你看到一组医疗数据：用药的人康复得更慢。直觉上，药似乎没有效果，甚至可能有害。但还有一种解释：病情越重的人越可能用药，也越难康复。真正同时影响“用药”和“康复”的病情严重程度没有被记录，模型只能盯着眼前的关联。数据收集得再多，这个遗漏也不会自动消失。
这正是 Mark Louie F. Ramos 于 2026 年 7 月 30 日提交的一篇 arXiv 预印本 所讨论的问题。论文关注的不是常见的“样本太少，所以结论不稳”，而是更棘手的一种情况：样本越多，某些可见关联得到的统计支持越强，但研究者仍无法保证自己找到了背后的真实因果结构。
换句话说，因果发现可能越算越确定，却只是更精确地描述了一个不完整的世界。
数据能看清什么，也取决于它没看见什么
因果发现——仅凭观测数据中的关联和独立性模式，推测变量之间可能存在怎样的因果结构——听起来像是让数据自己回答“谁导致了谁”。但它一直依赖一些仅凭数据无法完全验证的前提，其中一个关键前提是：没有漏掉重要的混杂因素。
所谓混杂因素，是同时影响所谓原因和结果的第三个因素。前面的医疗例子中，病情严重程度既影响是否用药，也影响能否康复。如果它没有进入数据，就成了“未测混杂”。模型可能把它制造的关联误读成用药本身的效果。
论文进一步讨论了一种带有“代理变量”的情形。代理变量是与真正关心、但无法直接观察的变量相关的可见指标。它能透露一部分信息，却不等于那个真正的因果变量。例如，真实因素没有被记录，数据里只有若干与它相关的指标。自动搜索因果结构时，这些指标可能被当成真正的因果节点来解释。
问题也由此变得微妙：代理变量之间的关联可以是真实而稳定的。统计估计并没有凭空出错。但从“这些可见变量确实相关”，跳到“它们就是底层因果机制”，中间仍隔着一道数据无法自动填补的缺口。
越来越确定，究竟确定了什么？
这篇论文给出的核心贡献，是对上述限制做“渐近刻画”。渐近讨论问的是：如果样本量不断增加，趋近于无限，方法最终会怎样。
通常，更多样本会压低抽样噪声。一次小调查中若隐若现的关系，在大样本里可能变得清晰，估计也会更稳定。但论文指出，当真正的因果变量不可观测、数据里只有与它相关的代理变量时，增加样本量会让涉及这些可见代理的关联获得越来越强的统计支持。
这并不意味着统计方法把关联估错了，也不等于算法一定会给出错误的因果方向。更准确的说法是：数据越来越充分地证明了“观测空间内确实存在稳定关系”，却没有因此证明“这个关系就是底层的真实因果结构”。
可以把它理解成一张缺了一块的地图。提高测量精度，能让现有道路的位置越来越准确；但无论测多少次，都不会凭空补出从未画进地图的那座桥。精度提高和地图完整，是两件事。
因此，标题里醒目的“错误因果解释”需要克制理解。论文摘要支持的是“不保证识别底层因果结构”，而不是“所有因果发现算法最终都会稳定地输出错误答案”。所谓“越来越自信”，具体指可观测代理变量的关联获得更强统计支持，而非某个算法必然对错误方向给出越来越高的置信度。
更多数据不是缺失假设的替代品
这项工作的提醒，落在自动因果发现的可信边界上。
我们容易把两件事混在一起：一是统计不确定性，即一个关系会不会只是样本波动造成的；二是因果识别，即数据中的关系能不能唯一对应真实机制。增加样本量擅长解决前者，却不必然解决后者。一个结果完全可能在统计上越来越稳定，同时在因果上仍有多种解释。
这也解释了为什么“继续收集数据”和“寻找更稳定的结构”并非总能修复问题。如果关键原因从未被测量，新数据只是反复观察同一个受限的变量空间。模型会更清楚地认识这个空间，却未必更接近空间之外的真实原因。
论文的价值不在于宣布因果发现失效，而在于划清一句经常被忽略的界线：统计置信度回答“眼前的关系有多稳定”，因果解释则回答“它为什么发生”。前一个数字变得更漂亮，不能自动替后一个问题作答。
局限与未知
- 目前材料来自单作者 arXiv 预印本，尚未提供同行评审信息；上述专题结论均来自同一信源，无法做跨机构交叉印证。
- 抓取材料没有披露具体定理条件、适用算法、实验数据、错误率或样本量阈值，因此不能把结论推广为“所有因果发现方法都会越算越自信地错”。
- 摘要说明论文给出了渐近刻画，但现有材料不足以展开其证明、假设边界，以及哪些额外信息或条件可能恢复真实因果结构。