你让系统判断一种治疗是否有效，它交来一条推导工整的公式。问题是：这条公式真的能算出治疗效果，还是只是形式像答案？自动化因果分析不能只会出题和答题，也需要一道验算关。
Francesco Freni、Leonard Henckel 与 Sebastian Weichwald 在论文《Verifying formulas for interventional distributions》中，把这道关卡正式定义为因果图模型里的“验证”问题。因果图模型用带方向的箭头表示变量之间假定的因果关系；箭头决定哪些调整和代数变换能够支持因果结论。本文全部结论目前只来自这篇 2026 年 7 月 15 日提交的 arXiv 论文，尚无第三方复现或应用案例交叉印证。
找得到答案，不等于会批改答案
论文区分了两个容易混淆的问题。
因果识别（identification）问：根据观测数据与给定的因果假设，目标效应能否被唯一算出；如果可以，就寻找一条只含可观测量的公式。验证（verification）则接过别人交来的一条特定公式，检查它是否真的能识别目标干预分布。
干预分布描述“主动把某个变量设为某值后，结果会怎样”，常写成带有 的概率。它不同于仅仅观察到两件事同时发生的条件分布。
作者主张，即使一套识别方法可靠而且完备，也不能直接解决验证问题。说白了，会找到正确答案，并不自动等于能判断任意一份答卷是否正确。这不是说现有识别算法不可靠，而是验证属于另一项任务。
先尝试证伪
论文提出 falsifier——证伪器，思路是先寻找足以推翻给定公式的情形，并将其称为通向实际验证的一条初步路径。作者进一步证明，在 regular exponential-family models（正则指数族模型，一类具有特定统一数学形式的概率模型）中，这个证伪器可以导出一个 almost-surely correct verifier，也就是“几乎必然正确”的验证器。
基于该验证器，作者又开发了 gateway test。论文称，它能找出所有可用于 front-door formula（前门公式，一类在特定因果图条件下计算干预效应的公式）的 admissible sets，即满足使用条件的变量集合。这个“所有”只适用于前门公式的这一限定任务，不能泛化成找出所有因果调整集合。
为什么值得关注
如果因果分析越来越多地由程序自动推导，系统不仅要回答“有没有公式”，还要检查外部给定或自动生成的公式。验证器因此可能成为可信自动化的一道独立关卡：防止一条公式符号齐全、推导像样，实际却没有识别目标效应。
局限与未知
- 现有材料没有披露证伪器与 gateway test 的具体步骤，也没有实验数字或应用案例。
- “几乎必然正确”的完整成立条件、概率来自何种随机性，以及是否要求模型设定正确，摘要均未说明；不能把结论扩展到任意因果模型或任意公式。
- “实际路径”是作者的定位。单一论文尚不足以证明它已经具备实际可用性。