青崖谷的人世代以采崖蜜为生。谷深林密，地气郁结，每逢春秋便有幽瘴漫起，人入谷久了便头晕肢麻，重者昏睡不醒。谷口世代设一位 “执秤人”，专司每日判断瘴气轻重，定夺开谷或是封谷。

执秤人的法子是祖上传下来的，只传内门弟子。老执秤人姓苏，收了个徒弟叫阿槿，入门三年，只学着每日记下三样事：山巅的云色、林里的蜂声、草叶的晨霜。

阿槿起初觉得道理浅显：云色越灰，瘴气越重；蜂声越弱，瘴气越重；晨霜越黑，瘴气越重。三样各打个分量，加起来总分过了线，便封谷。他照着自己的法子试了半月，有对有错，错的那些总差了分毫，摸不准差在哪里。

这天晨起，阿槿巡了一圈回来，脸色发白：云是沉灰色，草叶结了层黑霜，蜂声也蔫蔫的。三样全占了，他觉得铁定要封谷，连忙去请师父。

苏师父听完，慢慢问：“你去看山口的马尾松了？枝梢晃不晃？”阿槿一愣，跑去看了，回来道：“枝梢纹丝不动，半点儿风都没有。”苏师父点头：“那今日确实要封谷。”阿槿纳闷：“师父，我看三样都齐了，本就该封谷，您还问风做什么？”苏师父摇头：“若方才松梢晃得厉害，今日便不用封谷。”

阿槿不解。在他看来，霜就是霜，蜂就是蜂，云就是云，每一样都是指着瘴气的凭据，和风有什么相干？霜重本就是瘴气重的明证，难道有风的时候，霜就不算数了？

苏师父没直接答，带他进了祖堂，指着墙上一张泛黄的麻纸图。图上画着几样物事：地脉、云、风、瘴、蜂、霜，用墨线连着，都是从一个指向另一个，没有回环，像一株分了枝的枯树。

“这是先辈传下来的‘脉图’。” 苏师父道，“你觉得每一样迹象都直接系在瘴气上，其实不是。世上的事，有因有果，有先有后，不是一根根线都拴着同一个结果，而是顺着根脉，一层层生出来的。”

他指着图最上方的两处：“最根子上的，是两样没人能直接看见的事：一个是地脉生寒，一个是山风过境。地脉寒了，往上走，山巅的云就会凝灰；往下沉，谷里就会郁积瘴气。山风过来了，会吹散瘴气，却也会让草叶结出霜来 —— 这霜和风有关，和瘴气也有关，不是只有瘴气才会结霜。”

阿槿盯着图，慢慢反应过来：“所以…… 如果结了霜，可能是瘴气重，也可能是有风。要是真的有风，那霜就怨不得瘴气，就算霜再重，也不能算在瘴气头上？”“正是。” 苏师父道，“这叫同果异因。看到同一个结果，不能只往一个因上想。你先前把每样迹象都各算一份账，等于把同一份凭据反复数好几遍，自然会算错。”

他又指着云、地脉、瘴气那三条线：“再看云色。云色灰，是因为地脉寒；地脉寒，才会生瘴气。所以云色灰，是隔着一层地脉，间接指着瘴气。要是你已经确知地脉寒不寒，那云色再怎么变，也和瘴气没关系了 —— 脉路在中间断了，两头就各不相干。”

阿槿低头想了许久。他想起前几日的一次错判：那日云色极灰，霜也重，但蜂声清亮得很。他按自己的法子算下来分量很足，主张封谷，师父却说没事，照常开谷，果然一整天都没人生瘴病。现在想来，那日风大，霜是风吹出来的；而地脉虽寒，瘴气却被风吹散了，所以蜂声才清亮。他把云的账、霜的账、蜂的账全加在一起，却没看见霜和蜂本就走的两条脉路，风已经把瘴气的脉给掐断了。

苏师父又道：“先辈画这张图，不是凭空臆造的。是几十年里，一辈辈执秤人记下了上千个清晨的样子：地脉寒的日子有多少，寒的时候云灰的有多少，寒的时候生瘴气的又有多少；有风的日子有多少，有风的时候结霜的有多少，有风的时候瘴气散掉的又有多少。每一条脉上，都记着个‘十成里占几成’的数。顺着这张脉图，看见什么果，就能往回推因有几分把握；知道了什么因，就能往前算果有几分可能。不用混在一起瞎猜，也不会把同一份凭据数两遍。”

这年深秋，苏师父染了风寒，起不来床。那日天刚亮，阿槿独自巡谷。第一眼看见草叶上结了黑霜，他心里先沉了一下 —— 按先辈记下的数，结霜的日子里，有近六成是瘴气重。再往里走，听见蜂声沉弱，他的心又提了一截：蜂声弱的日子，瘴气重的能占到八成。两样叠在一起，换作以前他早就奔回去封谷了。但他想起了那张脉图，停住脚，抬头看山巅：云色清亮，半点儿灰意都没有。他又去看山口的马尾松：松梢静静垂着，一丝风都没有。

他站在原地，顺着脉路一点点推：地脉生寒的日子本就不多，十成里不过两成；地脉不寒的话，云色几乎不会灰。今天云这样清，地脉大概率是没寒的。地脉不寒，瘴气自己平白生出来的可能就很低，十成里不到一成。可现在蜂声沉弱，草叶结霜，又没有风 —— 风本来就会吹散瘴气，没风的话，瘴气更容易积着；但没风的话，霜又只能是瘴气带来的。他按着先辈记下的比例，在心里一点点折算：本来瘴气的底子很低，但蜂弱加无风霜，这两样叠起来，又把把握提了上去；可云色清亮，又说明地脉没寒，把瘴气的根子掐去了大半。算到最后，他觉得瘴气重的把握大概只有三四成，还没到封谷的地步。

他犹豫了半晌，最终还是开了谷，只吩咐采蜜人带上解瘴的草药，不要深入谷中。到了傍晚，采蜜人都平安回来，没人犯瘴病。苏师父躺在床上听了经过，笑着点了点头。

后来阿槿成了新的执秤人，把那张脉图修得更细，又添了几样新的迹象，每一条脉上的比例都算得更准。再后来，有个游学的算学先生路过青崖谷，看见这张脉图，愣了许久，说西域有一种学问，专讲这种 “凭果推因、依脉算度” 的法子，画出来的图，和这张脉图几乎一模一样。那学问里，它叫贝叶斯网络。

一、贝叶斯网络核心概念（研究生层面）

贝叶斯网络（Bayesian Network, BN）又称信念网络，是基于概率语义的有向无环图（Directed Acyclic Graph, DAG）概率图模型，是不确定性推理与因果建模的核心框架之一。其核心思想是利用变量间的条件独立性，将高维联合概率分布分解为低维局部分布的乘积，在大幅降低建模与推理复杂度的同时，保留严谨的概率语义与可解释性。

1. 基本构成

• 节点
  ：每个节点对应一个随机变量，既可以是可观测的证据变量，也可以是不可观测的隐变量（如系统状态、潜在病因）；变量可以是离散型，也可以是连续型。
• 有向边
  ：从父节点指向子节点的有向边，代表变量间存在直接的条件依赖关系，通常对应因果语义：父节点是 “因”，子节点是 “果”。
• 条件概率表（Conditional Probability Table, CPT）
  ：每个节点关联一张条件概率表，刻画在其父节点所有可能取值组合下，该节点取不同值的条件概率分布；对于无父节点的根节点，CPT 退化为其先验概率分布。

2. 数学核心：联合分布分解与条件独立

贝叶斯网络的理论基石是局部马尔可夫性：给定一个节点的所有父节点，该节点条件独立于其所有非后代节点。基于这一性质，n 个变量的联合概率分布可以分解为：P(X1,X2,...,Xn)=∏i=1nP(Xi∣Pa(Xi))其中 Pa(Xi) 表示节点 Xi 的父节点集合。这一分解将原本指数级复杂度的高维联合分布建模，转化为多个局部条件分布的独立建模，参数规模与推理成本大幅下降，是贝叶斯网络能落地解决实际问题的关键。

3. 典型推理模式与核心效应

贝叶斯网络支持多方向的概率推理，常见模式包括：

• 因果推理（由因推果）
  ：已知原因变量的取值，顺向计算结果变量的后验概率。
• 诊断推理（由果推因）
  ：观测到结果变量的取值，逆向更新原因变量的后验概率，本质是贝叶斯定理的应用。
• 混合推理
  ：同时存在已知的原因证据与结果证据，进行多方向的概率更新。

其中 ** 解释消除（Explaining Away）** 是贝叶斯网络最具标志性的推理效应：对于两个独立的根节点共享同一个子节点（共同结果结构），未观测子节点时两原因相互独立；一旦观测到子节点发生，两个原本独立的原因会变为负相关 —— 确认其中一个原因成立，会显著降低另一个原因的后验概率，即 “一个原因已经能解释结果，另一个原因的必要性就下降了”。

4. 条件独立的图论判定：D - 分离

贝叶斯网络中所有的条件独立关系，都可以通过图结构的 D - 分离（D-separation） 准则严格判定：若一条路径上的所有节点都被观测变量集合阻断，则路径两端的变量条件独立。三种基础结构的独立规则为：

• 链式结构（A→B→C）：给定 B 时，A 与 C 条件独立；
• 分叉结构（A←B→C）：给定 B 时，A 与 C 条件独立；
• 汇合结构（A→B←C）：未观测 B 时，A 与 C 独立；观测 B 后，A 与 C 不独立。