你是否曾聽過「多吃巧克力有助於拿諾貝爾獎」的說法？這聽起來很荒謬，但資料顯示，巧克力人均消費越高的國家，諾貝爾獎得主就越多。這是否意味著我們應該把巧克力當成我們長智慧的食物呢？先別急著下定論，這是一場長達百年的科學思辨，究竟「相關不等於因果」這句話背後有很多討論和研究，我們來看看目前人工智慧產業關注的議題之一，真正因果人工智慧的「賴特之鑰」。
先來看之前的這個觀點，諾貝爾物理學獎得主、美國學者艾瑞克・柯內爾（Eric Cornell）在 2001 年曾指出：「一個國家的巧克力攝取量與其富裕程度有關，而高品質的科學研究同樣與國家的富裕程度密切相關。因此，兩者之間或許呈現出某種關聯，但這並非因果關係。」
從彈珠台到「平庸的回歸」：相關性的崛起
從一個簡單的問題開始：相關（correlation）與因果（causation）有何不同？
相關：兩件事看起來步調一致。例如，天氣變熱，冰淇淋銷量和溺水人數同步上升。
因果：一件事「導致」另一件事。例如，按下開關，燈泡亮了。
我們的旅程始於達爾文的表弟，天才學者弗朗西斯·高爾頓（Francis Galton）。為了研究遺傳，他設計了一個精巧的裝置，也就是著名的高爾頓板（Galton Board）。這個裝置的結構是長這樣的，小球從頂端落下，每次碰撞釘子都有一半的機率向左或向右，最終在底部形成完美的常態分佈（鐘形曲線）。高爾頓發現，人類的身高分佈正是一個鐘形曲線，他認為自己抓住了遺傳的本質。
然而，他很快發現一個致命漏洞：如果遺傳只是隨機碰撞的累積，人類的身高分佈應該會一代代變寬，出現三米高的巨人和一米二的侏儒。但現實並非如此。經過八年的苦思，他發現了一個現象：「向平庸回歸」（regression towards mediocracy），也就是我們今天所說的「均值回歸」（regression to the mean）。
高個子的父親，其兒子的平均身高會比父親矮一點；反之，高個子的兒子，其父親的平均身高也會比兒子矮一點。這看似矛盾，卻讓高爾頓恍然大悟：兒子的身高不可能「導致」父親的身高也回歸，這純粹是一種資料現象、統計上的幻覺，而非真實的因果過程。
這個發現讓他放棄了尋找因果的物理力量，轉而開創了一門只描述資料關係的學問，並將其命名為「相關」。現代體育界常見的「二年級魔咒」（sophomore slump），即新秀球員第一年表現驚人，第二年卻下滑，也是均值回歸的絕佳例子。諾貝爾獎得主丹尼爾·卡尼曼（Daniel Kahneman）解釋道：「巨大成功 = 相當的才能 + 爆棚的好運」。第二年，運氣回歸正常，表現自然會下滑。
因果的黑暗時代與一位無名英雄的崛起
高爾頓的學生卡爾·皮爾遜（Karl Pearson）將這條路走到了極致。他認為因果是「形而上學」，是科學應該拋棄的舊思維，並宣稱「因果不過是相關性達到100%的特例」。在他的強力推動下，統計學的大門對「因果」一詞關閉了近半個世紀。科學家們被禁止在論文中寫「A導致B」，只能說「A與B呈現顯著相關」。
就在整個學術界滿足於描述相關性時，一位在美國農業部默默研究天竺鼠毛色的專家修·賴特（Sewall Wright）悄然登場。他發現，即使經過多代近親繁殖，天竺鼠的毛色依然五花八門，這不符合當時的遺傳定律。他猜想，除了基因，子宮內的發育環境等其他因素也在起作用。
為了分離這些複雜的因素，賴特做了一件石破天驚的事：他發明了「路徑分析」（path analysis），並畫出了科學史上第一張現代意義的「因果圖」。他強調，在分析資料前，必須先將你對世界如何運作的「猜想」用箭頭畫出來。
透過這張圖，他成功地從混雜的資料中，精準計算出「多在子宮待一天」這單一因素對天竺鼠出生體重的「純粹因果效應」，答案是3.34克/天。這是人類史上第一次，能如此清晰地從相關資料中提煉出純淨的因果量值。
掌握三把鑰匙，升級你的思考系統
最後，我們總結了三把能立刻升級思考系統的鑰匙：
高爾頓的陷阱：警惕均值回歸的誘惑。下次遇到「封面魔咒」或盛極而衰的現象時，先思考這是否只是「才能 + 回歸正常的運氣」。
皮爾遜的禁令：資料本身不會說話。沒有模型、沒有假設、沒有你對世界運作方式的理解，資料只是一堆沉默的數字，你永遠無法觸及因果。
賴特的鑰匙：勇敢地畫出你的假設。科學地討論因果關係，第一步不是打開 Excel，而是拿起紙筆，畫出你認為的因果路徑圖，讓資料去驗證、修正或推翻你的模型。
現在，讓我們回到最初的問題：巧克力能幫你拿諾獎嗎？答案顯然是否定的。這背後可能存在一個「混雜變量」（con_founding factor），例如國家的經濟發展水平。富裕的國家能投入更多科研經費，也更有閒錢消費巧克力。經濟水平才是「因」，而諾獎得主多和巧克力銷量高，只是它的兩個「果」。
下次當你看到「每天睡超過八小時的人更健康」這類標題時，不妨拿起「賴特之鑰」，畫出你的因果圖：是睡眠導致健康，還是健康的人（例如不用熬夜加班）才更容易睡飽？或者，是否存在一個共同原因，如「良好的生活習慣」，同時導致了充足睡眠和健康？
掌握這種思考方式，你就能看穿資料的表象，這是當代重要的思維能力之一。
因果 AI：解鎖 AI 的下一階段
過去幾十年，人工智慧（AI）在資料分析和模式識別上取得了驚人的成就，但多數 AI 仍停留在「相關性」的層面。它能精準預測「什麼會發生」，卻難以回答「為什麼會發生」。例如，推薦系統能預測你喜歡的商品，卻無法真正理解你為什麼喜歡。
而「賴特之鑰」所代表的因果推理，正是 AI 邁向下一階段，也就是市場近期關注的因果人工智慧（Causal AI）的關鍵。如果AI能理解因果，它將不再僅僅是一個強大的計算工具，而能真正成為一個「思考者」：
更強的解釋性與決策力：AI不僅能告訴你預測結果，還能解釋為什麼會得出這個結果，並評估不同行動的潛在後果。例如，在醫療領域，AI可以分析不同治療方案的因果效應，而不僅僅是預測疾病風險。
抗偏見與泛化能力：基於因果模型訓練的AI，能更好地識別和避免資料中的偏見，並在資料分佈發生變化時，依然能做出穩健的判斷。
主動探索與干預：具備因果理解的AI，能夠主動設計實驗、提出干預措施，以改變世界並學習其結果，而非被動地分析現有資料。例如，在氣候變遷領域，AI可以建議哪些政策干預能最有效地減緩暖化。
圖靈獎得主 Judea Pearl 在《為什麼：因果關係的新科學》一書中曾明確指出，因果推理是人類智慧的標誌。當我們能將「賴特之鑰」的智慧融入AI的設計中，讓機器也能像人類一樣思考「為什麼」，理解行動的後果，我們才能真正解鎖一個能理解、解釋、並創造世界的AI，開啟智慧革命的新篇章。
