TabPFN因果推断争议

Prior Labs推出的表格基础模型TabPFN正试图突破纯预测范畴，进入因果推断领域。核心争议在于：TabPFN在预训练中基于结构因果模型（SCM）生成的合成数据，其内部表征是否已隐含因果知识？

【背景】传统方法如Pearl或Rubin框架依赖严格的假设或实验数据，而TabPFN声称仅凭观察性数据即可通过“先验拟合”近似贝叶斯推理。

目前存在两条技术路径的分歧：

1. 直接推断派：认为TabPFN本身具备因果能力。例如，Do-PFN项目利用TabPFN架构直接估计干预效果（CATEs），FairPFN则用于消除算法歧视，均无需已知因果图。
2. 探针验证派：Freiburg大学团队指出，虽然TabPFN嵌入中包含因果信息，但需通过额外的“适配器框架”提取并解码为邻接矩阵才能进行因果发现，且该信息主要集中在中间层。这意味着原始TabPFN可能并未完全“理解”因果结构，而是需要后处理来显式化这种知识。

此外，社区对TabPFN是否存在过拟合公开基准测试仍有质疑，认为其在分布外任务中的表现尚待验证。这一争论关乎AI能否在缺乏随机对照试验（RCT）的情况下，可靠地从观察数据中推导因果关系。