构建与事实相反的假设性情景，探索因果关系和潜在结果
《DeepSeek 原理与实践》第 7 篇：deepseek 极限潜能 – 反事实推理（上）。
为什么deepseek的回答如此丰富，如此多维度？
今天和大家聊聊，deepseek核心技术（之一）：反事实推理。
什么是反事实推理？
Counterfactual Reasoning，它是一种通过构建与事实相反的假设性情景，探索因果关系和潜在结果的逻辑推理方法。
举个例子：
如果我是帅哥，短视频流量会怎样？
我是帅哥吗？不是，这个假设有违事实。
但基于这个假设，会怎么样呢？
探索一下其中的因果关系与潜在结果。
为什么说反事实推理对deepseek帮助极大呢？
其一，能突破数据量上限。
传统的大模型，比拼的都是数据量与参数量，需要大量的互联网数据。但互联网数据毕竟是有限的，最多把全网的数据都拿来训练，对吧？
有没有办法突破全网数据量上限呢？
有的，虚构数据，反事实推理模拟各种场景，来增强训练样本。
其二，助力因果发现，加强结果的解释性，关联性，因果性。
会有人问，虚构训练数据，那回复的置信度会打折扣吧？
与之相反，反事实推理有着严密的数学模型，因果推断三层次模型，它由美国计算机科学家Pearl提出，是因果推理理论的核心框架。
因果推断有哪三层次？
第一层：关联，Association
这一层关注条件概率P(Y|X)，是传统统计学和机器学习的主要关注点。
这一层能回答：是否具备相关性。
但无法回答：是否具备因果性。
举例，通过观察事实发现：
P(肺癌|吸烟) > P(肺癌|不吸烟)
推理得出：肺癌与吸烟相关
但无法推出：吸烟导致肺癌
第二层：干预，Intervention。
这一层关注P(Y|do(X))，即主动干预某一变量，观察对结果的影响。
这一层能够回答：如果怎么样（施加了干预），会怎么样。
举例，强制所有人抽烟，然后继续观察事实发现：
P(肺癌|do(吸烟=100%)) > P(肺癌)
P(肺癌|do(吸烟=100%)) != 100%
推理得出：
- 吸烟会使肺癌概率上升；
- 但吸烟不是导致肺癌的原因；
第三层：反事实，Counterfactuals。
这一层研究假设性问题，关注xxoo（公式不会输入）。
这一层关注：如果采取了不同的行动，结果会如何。这里面会用到结构因果建模SCM，反事实计算，可识别性分析等知识，不详细展开。
楼主没研究透，所以打马虎眼一笔带过（这一句发布时删除）。
举例：如果某吸烟者当初未吸烟，肺癌的概率会如何变化。
反事实推理在责任判定（例如：医疗事故归因），个性化决策（如果xx怎么样，如果xx怎样），人工智能因果解释性上有大量应用。
总之，通过反事实推理，deepseek能够更好地揭示变量间的因果链。
其三：避免单一输出，加强分析维度。
这一点用过deepseek的童鞋感受上应该都比较直观。
你看，deepseek的回答丰富度极高：
- 构造假设，尝试多方案；
- 多方案进行数据对比；
- 差异归因；
- 给出结论与建议；
总的来说，deepseek在提示词优化引擎，因果推理模块，解释性增强模块，结论输出模块… 等算法、策略、工程架构中都深度结合了反事实推理，其对deepseek的崛起功不可没。
反事实推理，对我们写提示词，获取更佳的回答质量有什么启示呢？
下一篇见。
总结
- 反事实推理是deepseek的核心技术（之一）；
- 反事实推理，是一种通过构建与事实相反的假设性情景，探索因果关系和潜在结果的逻辑推理方法；
- 反事实推理，有着严密的数学模型，属于因果推断第三层次；
- 反事实推理，能帮deepseek突破数据量上限，加强结果解释性，提升回复丰富度；
检验一下
反事实推理的原理知道了，那它对我们写提示词到底有什么用？——第 8 篇，答案是一个 CREATE 框架，会这一招就够了。
知其然，知其所以然。思路比结论更重要。