因果的运用场景我们说清楚了，但是因果的运作原理到底是怎么样的的呢！
首先我们要搞清一个概念，相关性不等与因果性这句话是什么意思，就比如工资高和你习惯用左手刷牙有很强的相关性，还有就是树叶枯黄程度和冻手有很强的相关性，这里面你说不出因果关系，但是它们可以做连接，找出相关性有多高。
可是有一个尴尬就是这样连接都是伪相关，这样相关性没有任何意义，因为它可能只是一时的相关性高，也可能是没有找到真正的相关性，比如树叶枯黄程度和冻伤手，更可能的相关性是秋天来了，导致树叶慢慢变黄和气温下降带产生的冻伤手。
你们看见没有，相关性这个科学概念，想要具备有效性，就必须带上因果概念，你不可能纠纷案件和宇宙能产生联系，只有能解释的连接才能叫做相关性，而只要能解释那就存在因果关系。
我们知道因果很有用，但是也不能解释到位所有可能性，就比如我能打人，也能不打人，可是这期间能有的可能性极其多。 比如我脾气暴躁可能打人，别人挑衅可能打人，天气热也可能打人，可能心情好不想打人，这一切因素太多了讲因果关系太复杂，可是又好用。那该用什么样的标准去运用因果呢！
第一个使用因果模型图搞研究的，是美国统计学家休厄尔·赖特（Sewall Wright）。1920年，赖特发表了一篇有关天竺鼠的毛色遗传的论文。他假设有三种因素可能影响毛色，分别是发展（d）、遗传（h）和环境（e），他把这三种因素画成了因果关系图
然后赖特根据自己的实验结果，用解方程的方法算出了三种因素的相对大小。他把天竺鼠的毛色问题给解决了。
这绝对是开创性的工作。赖特不但第一次使用了因果模型，而且还提出了一个洞见。
赖特说因果关系并不是客观性至上的，而是非常主观的认识。你不可能通过数据分析、用机械化的流程得到这张图。因果图之所以这么画，图中之所以考虑了这些关系而没考虑别的关系，这是你自己主观的选择 —— 是你用自己的知识、阅历和判断画出来的。
也就是说，因果关系，其实是你的主观假设。
数据是客观的，而人的观点是主观的。相关性是客观的，因果是主观的。
通过这个洞见我们第一步解决问题，先需要通过经验来画出因果关系图。
第二步通过实验和验证，来判断这些因果关系的强度大小，这样你就有了一个比较实用的因果关系图。
第三步使用因果关系图，去解释“观察，干预，想象”这三个因果层级问题。
如果 AI 拥有这样的模型，它就等于获得了智能。珀尔称之为“小图灵问题”，相当于计算机通过了一个小的图灵测试：他掌握了因果思维。
可是你发现了没有我们不是在用因果关系来解释现实规律，而是在用因果关系开创更多不同的东西出来，用来解释问题然后用解决方案干掉问题。
解决问题才是关键，没有问题因果哪来的意义呢！
