编者按：这是Dr. Lu专栏“工业AI的完整体系”系列的第二篇。上一篇文章我们讨论了为什么工业AI需要自己的World Model——不是四条学术路线中的任何一种，而是以工业已知结构为骨架、用数据填血肉的第五条路线。今天我们来回答那个悬在结尾的问题：在这个“世界”里，怎样学会追问。
上一篇文章，我们留了一个问题。
一个化工厂的值班工程师，盯着屏幕上循环水泵的出口压力——它正在缓慢地往下掉。他知道压力在掉，但他真正需要知道的三件事，光靠World Model回答不了：
第一，根因——压力往下掉，到底是因为叶轮磨损了，还是进了空气（气蚀），还是入口阀没开到位？
第二，干预——如果现在把备用泵切上来，下游工艺会受到什么影响？不切的后果和切的代价，哪个更大？
第三，反事实——上周那次轻微的压力波动，如果当时就换了叶轮，今天这一幕会不会根本不发生？
这三个问题，恰好对应了因果推理的三个层层递进的阶梯。而这个阶梯的数学基础，AI界用了快三十年才真正开始重视。
01 ｜Pearl的因果阶梯：AI界的“迟到的常识”
1985年，一个叫Judea Pearl的UCLA计算机科学家提出了贝叶斯网络——用有向无环图表示变量之间的概率依赖关系。这在当时已经是AI领域的基础性突破。
但Pearl自己并不满意。
他发现，贝叶斯网络能完美地表达“地面湿和下雨相关”，但表达不了“地面湿是因为下雨”——这两个句子的区别，在概率网络里看起来一模一样。如果你人为地去把地面泼湿（干预了系统），下雨的概率不会因此改变——但贝叶斯网络不知道这件事。
这个区别困扰了Pearl十年。1995年，他在《Biometrika》上发表了那篇后来被ACM称为“第一个系统性消除混杂偏误的数学方法”的论文——do-calculus，一种可以在因果图上“模拟干预”的数学语言。
又过了五年，2000年，Pearl出版了《Causality》，试图统一概率、干预、反事实和结构方程四种因果方法，建立一套完整的因果推理语言。2009年第二版更加成熟。2011年，他拿了图灵奖。2018年，《The Book of Why》出版，把因果革命带入大众视野。
但最讽刺的事情来了。Pearl的理论体系在1995年就基本成型了，而直到2023年GPT-4 席卷世界时，绝大多数AI系统仍然只运行在“关联层”。
因为这套理论和AI界的主流路线是背道而驰的。
AI界的主流是什么？是深度学习——用海量数据训练一个网络，输入X预测Y。Pearl说，不，这是一种曲线拟合，它只能告诉你X和Y相关，但永远回答不了“如果我改变了X，Y 会怎样”。
直到2019年12月，深度学习三巨头之一的Yoshua Bengio在NeurIPS上做了一个题为“From System 1 to System 2 Deep Learning”的主旨演讲。他在台上展示了Pearl的因果阶梯，并公开承认：当前的深度学习本质上在运行System 1——快速、直觉、基于关联；而人类智能的真正优势在于System 2——慢速、推理、基于因果。
“我们可能一直在错误的方向上跑。”
一个深度学习领袖说出这句话的分量，远比任何学术论文都重。因果AI从学术角落正式进入AI主流视野。
那么，Pearl的因果阶梯到底说了什么？
第一层：关联（Seeing）。“A和B之间有统计相关性。”——轴承温度升高和振动异常经常一起出现。这是今天几乎所有机器学习在做的事。
第二层：干预（Doing）。“如果我主动改变A，B会怎么变？”——如果把备用泵切上来，下游工艺的温度和压力会怎么变？这才是工业决策者真正需要的答案。这一层的数学工具是do-calculus，不是回归分析。
第三层：反事实（Imagining）。“在已经发生的事情上，如果当时做了不同的选择，结果会怎样？”——那台泵在上周轻微压力波动时，如果当时就换了叶轮，今天的停机事故是不是完全可以避免？反事实推理是“从错误中学习”的终极形式——但它的数学要求最高。
把这套框架放回开篇那个值班工程师身上：他看到压力在掉，这是第一层；他知道不同动作的后果，这是第二层；他能从上周的一次小波动中反思出今天的教训，这是第三层。
这就是因果推理的价值。它不是在数据里找“模式”，而是在一个已经建好的“世界”里追问。
02 ｜当因果AI硬着陆工业现场——三个根本约束
Pearl这套体系在学术上漂亮，在医学、经济、营销领域也积累了可观的工具链和案例。但把它搬进工厂，你会撞上三堵墙。
· 第一堵墙：不允许做主动干预实验。
因果推理最强大的工具是随机对照实验——给一组患者用药、另一组吃安慰剂，然后比较结果。Pearl的do-calculus可以“模拟干预”，但它仍然需要一定量的干预数据来获取因果方向。
但在工厂里，随机实验不能随便做，你不能让核电站反应堆“吃一剂猛药”来观察反应。因果发现中最有力的路线——主动干预——在工业场景中天然受限。
这是工业Causal AI和学术Causal AI的第一个分叉点。
· 第二堵墙：因果发现≠因果标注。
学术界的因果发现算法试图从观测数据中自动推断因果方向——哪个变量导致哪个变量。这在数据充裕的场景里是个合理的目标。但在工业场景中，大量因果关系根本不需要“发现”——它们已经被发现过了。
叶轮磨损会导致振动增大。润滑油劣化会导致轴承温度升高。备用泵切换会导致下游压力短暂下降。这些因果关系不是藏在数据里等着AI去挖掘的秘密——它们写在设备手册里、在老师傅的笔记本里、在几十年的故障报告中。
工业Causal AI真正的第一性问题不是“从零发现因果”，而是把已经知道的因果知识结构化，让它可被机器查询和推演。从“老师傅知道”变成“系统也知道”。
· 第三堵墙：可解释性不是nice-to-have，是入场券。
AI告诉一个值长“把负荷降到85%”，值长会问“为什么”。如果AI的回答是“根据模型的预测概率，这是最优方案”——值长不敢执行。
不是因为他不信任AI。而是因为：如果他执行了，出事了，回头查不回来为什么，责任是他自己的。
这就是工业场景与互联网场景的根本差异。推荐系统给你推了一个你不喜欢的商品——没关系，滑走就是了。工业系统里一个错误的决策可能是机毁人亡。因此在工业中，AI的建议必须有可追溯的因果链路：“把负荷降到85%，是因为润滑油温度在过去48小时内持续升高了12°C，按当前趋势，72小时后会达到轴承磨损的临界值——降负荷可以放缓这一过程。”
当你把因果链讲清楚，值长不是“信任AI”，而是“理解了AI的推理过程，做出了自己的判断”。这才是Human-in-the-loop的真正含义——不是人在机器旁边守着，是机器辅助人的决策、人做的判断有据可查。
03 ｜那工业界现在怎么解这道题？
解法不止一种。但有一条路径，是工业界独有的。
因果推理在工业中的可行路线，大致有三条。第一条是用物理机理推导，直接从热力学、流体力学这些已知方程中推导出，如果A变了，B会怎么变。这是最强的路线，但覆盖面有限——不是所有工业现象都能用方程建模。
第二条是自然实验数据——设备故障、工艺变更、大修记录，这些本身就是“被动干预”。虽然不够干净、不能控制变量，但胜在真实且大量。
第三条是学术界主推的因果发现算法，从纯观测数据中推断因果方向。这条路线目前最大的问题是：在没有先验约束的情况下，搜索空间爆炸，而且很容易把相关认成因果。
这三条路线单独走，各有各的短板。但工厂里其实有一样东西，天然能把它们串在一起。
那就是工业知识本身。
设备之间的连接关系、每个参数的物理意义、正常运行的边界、已知的故障模式和因果链路——这些东西在工厂里是已经存在的。它们分散在图纸、台账、操作规程、故障记录和老师傅的经验里，缺的不是“存在”，而是结构化。
而这恰好是工业界当前的一个共识：在B2B的AI应用领域，不是上来就训练模型——而是先把领域知识整理成AI能理解的“本体”（Ontology）。 设备是什么、它有什么属性、和别的设备是什么关系、什么导致了什么——这是因果推理的地基。
换句话说：工业本体模型，本质上就是因果推理的“硬件”。 它给AI的不是一个空白的画板，说“你从数据里自己画吧”，而是一张已经有了设备的名称、属性、关系和已知因果链的地图，说“在这个正确的骨架上，再去看数据。”
这就是工业场景做因果AI的最大先验优势——我们不是从零开始画因果图，我们是从一张已经有了大半骨架的图出发。
04 ｜结语
回到那个值班工程师。
有了“追问”的能力之后，他心里那张推理图谱是这样的：压力下降 → 检查三个可能原因（叶轮磨损/气蚀/阀门故障）→ 结合振动数据，排除阀门故障 → 接下来两天保持监控，如果振动继续爬升，果断切备用泵 → 通知维修班组准备叶轮更换。
每一步都有因果链路。每一步都可以追溯解释。每一步都不是“AI猜的”，而是“在正确的工业知识骨架上，用数据验证过的”。
中国古人说：凡事豫则立，不豫则废。两千年前，古希腊的Epictetus也表达了相通的意思——先告诉自己你要成为什么样的人，然后去做你必须做的事。
因果推理也是一样。不是因为数据告诉你“该怎么做”，而是因为你已经知道“工厂应该是怎样的”——然后让数据在正确的框架里给出答案。
但因果推理给的答案，还只是一纸诊断。从“知道问题在哪里”到“把问题解决掉”，中间还差着一步——把AI的判断送入真实的生产现场，送入控制系统、送入值班室的屏幕、送入人的手中。
这一步，叫Physical AI。但工业的Physical AI，不是让机器人去拧螺丝。它是一种完全不同的形态。
下周见。
Dr. Lu · 2026年8月
关于作者：Dr. Lu，昆仑数据创始人陆薇。虽然是计算机博士，大部分时间不在机房，而在工厂和去工厂的路上。20年来专注一件事：让数据真正理解工业。她是IEEE TCSVC Woman in Services Computing第一位华人女性获奖者，也是最早参与制定中国工业大数据路线图的那批人之一。这个专栏是她在一线的思考——关于工业AI、关于本体模型和控制论、关于AI在工厂落地那些事儿和人。
