為什么deepseek的回答如此豐富，如此多維度？

今天和大家聊聊，deepseek核心技術（之一）：反事實推理。

什么是反事實推理？

Counterfactual Reasoning，它是一種通過構建與事實相反的假設性情景，探索因果關系和潛在結果的邏輯推理方法。

舉個例子：

如果我是帥哥，短視頻流量會怎樣？

我是帥哥嗎？不是，這個假設有違事實。

但基于這個假設，會怎么樣呢？

探索一下其中的因果關系與潛在結果。

為什么說反事實推理對deepseek幫助極大呢？

其一，能突破數據量上限。

傳統(tǒng)的大模型，比拼的都是數據量與參數量，需要大量的互聯網數據。但互聯網數據畢竟是有限的，最多把全網的數據都拿來訓練，對吧？

有沒有辦法突破全網數據量上限呢？

有的，虛構數據，反事實推理模擬各種場景，來增強訓練樣本。

其二，助力因果發(fā)現，加強結果的解釋性，關聯性，因果性。

會有人問，虛構訓練數據，那回復的置信度會打折扣吧？

與之相反，反事實推理有著嚴密的數學模型，因果推斷三層次模型，它由美國計算機科學家Pearl提出，是因果推理理論的核心框架。

因果推斷有哪三層次？

第一層：關聯，Association。這一層關注條件概率P(Y|X)，是傳統(tǒng)統(tǒng)計學和機器學習的主要關注點。

這一層能回答：是否具備相關性。

但無法回答：是否具備因果性。

舉例，通過觀察事實發(fā)現：P(肺癌|吸煙) > P(肺癌|不吸煙)

推理得出：肺癌與吸煙相關

但無法推出：吸煙導致肺癌

第二層：干預，Aintervention。這一層關注P(Y|do(X))，即主動干預某一變量，觀察對結果的影響。

這一層能夠回答：如果怎么樣（施加了干預），會怎么樣。

舉例，強制所有人抽煙，然后繼續(xù)觀察事實發(fā)現：

• P(肺癌|do(吸煙=100%)) > P(肺癌)
• P(肺癌|do(吸煙=100%)) != 100%

推理得出：

• 吸煙會使肺癌概率上升；
• 但吸煙不是導致肺癌的原因；

第三層：反事實，Counterfactuals。這一層研究假設性問題，關注xxoo（公式不會輸入）。

這一層關注：如果采取了不同的行動，結果會如何。這里面會用到結構因果建模SCM，反事實計算，可識別性分析等知識，不詳細展開。

畫外音：樓主沒研究透，所以打馬虎眼一筆帶過（這一句發(fā)布時刪除）。

舉例：如果某吸煙者當初未吸煙，肺癌的概率會如何變化。

反事實推理在責任判定（例如：醫(yī)療事故歸因），個性化決策（如果xx怎么樣，如果xx怎樣），人工智能因果解釋性上有大量應用。

總之，通過反事實推理，deepseek能夠更好地揭示變量間的因果鏈。

其三：避免單一輸出，加強分析維度。

這一點用過deepseek的童鞋感受上應該都比較直觀。

你看，deepseek的回答豐富度極高：

• 構造假設，嘗試多方案；
• 多方案進行數據對比；
• 差異歸因；
• 給出結論與建議；

總的來說，deepseek在提示詞優(yōu)化引擎，因果推理模塊，解釋性增強模塊，結論輸出模塊… 等算法、策略、工程架構中都深度結合了反事實推理，其對deepseek的崛起功不可沒。

反事實推理，對我們寫提示詞，獲取更佳的回答質量有什么啟示呢？

下一篇見。。

總結

• 反事實推理是deepseek的核心技術（之一）；
• 反事實推理，是一種通過構建與事實相反的假設性情景，探索因果關系和潛在結果的邏輯推理方法；
• 反事實推理，有著嚴密的數學模型，屬于因果推斷第三層次；
• 反事實推理，能幫deepseek突破數據量上限，加強結果解釋性，提升回復豐富度；

知其然，知其所以然。

思路比結論更重要。