面对复杂现象，怎样找个靠谱的解释？对一个复杂现象能解释得严丝合缝的，往往反而是那些阴谋论或诉诸超自然因素的理论。
解释和归因对解释性问题的回答不是传统意义下的“演绎”推理，这就是说没有一套严格的规则可以为一个给定的现象A找到一个正确的解释B。一种常见的说法是，把所有不是演绎的推理统称为“归纳”，但这样一来未免抹煞了其中不同推理类型的重要差别。
在推理分类上做出奠基性贡献的是皮尔斯（Charles Sanders Peirce）。他最早提出解释性推理是和演绎、归纳均不同的基本推理形式。皮尔斯开始称这种推理为hypothesis（假设），后改称abduction。后面这个词在中文中有“溯因”“归因”“逆推”等译法，我觉得“归因”和“归纳”对应，更恰当些，因此一般用这个词。
这可以概括成下面的一般格式：演绎：从“S是M”和“M是P”推出“S是P”归纳：从“S是M”和“S是P”推出“M是P”归因：从“S是P”和“M是P”推出“S是M”这样一来，归纳和归因分别可以通过将演绎的一个前提与其结论换位而得到，因此均可以被看成是“逆演绎”，而这二者仍有不同。
皮尔斯指出，尽管归纳和归因都不具有演绎的“保真性”，它们仍提供重要的推理功能。
归纳的功能是“概括”（也称“泛化”或“一般化”），这就是说尽管“S是M”和“S是P”不能保证“M是P”的正确性，但如果这样的S有很多，其累积效果的确会使得我们接受“是M的也都是P”，那也就是“M是P”了。另一方面，归因的功能是“解释”，这就是说尽管“S是P”和“M是P”不能保证“S是M”的正确性，但“S是M”（作为假说）和“M是P”（作为背景知识）可以解释“S是P”（作为观察结果）为什么会发生。
这样一来，这两种推理形式各自在思维活动中的贡献就清楚了，而且它们和演绎所提供的论证功能是互补的，彼此并无矛盾。
确切地说，皮尔斯关于演绎-归纳-归因的观点包含两个方面：1. 这三者的形式及其换位关系，2. 这三者在思维活动中的功能。由于前一个方面的工作是在“词项逻辑”（以亚里士多德三段论为代表）的形式框架中表述的，而随着数理逻辑的兴起，词项逻辑的优势地位被谓词逻辑所取代（这是另一个话题了，在此不展开），皮尔斯在推理类型划分上的思想遗产主要是在第二个方面被后人继承了。
在人工智能系统中实现解释性推理的关键，就是把相关结论的真实性、简单性、有效性等都恰当地量化处理，并依照当前情况在各种解释中进行合理选择。这也就是说，仅仅在“是否可能”的水平上评价不同的解释是不够的，而必须能看出哪个解释证据更多，更简单，对未来行为更有指导性。这样一来，那些似是而非的解释就会逐渐在系统中被更靠谱的淘汰掉。
因果性解释解释可以进一步分成不同的种类，其中重要的一种就是为某个事件找原因。因果知识的建立主要靠归纳，而我关于归纳的基本观点在《怎么对付“归纳”带来的麻烦？》一文中已经介绍了，就是不把这种知识看作对“客观规律”的反映，而看作对“主观经验”的总结。归因则是用这种知识来“找原因”。
前面关于解释的一般结论完全适用于因果性解释这种特殊情况。这就是说，对一个特定的事件，原则上是没有“真正的原因”这种东西的，这就和牛顿-拉普拉斯式的因果观根本不同了。但尽管如此，在若干候选原因之间进行比较仍然是必要并且可能的，这就是说询问某事件的原因仍是个有意义的问题，而在很多情况下大多数人还是会同意某个答案是“正确的”。
对一个不可重复的事件而言，确定其原因更是没有统一的标准。难怪对重大历史事件的原因的争论永远不会终止。但不是说这种问题没有意义。实际上，关于历史中因果关系的讨论都或明或暗地服务于预测未来事件这一目的，也就是所谓的“以史为鉴”。因此，关于“A的原因”的探寻实际上都是关于“类似于A的事件”的原因的，而对这个事件类的不同界定往往是这类争论的根源。
关于原因认定的另一重复杂性在于，“原因”的概念在不同领域中的精确含义是有差别的。儿童心理学的研究表明，因果知识缘起于婴儿对自身行为后果的认识，因此“因”总是“我的行为”。随着认知能力的发展，可以充当“原因”的事件逐渐被推广到其他认知主体（人或动物）的行为，以至于无主体的自然事件。这说明“因果”在观念上不仅与“预测”有关，而且与“控制”有关。
这里的“可控”不仅包括“可以使其实际发生或不发生”，也包括“可以设想其发生或不发生”。
回到人工智能上来，现在流行的贝叶斯网络模型基本上只是在给定的因果信念之上做推理，而无法提出或放弃因果信念，因此仍是不够的，更不必提那些连“因果性”和“相关性”都不区分的“学习算法”。但这不说明人工智能在这方面必定“低人一等”。前面讨论到的各种因素并非不可能在计算机系统中出现。
这就是说，解释（包括因果解释）的生成和评价都是有逻辑可循，并且可以在计算机系统中实现的，尽管这不意味着系统对每个事件或现象都能找到唯一正确的解释。