沒有太高深的理論，不過切入各主題的方式有典型的鮑曼風格。

對於許多社會學家關切的議題，以及嘗試處理這些議題時會遭遇到的難處來源，有獨到的綜合觀點。

行文流暢，且文情並茂，非冷冰冰的分析。適合對「人在社會中的處境」有興趣的人閱讀，品嚐大師的觀點！
(反而和專業社會學處理議題的方式有點差距，且因為本書屬概論性質對每個概念只是點到為止，若想深入學習社會學恐怕要參考其他書籍。)

人類不經由基因而傳承的部分，都可以視作迷因，這包括各種創作、思想、教條、行為模式等等。「適應度」強的迷因，便會在人類社群中擴散，如同近年來「後事實社會」所揭露，擴散力強的迷因可能反而是假的、有害的，只是由於符合人類的心理偏好或需求而有高度「傳染性」。愈來愈多學者把一切人類社會的文化現象、信念系統、意識形態都用迷因的擴散來詮釋，但迷因論本身，不也是一個迷因嗎？有可能迷因論的流行，也只是符合目前這個時代人類偏好的偶然現象而已。由此可見迷因論有自我否定的特質：任何理論包括迷因論自身，都是剛好具備擴散優勢的迷因，內容未必真實。若迷因論本身都有可能不真，如何證成以它為基礎的任何解釋是可信的呢？我目前還沒看到把迷因論當萬用槌的學者正面面對這個問題。

另外本書常常提到「天擇使人趨向追尋真實而非虛假」，這是一個錯誤的前提！天擇機制讓人的生理功能具有生存及繁衍上的適應性，但因此而來的認知或知覺功能往往不指向真實，詳情可見《不實在的現實：演化如何隱藏真相，塑造我們的時空知覺》(亦可由當代 AI 領域常提到之 bias-variance tradeoff 來理解此點)。

對 2022 (出版年分) 而言，「萌」之類的美學 (次) 文化早已不「新」了！

當然，指認出當代的「新」美學元素，其實也不是本書的主要目的；本書主旨係欲提出合適理論框架，以闡釋當代的美學元素如何可稱為「美」。

就此深層目標而言，我認為單看其初衷便已預示整個理論建構是徒勞的嘗試。事實上，針對日常生活的「美學化」，國內外早已不乏理論專著遍及藝術批評、社會學、傳播學領域，甚至是後現代論述的主流論題之一；此諸多辨證，結論昭然若揭：日常生活的「美學化」，最重要的標誌即「美」不再是孤立的範疇 (不再侷限於可明確辨別的「藝術」場域)，可單獨被定義；而是變得破碎化，滲透到經濟、社會的各個層面，成為平凡生活的一部分。與此書論點相反，當代「美」的終極訴求，不再是使人注目，而是使人麻木，IG、抖音短片所演示無非是這樣的後現代本質；另外一個後現代美學的代表例子即今日隨處可見的扁平化設計。

「藝術」在 20 世紀尚與「反叛」精神連結，而如今美感已成為資本主義結構的一部分，這是後現代美學的另一個重要標誌，在大眾文化研究的文獻中已討論甚多；這點本書亦有著墨，但僅匆匆帶過，深入程度不及其引用的文獻。

若比擬黑格爾的名言「凡實際存在的，皆為合理」，我們可說後現代美學的特質即「凡實際存在的，皆為美」。「美」既不再特殊，為它找尋定義注定會如水中撈月般，成為泡影。與本書所關注「振奮」概念相對的〈每天來點負能量〉，近年來亦蔚為一股文創風格潮流；這個例子足以說明當代「美」的定義是流動的，也是本書的取徑將無可避免地一再發現其自身落後於最新潮流的具體實例。或許可將本書當作世代交替的一個絕佳註腳，具現一位前輩「藝文大老」想捕捉當下 Z 世代潮流，卻不由得令其舊時代思維左支右絀窘態益發彰顯的荒誕演出。

本書主旨：為了處理更多更複雜的資訊，個人與社群產生結構化的組織，並隨其不斷擴張而革新關於他者的認知，進而理解、反省自身，這個過程推動了社會文明的演進。

論及社群的層面，本書上述要旨與當代社會學、傳播學主流理論（如盧曼、麥克盧漢）旨趣相近。作者加入資訊學、生物學、神經心理學，由初等生命至人類的演化開始講起，銜接社會文明的演化，是本書的特色。

事實上，在個體層面，Graziano、Damasio 等神經科學家已發展出應用以上要旨闡述神經心理現象的理論。不過作者沒有參考到這些神經科學家的著作，有點可惜。（本書引用的腦科學知識來源只有固定幾本書；但作者有融會貫通，對其整合詮釋也算合理。）整體而言，這本書可和 Damasio《事物的奇怪順序》一起閱讀以獲得更全面的觀點（該書亦超越神經心理的層次，而有觸及到社群、文化的部分）。

1. 哲學文獻中與因果圖最有關係的原則是 Reichenbach's common cause principle（這個原則是當代因果圖理論重要假設 Causal Markov condition 的前導）。本書主旨是介紹因果推理思想源流，卻完全沒提到這個文獻中的重要原則，屬於嚴重的遺漏，顯然作者未做好文獻考察。（可以參考 MIT 出版社最近出的 Elements of Causal Inference，其中就有介紹 Reichenbach's common cause principle。）

2. 本書說休姆的對因果的描述符合反事實語意理論。這個說法最早應來自 Lewis，然而我認為是誤讀（或者可以說是 Lewis 在拉古人為自己的理論貼金）。休姆的描述是我們經驗中每當觀察到 A 的時候都伴隨觀察到 B，且沒有觀察到 A 的時候都沒有觀察到 B；這是純粹經驗性的描述，並非反事實描述。

3. 因果圖為何適合拿來做因果推理思考？Pearl 原著中與他自己另外發展的 Graphoid axioms 比較，說明了因果圖中「內建」哪些推理規律。這本書沒有特別去證成為什麼我們要用因果圖（而不是其他當代因果推理理論），作者似乎偏向「訴諸直覺」。

這本書很厚，不過內容滿基本的。中學生可以拿來做為認識理性思考的入門讀物。
大學以上程度的應可直接閱讀其他更深入的認知偏誤、邏輯思考、機率思考專書。

probabilistic graphical model = 一套結合機率論與圖論的數學理論架構（AI中常用）

其中最重要的一類 probabilistic graphical model，即是用有向非循環圖（DAG）表示的 Bayesian network，被本書作者拿來描述因果結構。

用 Bayesian network 描述因果結構，可以統合各學科探討因果關係的傳統方法，包括心理、社會學中的結構方程模型（SEM）、計量經濟學中的工具變量（IV）、流行病學中的隨機試驗（RCT）、哲學中的反事實語意等。有以上相關學科背景的人，讀這本會比較好懂；雖然本書定位為科普，但其寫作形式恐怕難讓一般大眾產生共鳴。

若能看英文的話，網路上有很好的免費資源，從因果推理的基本精神（個人覺得比這本「科普」書更好懂）到詳細的數學推導（一般大眾可跳過）都有涵蓋：

1. 哈佛流行病學教授 Miguel Hernan 的 edX 課程，以及教科書 Causal Inference: What If 免費下載

2. MIT 出版社的 Elements of Causal Inference 免費下載

作者提出很多獨創觀點，我覺得卻沒有比文獻中的好。

1. 作者後半引入機率與貝氏網路，作為論證的工具。但是作者對問題的討論，忽略了機率決策思考中更根本的：對個體 vs 對群體在思考與決策上的差異。

〈人事經理的難題〉是最凸顯此點的一例。人事經理聘用高學歷的人，並非指去改變每一個求職者「個體」的學歷，而是從「群體」中挑出高學歷者；這跟經理自己去進修取得高學歷，是經理自身的個體改造不同。了解這個不同就沒有所謂的「難題」了。

或者說，了解「個體」和「群體」兩個層級在統計上未必有相同的關聯結構（這個在近年的統計與社會科學文獻有很多討論了），就不必如作者般在訊息因果結構上又加入決策因果結構，這種疊床架屋的解決方案。閱讀其他書中的難題時，從這個角度去想，很多難題事實上都沒作者想的困難，可以輕鬆應付。

2. 作者鼓吹所有的機率思考都要化約為因果圖上的思考，我未必同意。數學上機率未必從貝氏網路而來；甚至人工智慧的發展史上，也是先有 Markov random field 才有貝氏網路（或者說，貝氏網路只是 probabilistic graphical model 的特例）。

本書大篇幅分析睡美人難題，但我覺得這個難題的爭議點恰好不是貝氏網路能表達的，讀者可自行評斷（該章有分析很多文獻中的其他解法）。

3. 最後，必須指出，作者對貝氏網路尤其 do operator 造成的機率分布改變，介紹得不清不楚，沒有貝氏網路背景的人可能須先從其他資源學習。個人目前覺得好讀的是 MIT出版社的 Elements of Causal Inference （有 open access 開放免費下載），可惜目前中文圈還沒有適合的讀物（《因果革命》也講得不好）。