相关、干预、反事实，是三个层级完全不同的问题。反直觉之处在于：低层的数据再多，也回答不了高层的问题——这是数据本身的天花板，不是样本量不够。你能从观测里算出「看见 X 时 Y 有多可能」，却永远算不出「我动手改变 X、Y 会怎样」。想上一层楼，必须往数据里注入数据本身没有的东西：一张因果假设图。
三级阶梯，一级比一级难。第一级关联（看见）：纯观测的 P(Y|X)，是今天机器学习的主场。第二级干预（动手）：P(Y|do(X))——我主动去改 X，而不是被动观察它自己变。第三级反事实（想象）：如果当时没这么做，会怎样，针对同一个个体的平行世界。关键是每上一级，你都得额外提供「谁导致谁」的假设；光靠更多观测样本，永远爬不上去。
气压计与暴风雨。气压计读数和暴风雨高度相关（第一级），可你要是用手把指针拨低（do），暴风雨并不会来——真正的原因是大气压，气压计只是它的另一个显示屏。同一批数据，在第一级和第二级给出截然相反的行动结论。而数据从不会告诉你它属于哪一级；只有你脑中那张因果图能。
今天的机器学习几乎全部住在第一级——预测下一个词、下一次点击，靠的都是相关。这解释了一个反复上演的翻车：一个在历史数据上预测极准的模型，一旦你依它去「干预」（改推荐、改定价），效果就崩，因为它学的是关联、你要的是干预，中间隔着整整一级台阶。A/B 测试之所以珍贵，正因为它是把系统从第一级抬到第二级的电梯：随机化让你真的在 do(X)。
你手上的监控指标几乎都停在第一级。「报错率和延迟一起涨」是关联；「我扩容能不能压下报错」是干预——后者翻遍历史仪表盘也答不了，只能靠一次真实验，或一张你敢写下来的因果图。下次做容量或架构决策前，先分清：这个结论是「看见的」，还是「动过手验证的」？
你上一个基于线上数据做出的技术判断，若被追问「这是相关还是因果」，你是靠一次真实干预验证的，还是悄悄把第一级的相关，当成了第二级的因果？
两个变量一起变，未必谁导致谁——很可能有个躲在背后的第三者，同时推着它俩动。这个「共因」（混杂因子）凭空制造出一条纯属虚假的相关。危险在于：它看起来和真因果一模一样，你不专门去找，就永远发现不了它的存在。
在因果图上，混杂是一条「后门路径」：X ← Z → Y。Z 同时导致 X 和 Y，于是哪怕 X 和 Y 之间毫无直接因果，它俩也会同步起伏。破解办法是「控制/分层」：把 Z 固定住（只在相同的 Z 值内比较），后门就被堵上，剩下的关联才是真因果。所以面对混杂因子，多控制一个变量是对的。
激素替代疗法。上世纪大量观测研究显示，服用激素替代疗法的更年期女性心脏病明显更少，医学界一度普遍推荐。但 2002 年一项大型随机对照试验反而发现它升高心脏病风险。差在哪？愿意也有条件用激素替代的女性，往往更富裕、更注重健康、更常锻炼——健康的生活方式才是那个共因，它同时抬高了「用药」和「心脏好」。真做了随机化、切断后门，因果直接反了号。
机器学习里的「伪特征」正是混杂：模型看见图里有草就判是牛，因为训练集里牛总站在草地上——草是牛与标签的共因，换个背景模型就崩。分布式系统同理：两个指标的强相关，常常只是被「流量」这个隐藏变量共同推着走，你去单独优化其中一个，另一个纹丝不动。
你比较两个方案、两组用户的效果时，最该先问一句：这两组除了我关心的那点差异，还有没有别的系统性不同（老用户 vs 新用户、高配机器 vs 低配）？那个「别的不同」就是混杂。不把它控制住，你测到的差距，可能全是它的功劳。
你最近一次「A 组比 B 组好」的结论里，两组是被随机分开的，还是本来就因为某种原因（自选、筛选）而不同？若是后者，你真正测到的，是方案，还是那个把人分进两组的隐藏共因？
混杂教你「要多控制变量」，对撞因子却抛来一个吓人的反面：有些变量你一旦去控制，反而会凭空造出一段本不存在的假相关。控制变量绝不是越多越好——控错了地方，你是在亲手制造偏见。
对撞是混杂的镜像：X → C ← Y，C 是 X 和 Y 的「共果」。X 与 Y 本来毫无关系，可一旦你按 C 分层（只看 C 取定值的样本），它俩就被强行拽出一段负相关——既然结果 C 已经定了，一个原因弱，另一个原因就必然强来凑数。而「挑选样本」这个动作本身，就是一次隐蔽的「按共果分层」。
大学录取。假设录取只看两项——成绩和特长，任一项够高就能进。在全体高中生里，成绩和特长毫不相关；可你一旦只看「已录取」这群人，就会发现成绩越高的特长越差、反之亦然，凭空冒出一条负相关。原因不是它俩真有关系，而是「录取」这个共果被你固定住了（你只研究录取者）。同一机制也解释了为什么医院里两种病看起来负相关、为什么「越好看的人往往越渣」的错觉挥之不去——你的样本早被某个共果筛过一遍。
二战给飞机加装甲的故事是同一回事：只统计返航飞机的弹孔分布，是在「能返航」这个共果上分层——最该加固的，恰是返航样本里弹孔最少处（中那儿的飞机根本没回来）。机器学习里，只拿「成功／被点击」的样本训练，就是在对撞因子上做了选择，模型学到的相关会被系统性地扭曲。
你的日志、你的数据集，几乎总是被某道关卡筛过的幸存者——只有跑通的请求才留下记录，只有留存的用户才进得了分析。在这种被筛过的数据里发现的相关，第一反应该是警惕：它是真的，还是我这道筛子（共果）凭空造出来的？
你正在分析的这批数据，是「全体」，还是「通过了某道关卡的幸存者」？如果是后者，你看到的那些相关里，有多少可能是这道关卡自己制造出来的？
好消息是：拿到因果，不一定非得做实验。有一套严格方法（do-演算）能告诉你——给定一张因果图，哪些因果问题可以纯靠观测数据算出来、又该控制谁、别碰谁；而当实验实在做不了时，还能去捡「老天替你做好的随机实验」。因果不是玄学，是有算法的。
do-演算是一组数学规则，在因果图允许的条件下，把含 do(X) 的干预问题改写成只含普通观测概率的式子——它同时替你判定：该控制混杂、别控制对撞（否则越算越错）。真做不了实验时，就用「自然实验」：现实中某个近乎随机的外力（政策生效日、地理边界、一次抽签）恰好像随机化一样把人分了组，你借它来估因果。
越战征兵抽签。要问「服兵役对日后收入有何影响」，直接拿当过兵的和没当过的比，必被混杂——谁去当兵本身就不随机。但美国当年按出生日期抽签决定征召顺序，而生日是随机的，等于老天替研究者做了一次随机分组。借这个抽签当「杠杆」，人们干净地估出了服役对收入的因果效应——没做过一天实验，却拿到了实验级的答案。
A/B 测试是工程师亲手造的随机化，功能灰度、金丝雀发布，本质都是在做小型干预实验。做不了 A/B 时，工程里也常靠自然实验：一次只在某个区域生效的配置变更、一次机房故障，都可能是估计因果的天赐断点。经济学、流行病学、机器学习，如今正共用同一套因果语言。
下次遇到「这个改动到底有没有用、可又不方便做 A/B」，别急着从历史数据里生凑相关——先找有没有一个近乎随机的断点：某次只影响了一部分用户的发布、一次时间上的硬切换。那往往就是你能拿到的、最接近因果的一手证据。
你负责的系统里，最近有没有一次「只影响了一部分、而非全部」的变更或故障？如果有，它是不是一个被你白白浪费掉的、本可用来干净估计因果的天然实验？