今天早上读到一篇关于因果推断的文章。让我想起北京大学的耿直老师。耿老师是我非常敬重的学者。十多年前，我从耿老师那里学到了这个概念，我觉得特别有意思。但我总是觉得有点不解：从数据上能推断出因果关系吗？
若干年后我终于想明白了：数学中的因果关系和客观世界的因果关系其实并不一样。数学领域的因果关系一定是有前提假设的。我估计，这些假设应该包括：“原因”是可见的、并且与其他变量有一定的独立性。在这些条件边界内，我们可以推断变量之间是否有因果关系。但是，如果数据不满足这些条件，数学上的因果关系就不是客观世界的因果关系。比如，推定某个变量X1是“原因”时，客观世界的真正原因可能是某个未被采集的、并且与之相关的X2。
“因果推断”是有价值的，价值在于帮助人们做分析。但做分析的前提必须人类去准备、去判断。但数据的准备和判断并不容易。我曾经多次说：经典统计学理论之所以被有些人认定为“无效”，其实是因为数据准备不到位。而大数据时代的变化之一，就是便于我们选择数据、准备条件。
另外，今天早上还读到一页纸，对控制理论的方法进行了综述。应该说，这一页纸的总结相当全面。但我内心却想：即便这些方法都掌握了，遇到现实问题可能仍然不会做。为什么呢？因为很多人不知道如何根据现实条件选择方法。
一般来说，现实的条件总是与理论上说的不一样。看清楚现实条件的影响、做出恰当的假设，是比用算法更大的能耐、需要更大的视野。
我们在小学、中学、大学乃至研究生阶段受到的教育、学到的知识，总是在一定的假设下成立的、是有边界条件的。这样会养成一种“封闭”的思维方式。但实际工作和读书是不一样的。做实际工作的时候，必须有更大的视野：你需要去思考一下，你的假设到底是不是成立。要学会根据实际情况选择方法，而不是奢求实际服从你认可的理论。
作者：郭朝晖(工学博士，教授级高工。企业研发一线工作20年；优也科技信息公司首席科学家；东北大学、上海交大等多所院校兼职教授。国内知名智库、走向智能研究院的发起人之一。原宝钢研究院首席研究员)
