Konrad Kording 的 Substack（计算神经科学与 NeuroAI 观点）· Konrad Kording·· 2026-02-08AI 评分22
Konrad Kording：为什么高性能机器学习通常无法说明世界如何运作——前向问题与逆向问题之别
Forward vs Inverse problems: why high performance machine learning usually means little about how the world works
AI 导读
Konrad Kording 撰文区分前向（机器学习）问题与逆向（因果）问题：前者学习测量到结果的映射，后者追问哪些变量是真正的干预杠杆。高维生物数据中变量多沿少数潜在因子变化，预测器只需拟合观测流形即可获得高准确率，却无法正确归因；而因果辨识需要协方差矩阵求逆，弱信号方向被放大，微小估计误差即可显著改变因果估计。因此预测成功只说明信息存在，不等于理解机制。
AI 要点
主体
Konrad Kording 在其 Substack 发文，讨论机器学习预测能力与因果理解的区别
事件
作者提出：预测成功只说明信息存在，不等于模型找到了可干预的因果杠杆
时间
发布时间为 2026-02-08 02:29（北京时间）
地点
原文未提及
原因或背景
高维生物、经济、金融数据中变量高度相关，预测只需学到数据流形上的函数，而干预会走向数据未探索的方向
方式或细节
作者用前向（机器学习）与逆向（因果）问题、协方差 Σ 与逆 Θ=Σ⁻¹、条件与 do(X₁=x) 的区别说明；举例 torcetrapib（辉瑞投入约 8 亿美元，ILLUMINATE 试验显示死亡和事件增加）和同型半胱氨酸故事
AI 依据原文整理，未经人工核对。
来源：Konrad Kording 的 Substack（计算神经科学与 NeuroAI 观点） · kording.substack.com