《‍deepseek原理应用与实践》

7.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，Aintervention。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：

1. 吸烟会使肺癌概率上升；

2. 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。

画外音：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：

1. 构造假设，尝试多方案；

2. 多方案进行数据对比；

3. 差异归因；

4. 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

1. 反事实推理是deepseek的核心技术（之一）；

2. 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；

3. 反事实推理，有着严密的数学模型，属于因果推断第三层次；

4. 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；

知其然，知其所以然。

思路比结论更重要。

补充阅读材料：

《因果推断三层结构》

https://web.cs.ucla.edu/~kaoru/3-layer-causal-hierarchy.pdf

pdf，可下载，只有一页，强烈推荐阅读！

==全文完==

20年，系列1（已完结）：

《架构师定会遇到的80个经典架构问题！》

25年，系列4（图文+视频，暂定20讲）

《deepseek原理+应用+实践》：

《最大化deepseek潜能 - 3大原则（1）》

《最大化deepseek潜能 - 多跳推理（2）》

《最大化deepseek潜能 - MOE（3）》

《最大化deepseek潜能 - 知识图谱激活（4）》

《最大化deepseek潜能 - 动态注意力机制（5）》

《最大化deepseek潜能 - 认知脚手架（6）》

卧槽，宝藏号，有点东西，日更，果断关注。

一键三连，让平台知道什么值得被推荐。