播/北师大海淀区线下授课（助教可协助入校）

  2. 授课形式：

  1. 平时：课堂讨论与内容共创

  2. 结课：项目汇报

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

3. 课程定价：399元

课程链接：https://campus.swarma.org/v3/course/5684?from=wechat

付费流程：

  2. 课程页面添加学员登记表，添加助教微信入群；

  3. 课程可开发票。

课程共创任务：课程字幕

为鼓励学员深度参与、积极探索，我们致力于形成系列化知识传播成果，并构建课程知识共建社群。为此，我们特别设立激励机制，让您的学习之旅满载收获与成就感。

课程以老师讲授为主，每期结束后，助教会于课程群内发布字幕共创任务。学员通过参与这些任务，不仅能加深对内容的理解，还可获得积分奖励。积分可兑换其他读书会课程或实物奖品，助力您的持续成长。

推荐课程

参考课程

  1. 吴恩达：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/

【集智学园网站资源】

  1. 对复杂系统连续变化自动建模——Neural Ordinary Differential Equations解读https://campus.swarma.org/course/2046

  2. 复杂网络自动建模在大气污染中的应用https://campus.swarma.org/course/1998

  3. 两套因果框架深度剖析：潜在结果模型与结构因果模型https://campus.swarma.org/course/2526

  4. 稳定学习：发掘因果推理和机器学习的共同基础https://campus.swarma.org/course/2323

  5. 因果强化学习https://campus.swarma.org/course/2156

  6. 张江：因果与机器学习能够破解涌现之谜吗https://campus.swarma.org/course/4540

  7. 因果涌现理论提出者：Erik Hoel主题报告https://campus.swarma.org/course/4317

  8. 如何从数据中发现因果涌现——神经信息压缩器https://campus.swarma.org/course/4874

  9. 标准化流技术简介https://campus.swarma.org/course/1999

  10. 带隐状态的强化学习世界模型https://campus.swarma.org/course/4848

打开网易新闻 查看精彩图片