在人工智能狂飙突进、大型语言模型（LLM）几乎垂直统治舆论场的今天，一场跨越半个多世纪学术生涯的深度对话，为这场喧嚣提供了一种截然不同的冷静视角。
播客节目The Peterman Pod近日播出对2011年图灵奖得主朱迪亚·帕尔（Judea Pearl）长达一个半小时的访谈,这位以贝叶斯网络与因果推理理论奠定学术地位的计算机科学家,在访谈中重申了一个贯穿其学术生涯的核心命题:当今主流的大语言模型固然强大,但只要它们停留在"统计相关性"的层面,而未能真正理解"因果关系",就永远无法抵达通用人工智能（AGI）的终点。
从超导体到贝叶斯网络：一段意外的学术转向
帕尔的学术起点与因果推理相去甚远。他早年在以色列接受电气工程与物理训练,随后在美国投身超导体存储器研究,甚至因发现"珀尔涡旋"（Pearl Vortex）这一物理现象而留名学界。
然而,当半导体存储技术最终击败了超导方案,帕尔转向加州大学洛杉矶分校（UCLA）任教,并逐渐将研究兴趣转向模式识别与人工智能——彼时的AI研究,仍主要局限于国际象棋、跳棋等博弈游戏的搜索算法。
真正的转折发生在专家系统的开发过程中。帕尔回忆道,早期的医学诊断专家系统试图用逻辑规则捕捉医生的诊断经验,但现实世界充满不确定性,单纯的逻辑规则无法妥善组合概率信息。
这促使他转向概率论,并最终提出了贝叶斯网络——一种借助图结构来表达变量间条件独立关系的框架,从而绕开了概率计算在处理大规模变量时面临的指数级复杂度难题。这项工作后来成为帕尔荣获图灵奖的核心贡献,也被视为人工智能领域应对不确定性推理的一次范式革命。
图｜Ryan Peterman（左）和 Judea Pearl（右）（来源：Youtube）
然而,帕尔在访谈中坦言,贝叶斯网络本身仍有其局限。他注意到一个耐人寻味的心理现象:专家在构建因果图谱时,箭头总是从"病因"指向"症状",而绝不会反过来——这种方向性,恰恰是纯粹的概率论无法解释的。这一观察,最终引导他踏上了创立"因果科学"这一全新数学体系的道路。
因果之梯：从"关联"到"干预"再到"反事实"
图｜卡尼曼提出的“双系统理论”将人类思维划分为快速、自动化的“系统 1”和缓慢、审慎的“系统 2”。（来源：Linkedin）
帕尔学术思想中最具标志性的贡献,是他提出的"因果关系阶梯"（Ladder of Causation）三层框架,这一理论此前已在其著作《为什么》（The Book of Why）中系统阐述,并在此次访谈中得到进一步梳理。
图｜因果阶梯（来源：Medium）
阶梯的最底层是"关联"（Association），对应的正是当今统计学与机器学习的主战场——观察数据中变量之间的相关性,例如统计吸烟者与患病风险之间的关系,却不对现实世界施加任何主动干预。
帕尔指出,这正是几乎所有大学统计学入门课程所教授的全部内容,也是当前大语言模型运作的根本逻辑：通过海量文本学习词语与概念之间的统计共现模式。
第二层是"干预"（Intervention），即回答"如果我主动改变某个变量，结果会怎样"这类问题。帕尔以吸烟为例：观察一个自然选择吸烟的人和强制要求一个人每天吸五包烟,二者所需的推理方式截然不同——后者需要借助实验数据或因果模型,而非单纯的观察统计就能回答。
阶梯的最高层则是"反事实"（Counterfactuals），即解释与追溯——回答"如果当初没有发生某件事,结果会有何不同"这类假设性问题,这也是人类日常归因、追责乃至科学解释所依赖的核心推理能力。帕尔强调,这三层阶梯构成了一个严格的层级体系:要回答更高层级的问题,必须具备相应层级或更高层级的假设与知识,单纯堆砌底层的观察数据,无论规模多么庞大,都无法自动"升级"到干预或反事实层面的推理能力。
LLM的天花板:统计规律的"平均判断"能走多远
将这一理论框架映射到当下的AI浪潮,帕尔对大语言模型的态度显得颇为微妙——既不否认其惊人的实用价值,也毫不掩饰对其根本局限的忧虑。
他将LLM的本质概括为"对互联网上数以万亿计的人类判断所做的一种平均汇总"，这种基于海量语料统计规律涌现出的能力,固然能产生令人惊讶的表现,但这种"群体智慧"同时也潜藏着风险:模型无法甄别判断的可靠来源,也难以避免被恶意或错误信息污染。
更根本的是,帕尔认为LLM目前所展现的能力,本质上仍停留在因果阶梯的第一层——关联层面。它们擅长捕捉文本中的统计共现模式,却缺乏对变量间因果结构的显式建模能力,因此在回答需要主动干预推理或反事实解释的深层问题时,往往力不从心,甚至给出看似合理却经不起推敲的回答。
这与帕尔数十年来反复强调的观点一脉相承:真正的智能,不应止步于"发现规律",还必须能够理解"为什么会有这样的规律"，以及"如果改变某个因素，规律是否依然成立"。
值得注意的是,帕尔并未因此否定AGI的可实现性——事实上,他回忆道,早在上世纪六十年代,几乎所有从事计算机研究的学者都坚信,机器终将实现对人类全部认知功能的模拟,争论的焦点从来只是"何时"与"如何"，而非"是否"。
半个多世纪后的今天,帕尔依然持有类似的乐观信念,只是他将怀疑的矛头,精准指向了当下以LLM为代表的技术路径本身是否足以承载这一使命。在他看来,唯有将因果推理这套显式的、可解释的推断机制,深度融入到未来的智能系统架构之中,机器才能真正跨越从"知其然"到"知其所以然"的关键门槛,朝着名副其实的通用人工智能迈出坚实一步。
热门跟贴