贝叶斯认知科学 (Tenenbaum)
在先验信念与局部观测证据间动态贝叶斯更新，从小样本形成抽象归纳。
ROUTE 07表征、推断与控制母轨道 · 因果与决策核心追问 · 机制与实现
概率推断、因果模型与世界模型路线Bayesian, Causal & World Models
00
交互认知透镜：一眼看懂本路线核心机制
COGNITIVE LENS 07
珀尔因果三层阶梯与图切断沙盒
朱迪亚·珀尔 (Judea Pearl) 命题：当今大模型与统计学习仍停留在因果之梯的第 1 层 (关联拟合)。真正的世界模型必须能够跨越至第 2 层 (干预 do-算子) 与第 3 层 (反事实推演)。
因果有向无环图 (DAG)
为什么仅靠大模型关联永远不够： 第 1 层 [观察]：纯统计相关，分不清是雨伞导致事故，还是恶劣天气同时导致了两者。
01
重要分支与代表理论
因果阶梯与结构因果模型 (Pearl)
严格区分关联、行动干预与反事实推测，建立无混杂因果图谱。
预测编码与自由能推断
大脑是一个自顶向下发送预测、自底向上反馈残差误差的预测机器。
世界模型与隐空间模拟 (Ha / LeCun)
在内部构建紧凑的环境动力学生成模型，在梦境与想象中进行试错规划。
02
解释价值与关键盲区
✦ 解释价值与推进
清晰界定了统计观察、主动干预与反事实推演的三级因果阶梯，为模型赋予因果解释力。
⚠ 局限、盲区与不能过度推断之处
因果图的发现极为困难；拥有内部仿真器不等于掌握所有不确定性。
03
理论天平：核心分歧轴定位
将此路线置于人类探索智能的根本分歧坐标系中，观察其立论重心与张力平衡点：
评价什么？倾向：主动干预与反事实推演
严格要求模型能够回答‘若当初采取不同行动会怎样’，超越表层统计相关。
怎样解释行为？倾向：内部结构因果图与仿真
依靠内在的因果结构图与环境动力学模型进行反事实虚拟推演。
需要多少先验？倾向：因果无混杂图结构先验
单纯靠观察数据无法完全消解混杂，必须引入因果方向或实验干预先验假设。
03.5
思想交锋与互补走廊：跨路线批判与合流
没有任何单一学派垄断了智能的全部真相。顺着批驳与互补的引力线，跳转到与本路线深度咬合的相邻探索家族：
04
动手验证：交互实验工作台
05
归属于该路线的探索笔记
8 篇收录DUCG建模实战指南
按问题定义、变量识别与分类、因果关系挖掘、参数学习与模型验证的顺序走一遍 DUCG 建模流程，并给出软件缺陷诊断的变量与边示例。属方法论教程，案例是构造示例，不是现场部署记录。
动态不确定性因果图模型理论
从基本变量、结果变量、逻辑门与因果弧等元素出发，解释 DUCG 如何用虚拟独立事件表达不确定因果，再讲动态诊断推理的七个步骤与 Cubic-DUCG 扩展。属理论梳理，应用领域为文献中的已有工作。
动态不确定性因果图模型理论在法律领域的应用
以司法事实认定与因果归责为问题，讨论 DUCG 处理碎片化、矛盾证据的潜在用法，给出一个简化的法律应用模型构想，并指出知识获取与可解释性等挑战。是应用构想，不是已部署的司法系统。
DUCG在网络安全领域的应用
从告警风暴与见木不见林的运维痛点出发，讨论用 DUCG 把孤立告警串成攻击因果链的设想，并指出攻击知识图谱构建的难点。属方案构想与问题分析，未给出检测率、误报率或实际部署结果。
动态不确定性因果图模型理论在软件可靠性领域的应用
以级联故障与根因定位耗时的问题为切入点，讨论 DUCG 在智能运维中构建软件系统因果诊断地图的思路，以及知识工程自动化的挑战。属应用构想，文中没有实际故障数据或诊断准确率。
动态不确定性因果图模型理论在金融领域的应用
从相关性模型在黑天鹅事件中失效的问题切入，讨论 DUCG 用因果结构刻画风险传导的可能路径，并说明从数据驱动转向知识与数据双驱动的挑战。属应用设想，不含回测收益或风控指标。
应用SHAP库实现机器学习可解释性
从 Shapley 值的博弈论来源与 SHAP 的数学定义讲起，说明其可加性与一致性优势，再介绍 TreeExplainer、KernelExplainer、LinearExplainer 与 DeepExplainer 的适用场景和用法。属原理与工具用法整理，示例不构成模型质量结论。
应用Ylearn框架实现因果推断
先补因果推断的核心概念与三大支柱，再介绍 YLearn 的设计与核心模块，并用营销优惠券的因果效应分析等案例演示估计与评估流程。属框架上手指南，文中结论限于所构造的案例数据，不外推到真实业务。