引子

一篇关于气候变化极端事件归因的研究引发了方法论争议。研究团队用最优指纹法将一次极端热浪的发生概率分解为人为温室气体贡献、自然变率贡献和气溶胶贡献。结论为：人类活动使该事件的发生概率增加了约八倍。结论被广泛引用，并在政策讨论中被作为“因果证据”使用。

但一封来自统计物理学家的公开信提出了一个不同的问题：“如果系统存在多个反馈回路——如果热浪本身改变了土壤湿度，土壤湿度改变了感热通量，感热通量又放大了热浪——那么‘贡献分解’还是唯一的吗？如果交换回路的次序，分解的结果是否仍然保持不变？”

研究团队回应“对于线性系统，贡献分解是唯一的。但对于具有强反馈的非线性系统，分解结果依赖于分解的时间顺序和所使用的参考状态。”在气候系统中，参考状态本身就是由过去所有相互作用历史所决定的——更换参考状态，贡献分配也会随之改变。

这意味着，在极端事件归因中使用的“温室气体贡献X%、自然变率贡献Y%”这种语言，本身是一种构造。它在一个具有反馈纠缠、互为因果、路径依赖的非线性系统中，假设了一种线性可分解的结构——而系统的真实结构可能不支持这种分解。

构造学论要追问的是：在具有整体性、非线性、反馈纠缠和强涌现特征的复杂系统中，“因果”和“相关”究竟是什么？它们是系统本真的一部分，还是人类为了认知和干预而构造的工具？如果二者都是认知工具而非系统本真，那么它们之间是否存在一个“根本区别”？归因分析、因果推断、机器学习中的特征重要性——所有这些方法都在用什么样的认知框架切割系统？

一、简单系统中的因果与相关：本质关联与统计表象

在简单系统中——或者说，在线性、低耦合、无反馈的系统中——因果与相关之间的区分是清晰的、有层次的。

相关是变量之间的统计共变关系。两个变量同时变化，未必说明一个引起了另一个——可能两者同时受到第三个变量的驱动。相关不提供关于“谁引起谁”的信息。

因果是变量之间的定向依赖关系。A的变化导致B的变化，而且这种关系在时间顺序上是一致的（A先于B变化），在干预实验中也成立（改变A，B随之改变）。因果揭示的是系统的本质联系——它告诉我们系统是如何运作的。

在简单系统中，因果优于相关。因为因果能够解释系统为什么这样运行，而相关只能描述系统如何共变。如果人类的目标是理解并干预系统，因果提供了比相关更直接的操作依据。

但“简单系统”这个前提是关键的。当一个系统具有强非线性、多个反馈回路、以及宏观行为不能从微观机制直接推出的涌现特征时，因果与相关之间的关系会发生变化。

二、复杂系统中的因果：线性逻辑对非线性实在的切割

在具有反馈纠缠的复杂系统中，因果不再是一个可被唯一追踪的链条。

首先，循环反馈的存在使得“因”与“果”在同一个回路中交换位置。在气候系统中，海表温度升高导致海冰融化，海冰融化降低反照率，反照率降低导致更多太阳辐射被吸收，更多辐射吸收导致海表温度进一步升高——温度（因）→融化（果）→反照率降低（新的因）→温度再升高（新的果）。在这个回路中，同一个变量（温度）在不同的时间位置既是因也是果。不存在一个“起始的”因和一个“最终的”果——只有持续运行的闭环。

其次，宏观状态的涌现不能被分解为微观因果链的总和。一个热带气旋的生成，不能通过追踪每个空气分子的轨迹来预测。气旋的行为来自多尺度过程的耦合——大尺度环流提供背景条件，中尺度对流提供组织化，小尺度湍流提供能量传输。在这个耦合过程中，因果链不是线性的，而是分层的、嵌套的、多对多的。

第三，路径依赖使得历史条件本身成为因果结构的一部分。系统当前的状态不仅取决于当前的输入，还取决于它过去所经历的路径。同样的输入在不同的历史条件下会产生不同的输出。这意味着，即使在相同的系统配置下，也无法保证相同的因会产生相同的果——因为系统的状态已经不同了，而状态本身就是因果结构的一部分。

在具有这些特征的系统中，人们认定的“因果关系”，实际上是对系统连续演化过程的一种局部截取——我们选择了一个时间窗口，选择了一组变量，选择了一个分析框架，然后说“在这个窗口、这组变量、这个框架下，A导致了B”。但如果换一个时间窗口，或换一组变量，或换一个框架，“因果关系”的指向可能发生变化。

三、复杂系统中的相关：统计工具对耦合整体的投影

相关在复杂系统中面临的问题，是另一种类型。

相关性通过数据统计归纳得出，可以刻画变量之间的共生伴随特征，但它有两个根本限制：

第一，相关性不能区分直接关联与间接关联。两个变量可以高度相关，但中间可能隔着多个中介变量。当系统的耦合通道密集时，几乎任意两个变量都可能通过某个中介路径产生统计关联。在算法趋同的推荐系统中，A和B的内容特征高度相关，不是因为A借鉴了B，而是因为它们同时在应对同一个用户群体更短的平均停留时间。相关性的解释空间在密集耦合系统中会变得过于宽泛。

第二，相关性可能遮蔽深层隐变量。两个变量的相关可能是由第三个未被测量的变量驱动的。在复杂系统中，未被测量的变量可能比被测量的变量更多。因此，从相关性中提取的任何结论，都面临着“遗漏变量”的风险。

但在复杂系统中，相关性的这些限制并不意味着它是“更低级”的工具——因为因果在这个环境中也没有更可靠的可用性。

四、二者的同层地位：两种方式切割同一张织体

在构造学论的视角下，复杂系统是一张织体——连续的、耦合的、同时演化的、具有多层反馈的关联网络。织体上的每一条线都与其他线相连，任何一个节点的变化都会沿着多条路径传递，且传递的方向和强度随系统状态变化。

因果是对这张织体的纵向切割——沿着时间方向，选择一条路径，追踪“从A到B”的定向传递。它忽略了与这条路径同时运行的其他路径，也忽略了被选为“因”的变量在系统中同时作为“果”的反馈位置。

相关是对这张织体的横向切割——选择一组变量，测量它们的同步或滞后共变，记录“它们经常一起变化”的模式。它不指定方向，也不追问深层机制，但它可以在密集耦合的系统中记录到某种共存模式，为后续的干预提供初始定位。

在简单系统中，这两种切割之间存在优劣顺序。纵向切割通常提供比横向切割更多的机制信息。但在复杂系统中，两种切割都只能揭示织体的一个局部——纵向切割忽略了回路的闭合，横向切割忽略了方向的缺失。两者都无法独立反映系统的内在本质关联，因为系统的本质关联就是织体本身——连续的、耦合的、同时演化的、具有多层反馈的——而非任何一种切割方式所呈现的片段。

五、构造学论的立场：因果与相关是认知模型，不是系统本真

如果一个系统具有整体涌现、循环反馈、路径依赖和强非线性特征，那么系统的本真状态是一个连续演化的耦合过程——在这个过程中，变量之间的相互影响是同时的、多向的、不断重组的。不存在“最终的本质因果链条”等待被发现，因为系统的演化是一个持续发生、不断自修正的过程，而不是一个预先写好的可分解序列。

在这个意义上，因果和相关都不是系统本真的一部分——它们是人类为了认知和干预而构造的认知工具。

因果使我们能够在系统中标记一个干预点，并预测如果改变这个点，系统可能会发生什么变化。相关使我们能够从数据中识别出经常共同出现的模式，用来缩小需要关注的变量范围，或者用于训练预测模型。

两者都服务于同一个目的：认知降维、趋势预判与行为干预。它们在结构上是同层的——都是人类有限认知对连续、耦合的系统整体进行切割和简化后形成的工具。它们都无法穷尽和覆盖系统的本质关系，因为系统的本质关系在运行中持续更新着自身的连接方式。

六、结语：织体与工具

因此，归因分析中得到“温室气体贡献X%、自然变率贡献Y%”的结论，是在一个有反馈纠缠的系统中假设了一种线性可分解的结构。这个假设不是系统本真的描述——它是一个认知模型。它在特定条件下有效，但它的有效性不等于它触及了系统本质。在复杂系统中，一个有效的模型和一个真实的模型之间，可能存在着不可跨越的间距。

因果与相关都是面向实用的构造。在简单系统中，因果优于相关。但在复杂系统中，二者处于同一层级——它们都是从不同角度、用不同方式对同一张织体的切割。承认这一点，不是放弃对系统的理解，而是更清楚地认识到：我们所能拥有的理解，是在什么条件下、以什么代价、以什么方式被构造出来的。

织体始终在运行。而我们用来描述它的每一条线——无论标记为“因果”还是“相关”——都是我们安放在织体上的工具。它们帮我们导航，但织体本身并不因我们放置的工具而改变其运行结构。我们只是用工具在它上面划出了可识别的路径，而那些路径本身，也是构造的产物，而不是织体中被预先标记的线条。

支持单位：