因果推理和因果认知：当代逻辑与哲学发展的一个新的生长点——四川大学博士生导师任晓明教授访谈

任晓明，李晟

任晓明（1953-），四川泸州人，1979年至1986年在北京师范大学学习，获哲学学士和哲学硕士学位。1987年至1990年在武汉大学学习，获哲学博士学位。2001年至2020年任教于南开大学哲学院，其间于2004年至2005年赴美国堪萨斯大学访问交流。2021年至今被聘为四川大学文科讲席教授。

任晓明教授主要从事逻辑学与科学哲学研究，在《中国社会科学》《哲学研究》《世界哲学》《自然辩证法研究》《科学技术哲学研究》等学术期刊上发表学术论文百余篇，出版了《逻辑学视域中的认知研究》《决策、博弈与认知——归纳逻辑的理论与应用》《非经典逻辑系统发生学研究》《计算机科学哲学研究》《生物科学哲学》等多部学术专著，主持并完成国家社科基金重大项目、教育部人文社科重点研究基地重大项目等各级各类研究项目多项。研究成果多次获得金岳霖学术奖、中国逻辑学会人文社会科学优秀成果奖、高等学校科学研究人文社会科学优秀成果奖、四川省哲学社会科学奖、天津市哲学社会科学奖等各类学术奖项。近年来，因果逻辑是任晓明教授主要关注的研究领域，尤其是以逻辑与哲学为视角分析因果逻辑相关问题。

李晟（以下简称“李”）：任老师，您好！很荣幸这次能够采访您。新冠肺炎疫情发生后，线上学术交流越来越流行。得益于互联网平台，我也有机会在各类学术会议上聆听到您的讲座。我注意到，您最近的研究工作主要是围绕因果逻辑展开的，所以我想先请您谈谈，您是如何关注到这一研究领域的呢？

任晓明（以下简称“任”）：感谢你的采访。因果逻辑和因果哲学的研究其实有着相当悠久的历史。在近代科学研究中，因果问题就是一个绕不开的话题。科学家们会借助因果概念、因果原则来说明物理世界。但随着人们对世界的进一步认识，尤其是相对论和量子力学的出现，因果概念所具有的模糊性使得人们不太愿意研究因果问题。进入到20世纪中叶，有关因果的研究才重新兴起。这一时期的研究成果包括阿瑟·勃克斯（A.Burks）的因果陈述逻辑、大卫·刘易斯（D.K.Lewis）的反事实因果逻辑、乔纳森·柯恩（L.J.Cohen）的归纳支持分级理论与非帕斯卡型归纳概率逻辑等。但这些研究进展得并不十分顺利，其发展较为缓慢。近些年来，朱迪亚·珀尔（J.Pearl）的结构因果模型方法成为最突出、最为人们关注的因果逻辑研究成果，它在计算领域也得到了广泛的应用。

我在求学期间其实就研究过与因果逻辑相关的内容，我的硕士学位论文就是围绕勃克斯因果陈述逻辑完成的。我攻读博士学位期间研究的归纳支持分级理论与非帕斯卡型归纳概率逻辑也与因果逻辑有着密切关联。最近几年，关于因果问题的研究越来越多，不过这些研究主要集中于计算机科学、人工智能等领域。相比之下，逻辑和哲学在因果问题上还有广阔的研究前景。

此外，我认为因果研究也与我们的生活实践密切相关。自2020年新冠肺炎疫情暴发以来，人们生活的方方面面都发生了改变。我注意到，相比于“新冠肺炎是什么”，人们其实更加关注“新冠肺炎为什么出现、为什么传播”，以及“面对新冠肺炎疫情，我们该怎么做”。还有，我们国内很多地方都在人员易聚集的场所设置了“临时观察室”，以便对特殊情况及时采取必要的进一步措施。所谓“特殊情况”，通常是指出现了发热、乏力、咽痛、流涕等与感染新型冠状病毒类似的症状。尽管出现这些情况并不意味着真的感染了新型冠状病毒，但人们会倾向于认为“采取积极主动的防疫手段”与“控制疫情发展”之间是存在因果联系的。类似这样的生活实例说明，因果研究不仅具有理论价值，而且具有实际意义。

李：如您所说，因果研究具有理论和实际的双重价值，是一块值得深耕的沃土。但据我了解，您刚刚提到的因果陈述逻辑、反事实因果逻辑和非帕斯卡型归纳概率逻辑似乎并不是热门的研究领域，一直以来关注的人都是相对较少的。这些理论的不足，或者说它们所面临的困难主要体现在什么地方呢？

另外我还观察到，仅就当前人们关注得较多的珀尔结构因果模型理论而言，与之相关的研究工作主要集中于近三十年间，而我们国内则主要是近几年出现了大量研究成果。所以我还想问问您，珀尔的理论较之于他的前人的理论有哪些创新之处呢？他的理论是对前人工作的跟进，还是对前人工作所作的突破呢？

任：因果陈述逻辑、反事实因果逻辑和非帕斯卡型归纳概率逻辑的确都不是十分热门的研究领域，它们也确实遇到了一些难以回答的问题。先说因果陈述逻辑和反事实因果逻辑，它们都是参考模态逻辑的方法建立起来的。勃克斯将一般模态逻辑中行之有效的演算和可能世界语义学扩展到因果模态句中，建立了因果陈述逻辑。勃克斯仿照模态逻辑提出了“因果蕴涵”“因果必然”“因果可能”等一系列新概念，并建立了一个因果陈述句的公理系统。这是最早的因果逻辑公理系统之一。实际上，勃克斯建立因果陈述逻辑的方法是一种“将归纳划归为演绎”的做法，也就是说，勃克斯因果陈述逻辑是对经典演绎逻辑的继承与扩展。反事实因果逻辑，则是刘易斯基于对休谟因果思想的考察而建立的。刘易斯认为，休谟式的对因果的规则性解释是一种经验概括，而因果关系应当具有某种模态效力。由此，刘易斯从反事实条件句入手，给出了因果关系的定义。他定义了事件之间的反事实依赖（counterfactual dependence）关系，并用反事实依赖关系建立起事件之间的因果链条（causal chain），继而定义并刻画因果关系。此外，刘易斯还给出了基于可能世界相似性比较的语义解释。他以可能世界间的总体比较相似性（comparative over-all similarity）关系作为初始概念，来表达一个可能世界相对于其他可能世界而言，是否更接近或最为接近现实世界。

然而，要依循模态逻辑构建因果逻辑，首先需要回答这样一个问题：因果逻辑是否应当遵循模态逻辑的方法来建立，其恰当性何在？例如，由于勃克斯因果陈述逻辑是在经典逻辑基础上加上模态算子而形成的扩展型演绎逻辑，所以，为规避蕴涵怪论问题，它不得不增加若干规则和附加条件，这使得它的形式系统不必要地复杂化，也使得它的解释力较弱，可应用范围大受限制。而刘易斯提出的比较相似性也因其概念上的含混受到人们的质疑与诟病。甚至刘易斯本人也承认，每一个可能世界都是一个极为复杂的系统，对其相似性的比较并不存在唯一合理的标准。这些问题似乎都表明，研究因果推理不宜直接照搬模态逻辑的做法。但当时的人们似乎别无选择，因为在当时已有的逻辑中发展相对成熟的只有经典演绎逻辑。这就好比在一个月黑风高之夜，警察问一位在路灯下找钥匙的年轻人：为什么在这里找？回答是：这里灯亮！显然，演绎就是那茫茫夜空中唯一的一盏明灯。但我们仍然需要认识到，因果推理并不是演绎推理。不知你有没有注意过这样一个问题：因果推理绝对不可能像经典逻辑那样被先验地发现，它必须而且只能是后验的，也即是诉诸经验的。人的经验总是与特定的情境和次序有关，所以，对于“是否能建立起普遍有效的因果推理”“因果推理是否能够具备因果必然性”这样的问题，我们目前仍是存疑的。这也正是因果推理面临的演绎困境。一言以蔽之，因果推理不具有演绎推理的必然保真性。

与因果陈述逻辑和反事实因果逻辑的研究方法不同，柯恩是从实验自然科学的实际出发来建立他的理论的。他继承了培根归纳逻辑的恰当方面，强调了经验事实对于建立归纳逻辑的基础性作用，并指出了归纳逻辑与科学的密切关联。柯恩认为，既然科学理论往往是不完全的，那么逻辑体系就需要与这些不完全的科学理论相协调，这样一来，在科学理论与科学实践中，相比于传统的帕斯卡概率，非帕斯卡概率或许更加适用。沿着这种思路，柯恩创建了非帕斯卡型归纳概率逻辑，这是一种培根型归纳概率逻辑。柯恩理论的优势主要体现在两个方面：其一，它感兴趣的是什么引起什么，而不仅仅是发生了什么。也即是，它对“为什么”更感兴趣，而不仅对“是什么”。其二，培根型归纳逻辑依据证据变化进行归纳、知识通过形式的等级而进步的思想也是十分恰当的，这很好地反映了科学认识的多样性、复杂性和多层次性，特别符合实验自然科学实际。不过非帕斯卡型归纳概率仍有不足。相比于帕斯卡型概率，非帕斯卡型归纳概率还略显稚嫩和粗糙。并且柯恩仍然将模态逻辑视为归纳支持逻辑和归纳概率的核心，从而使得非帕斯卡型归纳概率逻辑不得不面临与勃克斯理论和刘易斯理论相同的麻烦。

而珀尔的结构因果模型理论则开创了一种不同于前人的新的做法。一方面，他是从人工智能视角出发来讨论因果问题的。人工智能是对人的智能的模拟。既然因果推理是人类智能的重要组成部分之一，那么人工智能就必须要能够掌握因果关系，而且最好是能够学习因果关系。珀尔把对因果关系的学习划分为观察、干预和反事实三个由低到高的认知层级。他认为，目前所谓的“人工智能”还只是停留在观察层级，也就是观察到某种情况，随后做出某种回应。比如，我们在网上下单购买了图书，下次购物软件就会给我们自动推送图书类的广告。这体现的是相关性，而不是因果性。珀尔指出，人工智能机器只有具备处理反事实推理的能力，能够考虑“如果当时做了什么，现在会怎样”这样的问题，才是真正具有了因果推理能力，才是比较强健的人工智能。

另一方面，在具体的做法上，珀尔和前人也有很大不同。珀尔创立了一种叫作“do-演算”的算法，这种算法有一套可操作的流程，能够基于因果图并根据概率论的算法消除特定的“do-算子”。这样一来，我们可以采用数学方法来研究干预层级的因果问题，也即是考虑“如果干预某事，会发生什么”这样的问题，人工智能也有望进入到因果学习的第二层级，从而理解和掌握干预。而且，珀尔所用到的概率论是主流的帕斯卡型概率，所以相比于柯恩的非帕斯卡型概率，珀尔的理论也更容易为人们所理解并接受。这是珀尔的结构因果模型对前人工作取得的重大突破。

珀尔的结构因果模型尝试在计算机上寻找合适的数据结构和算法来对应于人脑中的内部表征和计算过程，从而实现智能。这种实现智能的方式旨在主动寻找所需知识，而不是机械地先把所有知识集成起来，再看问题是否可解。而且珀尔的方法还假定人脑在某一层次上有一个因果联系图，可以刻画人们在确定一个事件真正原因时的实际思维过程。这一思想彻底改变了人工智能最初基于规则和演绎逻辑的研究方向，在人工智能领域引发了一场重大的思想转变。

除此之外，珀尔的结构因果模型还可以“翻译”为刘易斯系统的公理和规则，它可以克服刘易斯系统的困难，包括传递性问题、不对称问题，等等。而且，它不仅可以刻画不确定推理，也可以刻画确定性推理；不仅可以刻画因果推理的非单调性，也可以刻画其中的单调性。总之，珀尔的结构因果模型可以克服因果模态方法和反事实方法面临的困厄。

李：您对结构因果模型的阐释让我联想到了近代科学由“本质”到“规律”的转向。与其说自然科学中的伽利略革命是“描述先于解释”，倒不如说，通过伽利略革命，自然科学的理论重心从“目的论解释”转向了“定量描述”。通过“解释”，人们试图揭示的是事物的“本质”，而通过“描述”，人们试图揭示的是事物的“规律”。从研究“本质”到研究“规律”的转变，被认为是伽利略革命的关键所在。

而无独有偶，哲学领域也有类似“伽利略革命”的巨变。传统的真理论一直把“下定义”作为真理论最核心的问题之一，人们尝试了各种定义来试图把握“真”这个概念的本质，但从未达成共识，因而也从未获得真正成功。塔斯基（A.Tarski）则一改从前，尽管他仍然强调自己的目标是下定义，但他的理论重心已经悄然转向了“真”概念的规律。他的真之递归定义虽然并不能说清楚什么是“真”，但却让人们看到了由简单真语句通过逻辑联结词和量词构成复合真语句的基本规律。而追随塔斯基的转向，此后的真理论一路高歌猛进、蓬勃发展，大大超越了前人。

任：对，你的说法很有道理。反观因果逻辑的研究，珀尔的理论的确体现了因果研究重心由“因果的本质”向“因果的规律”的转变。比如，勃克斯建立了完备的因果陈述逻辑的公理系统及其因果可能世界语义学，从逻辑的角度来看，这的确不失为非常成熟和完善的理论。但是这只是关于因果的本质的理论，而并非关于因果的规律的理论。尽管我们从勃克斯的系统中也能看到关于因果的某些公理和定理表现出了某种“规律”的特征，但是通过这些公理和定理，我们更多的是认识到因果是什么，它的性质如何，等等。而作为“规律”，它们在实践中的实际运用价值确实是不高的，而且也比较缺乏定量方面的描述。再比如，尽管柯恩的理论中包含着明显的定量分析，并且具有可操作性，但柯恩理论仍是研究“因果的本质”的，因为柯恩从非帕斯卡概率出发是为了更恰当地解释因果应该是什么样的。而珀尔的理论就与之不同了。通过do-演算，我们非常清楚我们在什么情况下可以怎么做，但是这些规则却并非回答什么是干预，什么是因果。不仅如此，即使在概念的定义方面，珀尔的理论也充分地表现出“规律”性。总之，珀尔的理论中处处呈现“定量描述”的影子。

珀尔的理论正是通过引入数学方法使得因果研究的“定量描述”成为可能，也使得因果研究更具有科学色彩。我认为，珀尔所开创的因果逻辑是一种既不同于演绎逻辑，也不同于通常的概率归纳逻辑的“第三条路径”。刚刚已经提到，遵循演绎推理特征构建的因果逻辑理论面临着许多困难。但也要看到因果逻辑与概率归纳逻辑的不同之处，尽管它们都采用了经典的概率论，但因果推理是具有某种确定性的。因果必然性是一种律则必然性（nomic necessity）。

实际上，我们对于归纳逻辑是存有一定的误解的。其实古典归纳逻辑是很强调因果推理的，比如，培根归纳法和穆勒求因果五法就是希望通过排除不恰当的或假性的因果关系，从而找到恰当的因果关系。即使是休谟问题，它也是对因果概念提出的质疑。不过这使得现代归纳逻辑走向了概率化，相关性逐渐取代了因果性。20世纪的现代归纳逻辑似乎忘记了归纳逻辑的“初心”，其中鲜有关于因果问题的讨论。所以我认为，尽管现代归纳逻辑也取得了丰硕的成果，但它用概率化取代因果化，或者说以相关关系取代因果关系的做法是不恰当的。因果关系与相关关系终究还是存在着巨大差别的两个概念。比如，因果关系具有方向性，原因会影响结果，而反之不成立，但相关关系就不涉及方向性的问题。再比如，面对共同的原因，概率方法往往也不能做出令人满意的说明，因为总有许多考虑不到的混杂因素会影响计算结果的准确性。二者之间的差异在人工智能时代尤为明显。因此，我们仍有必要从逻辑和哲学的角度系统考察因果概念和因果推理。这也是珀尔理论所具有的独到价值。

李：您刚刚对因果逻辑的评价，尤其是您提到的因果逻辑与演绎逻辑、归纳逻辑的区别让我深受启发，那么能不能请您进一步谈谈因果推理的特征呢？

任：好的。我们之所以说因果逻辑是演绎逻辑与归纳逻辑之外的“第三条路径”，是因为珀尔的结构因果模型既包括演绎因素，又考虑了具有不确定性的概率因素，从而把因果与概率熔为一炉，超越了逻辑学通常的演绎和归纳的截然二分，或者说演绎与非演绎的截然二分。再说得更具体一些，我们还可以总结出因果推理的如下特征：

首先，因果推理具有非单调性和可废止性（defeasibility）。在因果推理中，“从A到B的推理是有效的”并不能必然推导出“从A和C到B的推理是有效的”。尽管前提确实能够在一定程度上为结论提供支持，但如果在前提中新加入一些前提，这种支持就有可能不成立了。换句话说，对于因果推理而言，前提可能是真的，但结论却不一定为真。比如自2020年新冠肺炎疫情暴发以来，这两年间，我们对新型冠状病毒的认识是逐渐深入的。但时至今日，人们对于病毒产生的原因仍没得出确切的结论，其原因就在于，随着我们对新型冠状病毒的认识越多，就越是在推翻我们起初对病毒成因的推测。这就是非单调和可废止的表现。我们还可以以历史上关于霍乱病因的讨论来说明这点。19世纪40年代初的英国主流医学界认为，霍乱是由于不干净的空气所导致的，因为工业革命的迅猛发展造成了城市环境和公共卫生条件的急剧恶化。但有的流行病专家通过调查霍乱死亡病例的时空分布，发现了公共水井与霍乱病毒传播之间的联系，从而证明了霍乱与水源之间存在因果关系，而与空气没有必然联系。事实上，类似的例子在人类科学史和医学史上还有很多，它们都能体现因果推理的非单调性和可废止性。

其次，因果推理具有“保义优先，保真在后”的特点。这主要是因为，因果推理的价值必须要通过与日常实际相结合才能够得到体现，那么这样一来，在因果推理的过程中就会涉及一些不言而喻的规则。由于这些规则的合理性依赖于所涉及的逻辑术语本身的含义，所以因果推理有必要优先考虑保义性，而不必像经典演绎推理那样优先追求保真性。这就像柯恩所说的，“科学的基本目的是追求逼律性（legisimilitude），而不是追求逼真性（verisimilitude）”。这与因果推理“保义优先，保真在后”的特点有异曲同工之妙。

再次，因果推理还需要同时兼顾外延适当性和内涵适当性（extensional and intentional adequacy）。也就是说，因果推理系统既要能够推导出那些我们直觉上认可的因果关系事件序列和过程，又要体现与因果关系相关联的前理论阶段的老生常谈（platitudes），比如原因先于结果、因果关系具有不对称性、原因产生结果、结果反过来取决于原因，等等。总之，因果推理研究应该在外延适当性和内涵适当性之间保持必要的张力。

李：我认为，您总结的这几点因果推理的特征，它们都体现了因果推理所具有的鲜明的实践价值。而相比于西方的演绎逻辑传统，我们东方逻辑传统通常被认为具有更强的应用性。从这种意义上讲，我们能不能从东方逻辑中汲取营养，从而为因果推理的研究带来一些启发呢？

任：你的这个想法很有道理。东方逻辑具有的应用性、经验基础性，形式真与实质真结合的实践性、非经典演绎逻辑和非演绎逻辑相互联系的特质，这些特点是西方传统下基于数学理性主义的逻辑所不具有的。比如我们中国逻辑就十分重视形式真与实质真相结合的研究。我们最为熟悉的“白马非马”的例子，如果从形式上分析，那么它显然是诡辩，但是如果考虑形式真与实质真相结合，它就能够自圆其说了：“马者所以命形也，白者所以命色也。命色者非命形也。故曰白马非马。”这种将形式真与实质真结合起来的思维方式恰恰与因果推理所具有的非单调性、保义优先性等特征相呼应，启示我们完全有可能开创一条不同于经典演绎逻辑的东方因果逻辑之路。

此外，印度逻辑也对研究因果逻辑有着很重要的意义。尤其是21世纪初以来，我国印度逻辑研究迎来了前所未有的大好局面，特别是佛教因明作为“冷门绝学”得到了国家的大力扶持。我们研究发现，在印度因果推理研究中，当前因果逻辑的诸多问题都有似曾相识的迹象。实际上，佛教因明研究中就包含着因果推理，但国内外学界对此比较忽视。这种因果推理的跨文化研究可以扭转一些西方学者对东方逻辑的偏见，也能够为我国东方逻辑研究的全面展开奠定基础，为同属东方逻辑的中国逻辑研究提供助推和启示。

李：如您所说，因果逻辑自身不仅具有广阔的研究前景，而且它还能与东方逻辑联系起来，从而实现因果逻辑的跨学科、跨文化研究。那么在访谈的最后，能不能请您从咱们逻辑与哲学的专业视角，对因果逻辑研究做一些展望呢？

任：首先，我认为人工智能科学界和哲学界可以加强协作，携手共进，把人工智能和哲学的研究推向新的阶段。一般情况下，人工智能技术领域的专家们热衷于人工智能的具体任务，喜欢从事弱人工智能的研究，但对强人工智能抱有敬而远之的态度。而哲学家们虽然对强人工智能抱有兴趣，但每当谈到具体实现途径时又往往讳莫如深。只有那些既有哲学情怀，又有数学和逻辑素养的科学家兼哲学家，才有可能在这类问题上有所突破。珀尔就既是一位哲学家，又是一位获得过图灵奖的科学家。我认为，他能够在因果研究领域取得重大突破与他的哲学家、科学家双重身份不无关系。勃克斯也是美国密西根大学数学系和哲学系双聘教授，所以他提出因果和概率相结合的计算机模型也并不令人感到意外。可见，人工智能科学界和哲学界不能自扫门前雪，应该加强协作，携手共进，把人工智能和哲学的研究推向一个新阶段。

不仅如此，我还认为，因果逻辑的发展能够促进哲学和人工智能的进步。如果说因果逻辑的探索对计算机科学和人工智能是一场革命，那么可以说，它也将极大改变科学哲学和现代归纳逻辑的面貌。众所周知，目前归纳逻辑的主体是概率逻辑。在贝叶斯主义概率逻辑中，影响最大的恐怕是主观贝叶斯主义，但这一学派被各种悖论和谜题困扰多年，苦于先验概率指派问题久也。若能通过这种因果逻辑研究找到出路，此乃归纳逻辑之幸，也是科学哲学和逻辑之幸。我们衷心希望这个“假如”的世界有一天成为现实世界。

然而，因果逻辑研究还面临着一些较大的困难。目前，学界对这些困难的重视和探索还非常不够。比如，尽管珀尔对因果逻辑及其哲学问题的探讨推进了长期停滞不前的因果逻辑和因果观念的研究，但他对这项研究的困难估计不足，对其前景过于乐观。他所谓的“因果革命”或“新科学”并不像他所想象的那样无所不能。我们应当认识到，面对因果性悖论等难题，目前的因果逻辑研究仍是无能为力的。而这就表明，目前广受关注的因果逻辑和哲学研究仍是有局限的，还有待进一步发展。好在因果逻辑研究已经得到了越来越多的学者的关注，我相信，在不久的将来，因果逻辑将取得更为丰富的研究成果，必成为当代逻辑与哲学发展的一个新的生长点。