最先进的机器学习方法存在两个严重的问题。一是最强大的模型过于复杂，任何人都无法理解或解释。

例如，深度神经网络非常灵活——它可以学习非常复杂的模式——但它本质上是一个没人能看透内部的“黑匣子”。相反，更透明的模型，如线性回归，通常限制太多而无法使用。

更强大的学习算法虽然在棋盘游戏等人工环境中取得了惊人的成功，但在现实世界、动态、低信噪比环境中往往会失败——例如金融市场或商业部门。这是因为它们“过度拟合”了过去的相关性，而这些相关性在未来可能会崩溃。

新一代因果 AI 技术解决了这两个问题，生成了高度准确的模型，可以避免过度拟合，而且本质上也是可以解释的。因果人工智能通过从仅与目标变量虚假相关的特征中抽象出来，而是将少数真正的因果驱动因素归零，从而实现了高预测准确性。

至关重要的是，使用因果 AI 构建的模型也是高度透明的。它们精干、简单，揭示了在数据中发现的输入特征和目标变量之间的系统性因果关系，此外，还以直观的可视化方式呈现这些关系。

然而，对因果解释的需求推动了科学发现和商业研究与开发。“可解释性”一词在 AI 圈子中被广泛滥用：它通常用于指代算法逻辑的透明度；不是关于世界上什么条件导致算法做出决定的说明。因果 AI 超越了狭义上的透明度，对基础数据生成过程产生了真正的洞察力，这在日常生活和科学发现中是无价的。

因果人工智能结合了人类和机器的互补优势：我们丰富的世界知识和对因果关系的直觉把握可以与机器支持的因果推理和模拟携手合作。这种伙伴关系使我们能够开始利用人工智能的全部潜力。

大多数强大的机器学习模型都过于复杂，任何人都无法理解或解释，并且在复杂的动态环境中“过度拟合”过去。因果 AI 解决了这两个问题，构建了高度准确且本质上可解释的模型。