陆超超：首先，在最理想的情况下，我们希望能通过数据直接学习到潜在的正确的因果模型。但是，这在大多数情况下不太现实，因为对于给定的数据可能会对应多个潜在的因果模型，而我们无法确定哪一个是正确的。因此，我们通常需要利用已有的先验知识对潜在的因果模型做一些假设，缩小可能的潜在因果模型的范围，然后再从数据中进一步学习并确定其中正确的因果模型。一旦得到因果模型，就知道了变量之间的因果关系，然后就可以做一系列预测、生成、决策等机器学习任务。因果模型一方面可以描述数据分布的变化，比如遇到新的环境，通过干预变量产生数据变化，我们可以看到哪些干预对目标变量产生影响，哪些不产生影响；另一方面，因果模型会显式地告诉我们，哪些变化是有用的，哪些没用，这就能很好地解决传统机器学习中最重要的两个任务：泛化（generalization）和适应（adaptation）。由于因果模型能够描述分布中变化和不变的部分，所以就很容易做泛化和适应任务。这里的因果是如何定义的呢？通常我们是通过干预来定义因果。对于两个变量A和B，要判断A是不是B的因，我们可以通过干预A，然后看B是否会产生变化。比如一个简单的例子，如何判断鸡叫和日出有没有因果关系？我们可以干预鸡，让它不叫，然后看太阳是否升起。如果控制鸡不叫，但太阳照常升起，说明它们没有因果关系。所以干预是定义于因果的一种方式，也就是说，通过分布的变化，我们能确定有没有因果关系。反过来，因果也是一种描述数据分布变化的方式。Judea Pearl 的因果之梯
陆超超：我是在博士阶段到 Bernhard Schölkopf 组做研究，自然受到他们的影响。我之前认为，机器学习主要是数据驱动的，它的目的就是从数据中发现模式，根据模式做预测。Bernhard 是做传统机器学习出身，他很清楚知道机器学习的优缺点是什么，能解决什么问题，不能解决什么问题，他对于因果机器学习的观点说服了我，我觉得很有道理，于是从2018年开始做这方面的研究。学习机器学习之后你会发现，大部分模型输出的结果都是不可靠的。因为数据是人以各种方式生成的，而每个人都是有偏见的（bias），生成的数据也自然包含了人的偏见，这样学到的模型自然也是有偏见的，做预测或决策时自然也会有偏见。所以传统的机器学习有很多问题，这些最本质的问题通过现有的学习理论没有办法解决，必须借助新的工具。对我来说，我觉得到目前为止，因果模型是其中最有道理的一个工具，但我并不认为它是唯一的一个。因果机器学习是一个非常新的领域，我读博士之前还没太多的人研究，可以参考的文献也不是很多。当时的情况是，有表征学习，有强化学习，有因果推理，但没有办法把它们拼起来，没有人知道怎么拼，大家都在做各种尝试。像因果强化学习，到目前为止，都没人知道要怎样有效地结合，还在尝试。那种感觉就像是在太平洋上，一个人划着一只船，或者几个人划一只船。
陆超超：我觉得至少在博士期间，对我影响最大的是 Judea Pearl 和 Bernhard Schölkopf 两个人。Judea Pearl 的书我基本都读过，包括《Causality》、《The Book of Why》、《Causal Inference in Statistics: A Primer》。我最早看的是《Causality》，这本书基本囊括了他所有的观点，对我影响挺大。还有 Bernhard Schölkopf 的书 《Elements of Causal Inference》。