“贝叶斯网络之父”、美国计算机科学家和哲学家朱迪亚·珀尔（Judea Pearl）以在人工智能领域的基础性贡献而知名。他提出概率和因果性推理演算法，改变了人工智能最初基于规则和逻辑的发展方向，并因“研发与概率和因果推理有关的算法而在人工智能领域作出杰出贡献”获得了2011年度图灵奖。珀尔在其近年来的研究成果中多次提出，当前人工智能对因果关系的分析，不恰当地依赖基于大数据的概率统计，使人工智能难以实现跨越式发展。为此，他提出对因果关系理论的新看法，针对不确定性因果关系分析，开发贝叶斯网络和结构因果模型，并用它们处理因果关系分析中存在的潜在信息和干扰信息，为分析复杂因果关系提供了新视角。
提出因果关系之梯概念
哲学家大卫·休谟（David Hume）认为，因果关系是人的一种想象，人类通过想象将两个经常相伴存在的事件之间的关系总结为因果关系。珀尔提出，因果推断能力是人的根本能力，要破解因果关系密码，让人工智能或者机器人具有因果推断能力，就要对人的因果关系意识进行系统分析。
珀尔从人的因果关系意识形成过程出发，提出因果关系之梯的概念。在他看来，人类需要借助观察能力、实践能力和想象力，并经过关联、干预和反事实推理这些步骤才能实现因果推断。观察能力是人所具有的收集、整理信息的能力，也是规律性认识产生的基础。实践能力是通过调整周围条件达到预期效果、建立非自然的简单因果关系的能力。想象力则可以帮助人们将对某一事物及其与其他事物关系的认识，上升为一种普遍的、统一的认知，有助于找到事物间的潜在因果关系。若一个生命体获得了上述三种能力，该生命体便具有理解因果关系和建构因果关系的能力。
珀尔借助“因果关系之梯”对因果关系意识进行逐层解构。第一层为关联，即观察者通过观察，寻找规律，在自身意识中建立因果关系图。第二层为干预，即观察者将观察与主动改变相结合，在意识中调节因果概率图。第三层为反事实推理，在这一层面，观察者需要构建一个假想世界，假设造成某种结果的条件不存在，并推理出在这种情况下相关结果会如何变化，验证因果关系是否成立。珀尔发现，人可以轻易地通过意识活动分析不确定性因果关系，挖掘潜在信息，排除因果关系中的干扰因素。
