“描述是对既存对象的符号、语词和模型等的摹写；创构是从未存在的感性对象的创设，它是基于人们的需要，根据所设立的潜在结果，得到与之相联系的因素体系，并确定和控制这些因素的相互作用，获得所想得到的结果的过程。”[170]传统因果关系是以已有经验为基础的描述性因果关系。在大数据和人工智能时代，描述性因果关系的解释力弱化，发生向创构性因果关系的转变。
在描述性因果关系视角下，因果关系与相关关系是具有并列关系的两个概念。因果关系与相关关系是质与量的关系。因果关系侧重质，相关关系侧重量。在创构性因果关系视角下，因果关系与相关关系是具有包含关系的两个概念。相关关系并不排斥因果关系。相关关系是算法世界因果关系的定量表达方式，即从量的角度把握因果关系。在创构的过程中，算法将人们关注的重心从因果关系转向变量之间的相关关系。在量化关系中，因果关系被相关关系所取代。原因被转化为因素之间相互作用的过程。创构认知论视角下的因果关系与高度可能性的证明标准相一致。“高度可能性作为证据法中‘情景不可再现’之产物，通过大量证据之间的联系构架出事物原本之面目。”[171](www.xing528.com)
区分描述与创构并不意味着二者截然不同，毫无关联。在创构的层面同样存在“为什么”的内容，它与描述可能存在共同的因果依据。“从技术上说，创构是通过组合操作，生产出满足表现出来的需要的过程。而从哲学上说，创构则建立在对客观对象的存在及其方式和人的需要及其发展的因果性认识基础之上。”[172]在创构论认知视角下，因果基础由线性关系转变为因素关系。传统的因果关系无论是一因一果还是多因一果，因与果之间都呈线性关系，它体现了事物之间必然的或方向性的关联性。而算法世界中的因果关系则是以因素分析为基础的，它体现了事物之间在量上的关联性。“在创构论因果观的视角下，无人驾驶汽车的自主决策能力归因于能够结合大数据分析进行深度学习和自主分析的智能算法，虽然该能力可能中断行为与结果的因果关系，但趋于模糊的因果关系仍具有特定的相关性，并不妨碍责任主体的确定和特定主体的主观归责。”[173]
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
