结构因果模型（Structural Causal Model, SCM）是一套用有向图和结构方程描述变量之间因果机制、并支持“干预”和“反事实”推理的框架。它关心的不是“X 和 Y 是否一起变”，而是“如果我主动改变 X，Y 会怎样”。
先看一个经典例子：夏天冰淇淋销量和溺水人数往往同步上升，相关（correlation）很强。只看数据，很容易得出“冰淇淋导致溺水”的荒唐结论。SCM 会把世界画成一张有向无环图（Directed Acyclic Graph, DAG）：节点是变量，箭头代表“谁直接影响谁”。图上会画：天气热 → 冰淇淋销量；天气热 → 溺水人数。天气就是混杂因子（confounder），它同时影响两者。
这时问“如果强行把冰淇淋销量翻倍，溺水会增加吗？”在图上对应一次干预（intervention），记作 do(冰淇淋销量=翻倍)：砍掉所有指向冰淇淋的箭头，只保留从冰淇淋出发的因果路径。结果发现没有路径通往溺水，于是结论是不会。结构方程（structural equation）则像每个节点的“生成规则”，例如：溺水人数 = f(天气, 随机因素)。有了方程，还能算反事实（counterfactual）：“今天同样热，但冰淇淋没卖那么多，溺水人数会是多少？”
SCM 和相邻概念的区别可以这样看：
| 概念 | 关心什么 | 边代表什么 | 能否回答干预/反事实 |
|---|---|---|---|
| 相关分析 | 变量一起变 | 无向关联 | 不能 |
| 贝叶斯网络（Bayesian Network） | 联合概率与条件独立 | 概率依赖 | 通常不能直接回答 |
| SCM | 因果机制 | 直接因果影响 | 能，借助 do 算子（do-operator）等 |
对 AI 从业者来说，SCM 是因果推断的共同语言：设计 A/B 测试、去除混杂、提升分布外泛化、做公平性分析时，都能用图先把假设画清楚，再决定该控制哪些变量。对普通职场人，它也很实用：看到“数据显示 A 和 B 相关”，先别急着下结论，问一句——有没有共同原因？如果我真正改变 A，B 会变吗？谁在背后同时影响两者？能把这些问题讲清楚，就已经在用 SCM 的思维方式了。