導(dǎo)語

集智俱樂部、集智學(xué)園創(chuàng)始人，北京師范大學(xué)張江教授開設(shè)了，致力于打破學(xué)科壁壘，將復(fù)雜系統(tǒng)與人工智能深度融合。從神經(jīng)網(wǎng)絡(luò)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(shí)戰(zhàn)，帶你親手落地AI項(xiàng)目。

作為系列課程的第十講，張江教授將以「因果科學(xué)簡(jiǎn)介」為題，沿“觀察→干預(yù)→反事實(shí)”三層因果階梯，用貝葉斯網(wǎng)絡(luò)、因果圖與結(jié)構(gòu)因果模型，應(yīng)對(duì)AI模型“知相關(guān)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(huì)議線上直播，北師大海淀區(qū)線下授課（助教可協(xié)助入校）。

課程簡(jiǎn)介

統(tǒng)計(jì)模型會(huì)告訴你運(yùn)動(dòng)與膽固醇正相關(guān)——但如果你強(qiáng)制一個(gè)人運(yùn)動(dòng)，膽固醇反而會(huì)下降。相關(guān)性與因果性的裂縫，恰好是當(dāng)前大多數(shù)機(jī)器學(xué)習(xí)系統(tǒng)的致命弱點(diǎn)：它們善于在固定分布中預(yù)測(cè)，卻無法回答"如果我這樣做，會(huì)發(fā)生什么"。這門課正面解決這類問題。

課程以圖靈獎(jiǎng)得主 Judea Pearl 的因果推斷體系為核心框架，沿“觀察→干預(yù)→反事實(shí)”三層因果階梯展開。第一層以貝葉斯網(wǎng)絡(luò)為工具，精確刻畫變量之間的相關(guān)關(guān)系與條件獨(dú)立結(jié)構(gòu)；第二層引入因果圖（DAG）和 do 算子，區(qū)分條件概率 P(Y|X) 與干預(yù)概率 P(Y|do(X))，并通過后門調(diào)整、前門調(diào)整、工具變量等方法，在無法實(shí)施隨機(jī)實(shí)驗(yàn)的條件下識(shí)別因果效應(yīng)；第三層借助結(jié)構(gòu)因果模型（SCM）進(jìn)入反事實(shí)推理——用“溯因→作用→預(yù)測(cè)”三步回答“如果當(dāng)年選了另一條路，結(jié)果會(huì)不同嗎”。

本課程面向具備基礎(chǔ)概率論知識(shí)的 AI 與系統(tǒng)科學(xué)方向?qū)W生，學(xué)完后，學(xué)員能夠用貝葉斯網(wǎng)絡(luò)建模變量依賴結(jié)構(gòu)；用 d-分離判斷圖中的條件獨(dú)立關(guān)系；通過后門準(zhǔn)則和 do-calculus 從觀測(cè)數(shù)據(jù)識(shí)別干預(yù)效果；以及用 SCM 的孿生網(wǎng)絡(luò)框架完成反事實(shí)計(jì)算。

課程大綱

1. Why Causality?

2. Association: Bayesian Network

3. Intervention: Causal Graph

4. Counterfactual: Structural Causal Graph

關(guān)鍵術(shù)語

1. 因果階梯（Ladder of Causality）：Pearl 提出的三層認(rèn)知框架——相關(guān)（見）、干預(yù)（做）、反事實(shí)（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(dòng)將 X 固定為 x 的數(shù)學(xué)符號(hào) do(X=x)，區(qū)別于被動(dòng)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(fā)、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(zhǔn)則（Backdoor Criterion）：判斷變量集 Z 能否通過調(diào)整消除混淆、使 do(X) 可從觀測(cè)數(shù)據(jù)識(shí)別的圖形條件

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

6. 碰撞變量（Collider）：兩個(gè)箭頭同時(shí)指入的節(jié)點(diǎn)；控制 collider 會(huì)打開原本被阻斷的路徑，產(chǎn)生偽相關(guān)

7. 結(jié)構(gòu)因果模型（SCM）：由內(nèi)生變量 V、背景變量 U、結(jié)構(gòu)方程 F 和 U 的分布組成的四元組，是反事實(shí)推理的數(shù)學(xué)基礎(chǔ)

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

9. 前門準(zhǔn)則（Front Door Criterion）：通過中介變量 M 分兩步識(shí)別因果效應(yīng)，適用于后門路徑因不可觀測(cè)混淆無法被調(diào)整的場(chǎng)景

推薦書籍

課程信息

課程主題：因果科學(xué)簡(jiǎn)介

課程時(shí)間：2026年5月18日（周一） 13:30-16:15

課程形式：騰訊會(huì)議（會(huì)議信息見群內(nèi)通知）/北師大海淀區(qū)線下授課（助教可協(xié)助入校）；集智學(xué)園網(wǎng)站錄播（3個(gè)工作日內(nèi)上線）

課程主講人

張江，北京師范大學(xué)系統(tǒng)科學(xué)學(xué)院教授，集智俱樂部、集智學(xué)園創(chuàng)始人，集智科學(xué)研究中心理事長(zhǎng)，曾任騰訊研究院、華為戰(zhàn)略研究院等特聘顧問。主要研究領(lǐng)域包括因果涌現(xiàn)、復(fù)雜系統(tǒng)分析與建模、規(guī)模理論等。

個(gè)人主頁：https://jake.swarma.org/

課程適用對(duì)象

1. 理工科背景高年級(jí)本科生

2. 理工科背景碩士、博士研究生

報(bào)名須知

1. 課程形式：

1. 參與方式：付費(fèi)學(xué)員可參與騰訊會(huì)議直播/北師大海淀區(qū)線下授課（助教可協(xié)助入校）

2. 授課形式：

1. 平時(shí)：課堂討論與內(nèi)容共創(chuàng)

2. 結(jié)課：項(xiàng)目匯報(bào)

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(jìn)行。

3. 課程定價(jià)：399元

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

付費(fèi)流程：

2. 課程頁面添加學(xué)員登記表，添加助教微信入群；

3. 課程可開發(fā)票。

課程共創(chuàng)任務(wù)：課程字幕

為鼓勵(lì)學(xué)員深度參與、積極探索，我們致力于形成系列化知識(shí)傳播成果，并構(gòu)建課程知識(shí)共建社群。為此，我們特別設(shè)立激勵(lì)機(jī)制，讓您的學(xué)習(xí)之旅滿載收獲與成就感。

課程以老師講授為主，每期結(jié)束后，助教會(huì)于課程群內(nèi)發(fā)布字幕共創(chuàng)任務(wù)。學(xué)員通過參與這些任務(wù)，不僅能加深對(duì)內(nèi)容的理解，還可獲得積分獎(jiǎng)勵(lì)。積分可兌換其他讀書會(huì)課程或?qū)嵨铼?jiǎng)品，助力您的持續(xù)成長(zhǎng)。

推薦課程

參考課程

1. 吳恩達(dá)：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(xué)園網(wǎng)站資源】

1. 對(duì)復(fù)雜系統(tǒng)連續(xù)變化自動(dòng)建?！狽eural Ordinary Differential Equations解讀https://campus.swarma.org/course/2046

2. 復(fù)雜網(wǎng)絡(luò)自動(dòng)建模在大氣污染中的應(yīng)用https://campus.swarma.org/course/1998

3. 兩套因果框架深度剖析：潛在結(jié)果模型與結(jié)構(gòu)因果模型https://campus.swarma.org/course/2526

4. 穩(wěn)定學(xué)習(xí)：發(fā)掘因果推理和機(jī)器學(xué)習(xí)的共同基礎(chǔ)https://campus.swarma.org/course/2323

5. 因果強(qiáng)化學(xué)習(xí)https://campus.swarma.org/course/2156

6. 張江：因果與機(jī)器學(xué)習(xí)能夠破解涌現(xiàn)之謎嗎https://campus.swarma.org/course/4540

7. 因果涌現(xiàn)理論提出者：Erik Hoel主題報(bào)告https://campus.swarma.org/course/4317

8. 如何從數(shù)據(jù)中發(fā)現(xiàn)因果涌現(xiàn)——神經(jīng)信息壓縮器https://campus.swarma.org/course/4874

9. 標(biāo)準(zhǔn)化流技術(shù)簡(jiǎn)介https://campus.swarma.org/course/1999

10. 帶隱狀態(tài)的強(qiáng)化學(xué)習(xí)世界模型https://campus.swarma.org/course/4848