Judea Pearl 对 Michael Jordan 的研究表示异议：不是所有随机对照实验都称为「反事实」探究，尤其是在智能资讯时代，对于物品性能评估中，我们需要更加精准地使用这些研究方法。最近，一篇由 Michael Jordan 教授领导的研究在推特上被转发后，遭到了 Judea Pearl 的批评。这篇论文提到了一种构造算法，该算法聚焦于因果推理泛函，并通过有限差分逼近统计泛函的 Gateaux 导数。在概率分布是先验未知但也需要从数据中估计的情况下，作者还进一步考察了经验、数值和分析 Gateaux 导数之间的关系。

Michael Jordan 教授用贝叶斯网络而不是 SCM 来做反事实，所以他认为可以在不使用 SCM 的情况下进行第三阶梯（即反事实）的推理计算。然而，Pearl 认为任何声称使用贝叶斯网络（Rung-2）进行反事实计算的人都应该受到质疑，因为这涉及的是第二阶梯，而不是第三阶梯的反事实，即 E[Y(1)Y]。

一位俄罗斯研究员指出，反事实涉及的问题类似于“如果治疗方案不同，结果有多大可能不同？”所以，这篇论文并没有做到真正意义上的反事fact computing。ar-tiste 回应说，他并没有宣称 SCM 是错误的，而是认为 SCM 是一个特例，如果做一个 bnet 的全概率分布的 FUNCTIONAL Taylor 级数，那么该扩展中的主导项就是 SCM。他认为，这正是 Jordan 这篇论文所要探讨的问题。

这个说法引起了 Pearl 强烈的反对，他表示自己并没有声称“只能使用 SCM 进行反事实计算”，他的态度是，“如果你想了解你在做什么，你想捍卫或检验你的假设，那么你就需要知道反事实来源于 SCM”。Pearl 引用了他早在 2014 年写的一篇博客，其中提到，因果分析的现代工具并不是新的事物，而是从 SEM 框架有机继承而来的。

Angela Zhou 终于出面回应说：“是的，这篇论文只关注了第二阶梯（干预效应），而根本没有对第三阶梯（反事fact）发表任何观点”。然而，不满的声音依旧存在，有人指出，即使文中多次出现“counterfactual”一词，但实际上可能并不涉及 Rung-3。Pearl 则呼吁人们只在第三阶梯任务中使用“counterfactual”这个词，以避免误解和混淆。

总之，在因果推断领域，无论是在理论还是实际应用方面，都需要保持严谨性和准确性，以确保我们的结论具有科学性的支持。此外，与智能资讯时代相关联的情境，如物品性能评估，也需考虑如何更好地利用这些研究方法来获得可靠信息。