为什么？

这本书最锋利之处，在于它把'数据'和'因果'彻底分开。读者会惊讶地发现：再深的神经网络、再大的数据集，只要还在被动收集观察数据，就无法回答'如果改变某个条件，会发生什么'这类问题——它永远卡在'相关'这一级，够不到'干预'。作者由此抛出那个大胆判断：今天的机器学习本质上是'愚蠢的'，因为它只知共现，不懂因果；要让机器真正'像人一样思考'，必须让它学会问'为什么'。这让它与市面上大谈'大数据''算法'的畅销书划清了界限。它尤其适合两类人：一是对'AI能否拥有意识'这类命题感到兴奋的普通读者，二是被'相关性不是因果性'反复困扰、渴望一套清晰推理工具的研究者。当然，书中'因果图需要主观建模'的主张也引发争议——有人盛赞这是'让世界清亮'的旗帜，也有人诟病其'模型从哪来'含糊不清。但无论如何，它逼着你重新审视：我们引以为傲的'数据说话'，究竟说了什么，又隐瞒了什么。

朱迪亚·珀尓（Judea Pearl） 现加州大学洛杉矶分校计算机科学教授，“贝叶斯网络”之父，2011年因创立因果推理演算法获得图灵奖，同时也是美国国家科学院院士，IEEE 智能系统名人堂第一批10位入选者之一。目前已出版3本关于因果关系科学的经典著作，分别为《启发法》(1984)、《智能系统中的概率推理》(1988) 和《因果论：模型、论证、推理》(2009)。他还获得过多项顶级科学荣誉，包括认知科学领域的鲁梅哈特奖、物理学及技术领域的富兰克林奖章以及科学哲学领域的拉卡托斯奖。 达纳·麦肯齐（Dana Mackenzie） 普林斯顿大学数学博士，自由科学记者，知名科普作家，著有《无言的宇宙》等作品，其学术论文多次收录于《科学》《新科学家》《科学美国》《探索》等重量级期刊。