电流和电压的公式是U=IR，这个公式中，是人类定义的。

光看这个公式觉得I和R决定了U，然而，R会随着温度变化，所以这个公式只是描述一个规律，并让人类好理解这个世界。

还有R=U/I，没有说是谁导致了谁，并不在乎因果，只是描述一个“规律”。

在大家的意识中，因果关系是相关性正好等于100%，如果A发生，那么B一定发生，就是相关系数等于1。

假如我和你都是小学生，你和我肯定都在长个子，那么你长高，我也长高，在这5年之内，你长高我也长高的相关性是1。大家都知道，因为我和你还在成长期。不是你长高，我也长高。

或许，你现在看到这里觉得很可笑，这不是谁都知道吗。但是生活中，各种事情在我们的生活中存在很多，只是我们没有意识到，还有这些事情没有威胁我们的生存。

后来又有哲学家想了个办法。说所谓 “X 导致 Y”，这个因果关系可以用 P(Y|X) > P(Y) 来定义：X 的出现，增大了 Y 出现的可能性。这是一种概率化的因果，但是也不能排除单纯的相关性。

珀尔倒是给了一个更好的定义：P(Y | do(X)) > P(Y). 也就是说，如果你单方面对 X 做一个干预动作，导致 Y 的概率增加，那么就是 X 导致了 Y。这个可能是目前为止最合理的定义。

但是我觉的都不合理，因为这个世界非常复杂，影响的因素很多，然而我们这样生存，我们只能尽可能推倒旧的知识，创建新的知识，再等着更新的知识来再推倒新的知识，这个过程不断继续下去，这就是科学的精神。

比如说，一个国家的人均巧克力消费量，和这个国家的诺贝尔奖得主人数，有一个非常强的正相关。

皮尔逊说这就是一个没什么意义的伪相关。你总不可能说吃巧克力有利于得诺贝尔奖。让我们解释这个相关性的话，肯定是巧克力消费量高是因为这个国家的经济比较发达，而经济比较发达的国家容易出诺贝尔奖得主。

然而，你这么思考问题了，就用了因果关系了。

这推论就好玩，就纠结了。明摆知道有些就是伪相关。然而，真的巧克力消费高就说这个国家经济发达，巧克力原产国不一定是一个落后的国家了。还有一定经济发达的国家就更容易获得诺贝尔奖了，肯定还有其他因素影响着。

人类更喜欢用因果关系，因为用因果关系的思维去思考问题，我们觉的很有用。

这时候，我想到人工智能和大数据，这些东西也是人类的主观选择，人类定义数据的大小，范围等等，还有用什么样算法，其实都是人的主观选择。

数据是客观的，而人的观点是主观的。相关性是客观的，因果是主观的。你想想人工智能和大数据，你就会另外的想法。

因果分析这个思想的最高妙之处就在于，你无须确定真正的因果关系，你无须回答“为什么”。

真实世界里任何事情都是错综复杂的，你根本就无法列举影响一个结果的所有可能缘故。你必须做出各种取舍，你只能把你认为最重要的缘故画在图上。图画完了，你并没有科学地、彻底地、逻辑完备地回答“为什么”，你只是说，根据你的猜测，应该是因为这几个缘故。

而事实上也不需要回答“为什么”。我们在生活中的实际应用，对改变世界真正有用的，其实就是回答“观察、干预、想象”这三种问题！

所以因果分析的最终目的不是查明因果关系，而是回答三种问题。这三个问题比因果关系更基本 —— 因果关系只是我们回答问题的手段。

没有这个手段，只靠数据分析，你回答不了第二和第三种问题。当然，有了这个手段，如果你的因果模型不准确，你给的答案也会不准确 —— 你可能会漏掉一个特别重要的因果关系，你可能忽略了黑天鹅事件。但是这不要紧！预测未来的事儿本来就是谁也保证不了100%准确。

哲学家的世界观谁也反驳不了，但我们这里不解决世界观问题，我们解决方法论问题就可以了。

最后，请注意，虽然模型是主观的，但是因果分析仍然具有客观的性质。如果两个人的假设相同，他们画的因果关系图就是一样的，那么因为接下来的数学方法是客观的，这两个人对未来的预测，必定是100%相同。

我建议你花点时间琢磨一下这个道理，这里边有哲学。主观和客观，非常有意思。按理说这个世界应该是完全客观的存在，科学家一直在试图客观地认识世界。可是我们不管是给东西分类也好，提出因果关系也好，做预测也好 ——

只要你心念一动，你就必然是主观的。