第一層：關聯層級 - 觀察環境中的規律，找出事物之間的關聯性。
典型查詢：
如果我看到 X 發生，Y 會如何？
例如：
貓觀察老鼠移動，預測接下來老鼠的位置會在哪裡。
如果顧客買牙膏，他同時買牙線的機率是多少？
這樣的查詢可以表示為 P(牙線|牙膏)
深度學習屬於這個層級。
這個層級在於探討目前的世界。
第二層：介入層級 - 預測刻意改變環境能夠得到的效應。
典型查詢：
如果做 X, 會發生 Y 嗎？
例如：
如果我服用阿斯匹靈，我的頭會不痛嗎？
如果調整牙膏的價格，牙線的銷售量會有什麼變化？
這樣的查詢可以表示為 P(牙線|do(牙膏))
要預測介入結果，可以在仔細控制的條件下進行實驗，或是透過因果模型，以第一層（觀察）的資料回答第二層（介入）的查詢。
這個層級在於探討可見的新世界。
第三層：反事實層級 - 想像不存在的世界，推知眼前現象的原因。
典型查詢：
如果當時我做...會怎麼樣？
為什麼？
例如：
我的頭現在不痛了，是因為服用阿斯匹靈嗎？
如果當初我沒有服用阿斯匹靈，會發生什麼狀況？
如果調整牙膏價格（虛構的時間），買過牙膏的顧客（目前真實世界），還會再買的機率是多少？
有回答這些問題，有時必須回溯到過去，改變歷史；需要比較目前現實世界和反事實世界，單靠實驗無法回答這類問題。
這個層級在於探討看不見的世界 （因為它與我們看見的世界相反）。
需要因果模型來回答這類問題。
這種模型有時稱為理論，如果很有信心的話，甚至被稱為自然定律。
參考資料:
[書籍] 因果革命：人工智慧的大未來 (The Book of Why: The New Science of Cause and Effect), 作者: Judea Pearl, Dana Mackenzie
