GPT4
1. 因果推理的本质： 因果推理涉及利用原始数据之外的背景科学或因果知识，在数据上进行推断。GPT-4在原始数据外部学习科学知识和因果关系，可以用于分析因果问题，做反事实推理等。
2. 深度学习模型的学习过程： 将深度学习模型视为一种渐进学习的过程。模型可以从部分数据中学习知识，然后逐步用学到的知识进行推理，从而获取更多因果知识，形成良好的推理能力。
3. 形式化表示与模型内部表示的关系： 人们在因果推理中可能借助DAG等形式化表示进行推理，但并不意味着需要将完全相同的形式化表示硬编码到模型中。模型可能学习出更高效的表示方法，用不同的形式化方法来表示推理过程。
4. 模型的隐式表征： 深度学习模型可能在学习中形成类似但更高效的表示，而不是直接将人类用的形式化表示硬塞进模型。模型可以根据数据和背景知识发展出适合自身学习能力的表征方式。
5. 连接主义和符号主义的平衡： 不必将连接主义和符号主义争论中的错误重演，即不需要强制将形式化表示硬编码进模型。可以让模型根据数据和背景知识自主学习适合自身的表示方式，以更高效的方式进行因果推理。
6. 推测人与模型的表征： 模型的表征方式不一定要与人类的因果推理方式完全一致。模型可能发展出更适合于大规模数据处理的表征方式，而这并不妨碍其在因果推理上的表现。
