魏 涛，杜国平

(1.中国社会科学院大学 哲学院， 北京 102488； 2.中国社会科学院 哲学所， 北京 100732)

现阶段的人工智能是数学式的信息处理系统，在一定程度上可以回答问题、解决问题，但无法理解问题、思考问题，缺乏可解释性。而因果性解释能够回答为什么的问题，是科学解释的主要形式。朱迪亚·珀尔(Judea Pearl)将“为什么”作为科学解释的核心问题，认为当前的“智能机器缺乏对因果关系的理解，这也许是妨碍它们发展出相当于人类水平的智能的最大障碍”[1]。基于统计学的视角，珀尔等人构建了一套能够将预测、干预和反事实算法化的因果语言，通过因果模型表征因果知识，给出了因果关系的形式化、数学式的定义。HP定义是一种应用性定义，在一定程度上符合因果定义的基本要求：时序性、相关性和不间断性；可为人工智能领域表征因果知识提供方法，为确立实际原因提供一般性原则。

一、因果定义的划分

20世纪以来，对因果关系的讨论不再局限于哲学领域，还出现在统计学、心理学、物理学和人工智能等多个学科领域的研究中，由定性研究转向定量分析，由还原分析转向路径分析，呈现出学科结合的研究趋势。在哲学领域中，孔斯(Koons)认为：“近年来因果研究的分野主要来自对事件—类型间因果关系和事件—殊型间因果关系的关注。”[2]但是，从近几年的文献中可以发现，殊型和类型因果关系的研究并非是泾渭分明的，而是将反事实分析、语境、过程、时间等因素和概率因果论相结合，多元化地定义因果关系，并综合考察事件间因果关联的可能性。……