因果与 Jaynes：Gaia 的三层本体

Derivation chain position: Layer 4 — Ontology Extension Plausible Reasoning → MaxEnt Grounding → Propositional Operators → … → [this document]

本文档解释 Gaia 在 v0.5 的纯命题框架之上引入 Mechanism 时的本体扩展， 以及 Pearl 的因果机制与 Jaynes 的命题概率框架在 Gaia 中如何各司其职、互相衔接。 它依赖 01-plausible-reasoning.md（Cox 定理、三条规则） 和 02-maxent-grounding.md（MaxEnt / Min-KL）。

Status: Target design (v0.6+) — NOT current v0.5 contract.

本文档不重写 v0.5 已有的命题层理论（01-plausible-reasoning.md 与 02-maxent-grounding.md 在命题层完全有效）。它把因果机制的引入定位为本体扩展而非命题语义内的修正，并给出二者交汇的精确语义。

v0.5 mapping 提示——读到本文中具体名词时请按下表换算：

本文用词（v0.6+）	v0.5 IR 中的对应
Claim	Claim（KnowledgeType.claim，仍然有效）
Action	Strategy（基类）/ CompositeStrategy / FormalStrategy —— v0.5 IR 用 Strategy 这个词；Action 是 v0.6+ 设想的别称
Mechanism / CausalFactor	v0.5 中没有对应的 IR 类型与 FactorType——仅在本文档作为 v0.6+ 目标讨论
mutilate() / do(...) 查询	v0.5 不实现；属于 v0.6+ 目标

因此：本文里像 gaia build check --hole 作用于 Mechanism、或 Mechanism 进入因子图等说法都是目标设计，不是当前 CLI 行为。v0.5 中所有与因果机制相关的认识论需求暂时都只能通过普通 Claim + Strategy + 关系算子（equivalence / contradiction / complement）的组合表达。

工程实现细节（IR schema、mutilate() 算法、do-calculus identification）参见对应 spec（docs/specs/ 不在 published site，请通过 repo 浏览）：

• 2026-05-06-causal-mechanism-first-class-design.md
• 2026-05-06-causal-counterfactual-binary-noise-design.md
• 2026-05-06-causal-transport-y0-design.md

1. 问题：Gaia 要回答的两类查询

01-plausible-reasoning.md 和 02-maxent-grounding.md 解决了观测性查询：

给定证据 E 和背景信息 I，命题 C 应被赋予多大的 belief？

形式上：

P(C | E, I)

这是 Jaynes-Cox 框架的原生问题域，BP 在因子图上计算它。

但科学论证里另有一类查询，纯命题框架原生处理不了：

如果外部干预把变量 X 强行设为 x，命题 Y 会变成多大概率？

形式上：

P(Y | do(X = x), I)

以及更强的反事实查询：

P(Y_{x'} | E, I)

读作"在现实里观测到证据 E 的情况下，假如当时 X 取的是 x' 而非实际值，那么 Y 会是什么"。

关键事实（Pearl 1995, Causality §1.3 反复证明）：在存在共同原因的图上，

P(Y | X = x, I)  ≠  P(Y | do(X = x), I)

且这种差别无法通过对 I 添加任何概率约束来弥合。识别 P(Y | do(X = x)) 需要关于"X 是怎么生成的"的结构信息——不是关于事件的信念，而是关于世界机制的声明。

v0.5 的命题层框架不承载这种信息。引入因果原语就是为了承载它。

2. Gaia 的三层本体

为容纳因果机制，Gaia 在 v0.6 把知识从 v0.5 的"全部都是命题"扩展到三层本体（参见 mechanism-first-class spec §0）：

本体类型	Gaia object	例子	真值结构	是否进 BP
命题（Proposition）	Claim	"H₃S 在 200 GPa 下是高温超导体"	有真值，有 prior = P(true)	是，作为 ProbabilityFactor
推理步（Reasoning step）	Action（derive / infer / equal / contradict / associate / …）	"由 X 逻辑推出 Y"	没有真值（行为不是命题），其结论 claim 才有真值	间接，通过其结论 claim 进 BP
世界结构（World structure）	Mechanism	"吸烟通过焦油作用于肺癌"	没有真值——它要么是、要么不是结构性故事；不存在 P(mechanism) = 0.7	是，作为 CausalFactor（不同于 ProbabilityFactor）

三者职责互补，不能互相归约：

• 把 Mechanism 折叠成 Claim → prior 字段语义畸形（详见 §3）；
• 把 Action 折叠成 Mechanism → 失去推理图的结构；
• 把 Claim 折叠成 Action → 失去 belief 的承载者。

这个本体三分不是 Gaia 独创的哲学发明，它对应于科学认识论里早已被 Cartwright、Pearl、van Fraassen 等人反复指出的三类对象：

• observable propositions（命题）—— Jaynes 的天然辖区；
• inferential moves（推理）—— 论证理论的辖区；
• causal mechanisms（机制）—— Pearl 结构因果模型的辖区。

Gaia 把这三类显式区分到 IR 上，是为了让作者写他/她想说的事，而不是被迫把一切硬塞进"概率命题"里。

3. 为什么 Mechanism 不是 Claim

mechanism-first-class spec §0 给出了五条工程症状，解释为什么把因果边塞进 Claim(kind=CAUSAL) 不通。这里只摘最 fundamental 的一条。

Claim.prior = P(claim 为真) 这条契约，在因果机制上语义崩塌。考虑：

mechanism(cause=smoking, effect=lung_cancer, cpd=(0.15, 0.01))

它的语义有两个候选解读：

• (a) prior = P(此机制存在) — 即"吸烟确实通过某种因果链作用于肺癌"的可信度；
• (b) prior = P(effect | cause = 1) — 即给定吸烟时肺癌发生的条件概率（在这例子里就是 0.15）。

(a) 和 (b) 是完全不同的数值且不能并存于同一字段。如果把 Mechanism 当 Claim，prior 必须二选一，且无论选哪个都会让另一个语义在别处寄生（v0.5 老 spec 选 (a) 后被迫把 (b) 放进 Cause Action 的 metadata，又被编译器复制回 claim metadata，造成"metadata round-trip 是类型系统在告诉你这个字段长在错的地方"）。

更深层地：(a) 是命题层问题（机制是否存在是个真值断言），(b) 是结构层声明（机制的强度参数）。把两者合并即等于否认两层的本体差别。

Mechanism 解法：结构层不带真值，结构层只带强度参数。Mechanism.cpd 字段承载 (b)，IR validator 显式拒绝在 Mechanism 上写 prior。命题层若需要表达 (a)（"我对这个机制存在的可信度"），可以另写一个 Claim：

mechanism_existence = claim(
    "Mechanism: smoking → lung_cancer",
    prior=0.95,
    rationale="Doll-Hill 1956 + reproducible meta-analyses",
)
mechanism(cause=smoking, effect=lung_cancer, cpd=(0.15, 0.01))

两者显式分开，各管各的语义。

4. v0.5 命题层的 Jaynesian 承诺：完全保留，但范围明确

v0.5 01-plausible-reasoning.md 和 02-maxent-grounding.md 定义的内容：

• Cox 定理 → 概率是似然推理的唯一一致形式化；
• 加法规则、乘法规则、Bayes 规则；
• 联合分布 p(x | I) 是根对象，所有 belief 从它派生；
• 信息 = 对联合分布的约束（硬逻辑约束 + 软统计约束）；
• 没有旧分布时用 MaxEnt，有旧分布时用 Min-KL。

这些命题在命题层完全成立，本文档不修改任何一条。需要明确的只是它们的辖区：

Cox / MaxEnt / Min-KL 描述的是命题层内部的规则。它们不声称命题层是 Gaia 的全部知识。

具体来说：

• 当 I 只包含命题约束时，v0.5 的 worked examples（02-maxent-grounding.md §6 Horn 规则、§7 软约束）完全有效，无需任何修正；
• 当 I 还包含 Mechanism 声明时，命题层 BP 仍按相同规则跑，只是因子图里多了 CausalFactor（来自 Mechanism lowering）和 ProbabilityFactor 共存——见 §5；
• 查询 P(Y | do(X = x)) 时，命题层 BP 在一个不同的因子图（mutilated FG）上跑，但跑的还是同一套 BP 规则——见 §6。

也就是说：Gaia 是 "Jaynesian on propositions, structurally extended for mechanisms"。这不是哲学摇摆，是承认科学知识有多种本体类型而 Jaynes 的形式化只覆盖其中一种。

历史注：Jaynes 本人（Probability Theory: The Logic of Science §3.6）反对 Pearl 的 do() 框架，主张"所有因果陈述都可还原为对适当背景信息 I 的条件化"。这个立场技术上自洽（你确实可以把 SCM 编码进 I），但操作上空洞——真要识别因果效应你还得做 Pearl 在做的事（d-separation、back-door criterion、ID algorithm），只是用 Jaynes 的记号而已。Gaia 选择承认结构信息是另一种本体，这与其说是反 Jaynes，不如说是把"Jaynes 框架到底覆盖到哪里"画清楚。

5. Mechanism 与命题层的交汇：FactorGraph

Mechanism 和 Claim 在 IR 上是平行的本体范畴，但它们最终都通过 lowering 进入同一个因子图：

        IR                         FactorGraph (BP runs here)
        ──                         ──────────────────────────
                                                    ┌─────────────────┐
        Claim  ──────── lower ──────────────────►   │ ProbabilityFactor │
                                                    │ (modality=logical) │
                                                    └─────────────────┘
                                                    ┌─────────────────┐
        Mechanism ───── lower ──────────────────►   │  CausalFactor   │
                                                    │ (modality=causal) │
                                                    └─────────────────┘
                                                            │
                                                            ▼
                                                    BP messages flow
                                                    over both factor types
                                                    indistinguishably
                                                    (in observational mode)

关键设计（参见 mechanism-first-class spec §6.3 与 §4.4）：

• 两类因子在因子图上形式相同——都是 (variables, potential) 对；
• 不同的是携带的 modality 标签（CausalFactor vs 其他逻辑/概率因子）；
• 在观测性查询模式下，BP 对两类因子一视同仁——modality 标签被忽略；
• 在干预性查询模式下（do()），modality 标签被使用——mutilate() 删除被干预节点的 CausalFactor 入边，但保留逻辑因子（详见 §6）。

这意味着：

v0.5 的 BP 引擎处理含 Mechanism 的图时不需要任何算法改动——它只要把 CausalFactor 当作普通因子算出 marginal 即可。Mechanism 的因果性只在查询时通过 mutilate() 表达，不在 inference 内核内表达。

这个分工让 Gaia 同时享有： - Jaynes 派的命题层一致性（BP / Cromwell / MaxEnt 全部不变）； - Pearl 派的因果识别能力（do() / d-separation / back-door / ID algorithm）； - 二者在因子图层面互不污染。

5.1 MaxEnt 在含 Mechanism 图上的语义

02-maxent-grounding.md 描述的 MaxEnt 是"在命题约束集 C(I) 下选熵最大的联合分布"。引入 Mechanism 后：

• Mechanism 不直接进入 C(I)——它不是命题约束，没有真值，不能写成 E[f(X)] = c 这种等式约束的形式；
• Mechanism 通过 lowering 转成 CausalFactor，直接给出条件概率 P(effect | cause)——这是 fully specified 的局部分布，不是 MaxEnt 待选的自由度；
• 因此Mechanism 节点上没有 MaxEnt 自由度——gaia build check --hole 在 Mechanism 上不报告 prior_hole；
• 命题层的其他自由度（独立 Claim 没有 prior 时）仍按 v0.5 MaxEnt 处理，不受 Mechanism 引入影响。

实际效果：MaxEnt 自由度只在命题层声明，结构层（Mechanism）的参数由作者直接给（cpd=(α, β)），没有 MaxEnt 选择。这与 v0.5 02-maxent-grounding.md §3.3 描述的"乘积分解 = MaxEnt + 硬约束的自然结果"在数学上自洽——CausalFactor 是 fully-specified 的局部因子，它给乘积分解贡献一个完整的局部项，不参与 MaxEnt 优化。

6. do() 是查询，不是信息

这是 Gaia 因果语义最容易被误解的一点，必须明确：

mechanism(cause=X, effect=Y, cpd=...) 是结构声明，添加进 IR； do(X = x).query(Y) 是查询操作，不修改 IR。

把这点和 v0.5 的纯命题层对比：

v0.5 模式	添加进 IR 的东西	触发的查询
claim("X is true", prior=0.7)	Claim 节点 + PriorRecord	gaia run infer 计算 marginal
observe(claim_X)	observation Action（pin 到 1−ε）	同上
derive(Y, given=[X])	deduction Action	同上

v0.6 因果模式	添加进 IR 的东西	触发的查询
mechanism(cause=X, effect=Y, cpd=...)	Mechanism 节点（含 cpd）	do(X = x).query(Y) 触发 mutilate + BP

do() 之所以是查询而非信息，是因为它不修改 I——它在同一个 I 上发出"如果干预为 X = x，会发生什么"的问题。BP 在不同查询下用不同的因子图（observational 用原图，interventional 用 mutilated 图），但底层的 I 不变。

形式化的 mutilate 语义：给定查询 do(X = x).query(Y)，

1. 复制因子图 FG → FG'；
2. 在 FG' 中删除所有 CausalFactor 满足"其 conclusion ∈ {X}"——也就是切掉 X 的因果入边（详见 mechanism-first-class spec §6.3）；
3. 在 FG' 中保留所有逻辑因子（derive lowering 出的 SOFT_ENTAILMENT、IMPLICATION operator 因子等）——干预世界不否认逻辑约束；
4. 在 FG' 中钳位 X = x；
5. 在 FG' 上跑标准 BP，读出 Y 的 marginal。

这个算法是 Pearl 的 truncated factorization 在因子图上的 modality-aware 实现。它不引入新的 inference 概念——只是在不同的因子图上跑同一个 BP。

6.1 为什么 P(Y | X = x) 和 P(Y | do(X = x)) 不冲突

二者计算在不同的因子图上，给出不同的 marginal——这不是矛盾，是查询语义不同：

• P(Y | X = x, I)：原因子图 + observe(X = x) + BP → 这是观测性条件化；
• P(Y | do(X = x), I)：mutilated 因子图 + clamp(X = x) + BP → 这是干预性查询。

存在共因时二者数值不同，是 Pearl 反复论证的核心事实。Gaia 通过让作者显式选查询语义（用 observe 还是 do）而非显式选概率定义，把这个分歧落到 API 上。

7. Counterfactual：第三阶梯通过外生噪声材料化覆盖

counterfactual-binary-noise spec 把 Pearl level 3 的反事实查询纳入 v0.6 范围。本文档只讲它在本体框架下的位置，工程细节不重复。

反事实查询：

P(Y_{x'} | E, I)

读作"现实里观测到 E，假如 X 当时是 x'，Y 会怎样"。Pearl 的标准答法是 abduction–action–prediction 三步：

1. Abduction：在观测因子图上 BP，得到外生噪声 U 的 joint posterior P(U | E)；
2. Action：mutilate + clamp(X = x') 得到反事实因子图，安装步骤 1 算出的 U joint posterior；
3. Prediction：在反事实因子图上 BP，读出 Y 的 marginal。

对本体框架的影响：不引入第四类本体。U（外生噪声）是 Mechanism lowering 时材料化出的额外 BP 变量（在二值 binary_directed 机制下，U 也是二值的，因此 BP 可以原生处理）。U 在结构层——它属于 mechanism 的"内部组装"，作者不需要直接接触。

也就是说：Pearl 三阶梯（associational / interventional / counterfactual）在 Gaia 中由"两层本体 + 三种查询"承载，而不是"三层本体"——因为 counterfactual 查询用的还是同一套 Mechanism 知识，只是查询算法多了 abduction 和 prediction 两步。

8. 作者决策指南

下面这张表回答"我想说 X，应该用哪个 verb"——这是 v0.6 之后作者写 Gaia 包时的核心 lookup：

我想表达的事情	用什么 verb	为什么
"X 是个命题，我对它的 prior 是 0.7"	claim(content, prior=0.7, ...)	命题层赋值
"由 X 在逻辑上能推出 Y（数学/定义）"	derive(Y, given=[X], rationale="...")	逻辑推理步，干预下保留
"X 是 Y 的统计证据（似然比）"	infer(evidence=X, hypothesis=Y, p_e_given_h=..., p_e_given_not_h=...)	命题层 Bayes update
"X 与 Y 等价"	equal(X, Y)	命题层等价
"X 与 Y 不能并存"	contradict(X, Y)	命题层互斥
"X 与 Y 关联但方向不明"	associate(X, Y, p_a_given_b=..., p_b_given_a=...)	命题层对称关联
"X 是 Y 的因，机制 CPD 是 (α, β)"	mechanism(cause=X, effect=Y, cpd=(α, β))	结构层声明，可触发 do() 查询
"如果干预把 X 设为 x，Y 会是什么"	do(X=x).query(Y)	干预性查询
"现实是 E，假如 X 当时是 x'，Y 会是什么"	do(X=x').counterfactual(observed=E).query(Y)	反事实查询
"假说 H 预测可观测量 Z 服从分布 D，并用数据 E 做模型比较"	bayes.model(H, observable=Z, distribution=D) + bayes.compare(E, models=[...])	model comparison（命题层）

8.1 何时该选 mechanism() vs derive() 的关键差别

二者在某些命题上看起来都行（例如"重力使物体下落"），但语义明显不同：

	derive(falling, given=[gravity])	mechanism(cause=gravity, effect=falling, cpd=...)
在 do(gravity=0).query(falling) 下的行为	保留——逻辑约束不被干预切断	被切断——因果机制被 mutilate 移除
物理意义	"在我们的逻辑/数学框架内，gravity 与 falling 必然相关"	"gravity 是导致 falling 的物理机制；如果某种方式关闭重力，就没有下落"

作者决策原则：

• 如果你想表达的是定义/数学/常识层面的必然关联（例如"圆周率等于周长除以直径"、"温度高于熔点则物质液化"），用 derive——这种关联在 do() 下应该保留；
• 如果你想表达的是物理/生物/社会层面的因果机制（例如"吸烟导致肺癌"、"重力导致下落"），用 mechanism——这种关联在干预下应该被切断（你拒绝这个机制不等于否认逻辑）。

mechanism-first-class spec §4.4 思想实验 1–8 给出了 8 个具体例子来训练这个直觉。

8.2 mixed-modality：当一个节点同时有 causal 和 logical 入边

v0.5 老 spec 把这种情况报 warning。新 spec 保留这个 warning，意图明确：作者要么显式声明所有入边都是 causal，要么显式分开（一些是 mechanism、一些是 derive）。不允许"看起来都对"的隐式混淆——因为这种情况下 do() 的行为会出乎作者意料。

9. 与 v0.5 命题层文档的关系

01-plausible-reasoning.md、02-maxent-grounding.md、03-propositional-operators.md 等命题层文档完全保留有效。本文档只在两处加了 cross-reference 链接，承认它们的辖区是命题层：

1. 01-plausible-reasoning.md §1.1 在五项"科学推理比数学逻辑多了什么"列表后增加一项："结构性知识——除了概率约束（'P(C) = 0.7'）和逻辑约束（'A → B'），科学推理还涉及结构性声明（'X 是 Y 的因'、'机制是 M'）。详见 08-causality-and-jaynes.md。"
2. 02-maxent-grounding.md §2 加一段脚注：本文档定义的"约束集 C(I)"涵盖命题层的概率约束和逻辑约束。当 I 还包含因果机制声明时，这些机制不进入 C(I)，而是直接 lower 成 CausalFactor 进入因子图——详见 08-causality-and-jaynes.md。

老文档的所有 worked example、所有数学结果无需修改。

10. 与外部因果库的关系

与 mechanism-first-class spec §1.2 重复声明——避免读者从理论文档进入时困惑"为什么不直接用 DoWhy"。

外部因果库可以分两类：

库	解决的问题	Gaia 是否引入
DoWhy / EconML / CausalNex / Ananke / causal-learn	数据驱动——从观测数据学结构和效应	否。Gaia 是 author-driven（结构由作者声明），不学结构
NetworkX	DAG 算法（祖先、d-separation、adjustment set）	是，作为 kernel 依赖
y0	符号化 do-calculus identification（ID/IDC algorithm）	是，作为 gaia[causal-do] extra（lazy import）
pgmpy 的 do()	在自己的 BN 模型上做数值干预	否。Gaia 自己的 BP 引擎做数值干预，因为 mutilate 需要区分 causal 与 logical 因子（pgmpy 没有这个区分）

也就是说：Gaia 的因果层是"作者声明结构 + Gaia BP 跑数值 + y0 跑符号识别"，不包含从数据学结构这一支。这与 Gaia 整体作为"形式化作者推理"的定位一致。

11. 总结

Gaia 的因果设计可以一句话概括：

Jaynes 的命题层（v0.5）保留不动；Pearl 的结构层（v0.6 Mechanism）作为平行本体引入；二者通过 lowering 到同一个因子图、由 modality-aware BP 算法承载查询语义的差异——do() 切换到 mutilated 因子图，反事实再加 abduction-action-prediction 三步。

这个设计的好处：

1. v0.5 的 Jaynesian 哲学不破裂——命题层的 Cox / MaxEnt / Min-KL 完全保留；
2. Pearl 的因果机器全套可用——d-separation / back-door / ID algorithm / counterfactual 都是一等公民；
3. 作者负担最小化——不需要自己 reconciling 哲学，只需要按 §8 决策表选 verb；
4. BP 引擎不需要因果版本——因果性在查询时通过图重写表达，不在 inference 内核内表达；
5. 承认本体多元性是诚实的——科学知识不是一种本体，硬把 Mechanism 塞进 Claim 是为了形式统一而牺牲语义清晰，得不偿失。

参考文献

• Jaynes, E.T. Probability Theory: The Logic of Science (2003) — 命题层基础
• Cox, R.T. "Probability, Frequency and Reasonable Expectation" (1946) — Cox 定理
• Pearl, J. Causality (2nd ed., 2009) — 结构因果模型、do-calculus、反事实三步法
• Pearl, J., Mackenzie, D. The Book of Why (2018) — 三阶梯科普版
• Cartwright, N. Hunting Causes and Using Them (2007) — 哲学层面对"causal mechanism 不可还原为概率"的论证
• Spirtes, Glymour, Scheines. Causation, Prediction, and Search (2nd ed., 2000) — DAG 因果发现的另一脉
• Shpitser, I., Pearl, J. "Identification of Conditional Interventional Distributions" (UAI 2006) — ID algorithm，y0 实现的算法基础