![为什么 - [美]朱迪亚·珀尔(Judea Pearl)](https://static.book345.com/covers/s/9787521705072.jpg)
书籍介绍
在本书中，人工智能领域的权威专家朱迪亚·珀尔及其同事领导的因果关系革命突破多年的迷雾，厘清了知识的本质，确立了因果关系研究在科学探索中的核心地位。
而因果关系科学真正重要的应用则体现在人工智能领域。作者在本书中回答的核心问题是：如何让智能机器像人一样思考？换言之，“强人工智能”可以实现吗？借助因果关系之梯的三个层级逐步深入地揭示因果推理的本质，并据此构建出相应的自动化处理工具和数学分析范式，作者给出了一个肯定的答案。作者认为，今天为我们所熟知的大部分机器学习技术，都建基于相关关系，而非因果关系。要实现强人工智能，乃至将智能机器转变为具有道德意识的有机体，我们就必须让机器学会问“为什么”，也就是要让机器学会因果推理，理解因果关系。或许，这正是我们能对准备接管我们未来生活的智能机器所做的最有意义的工作。
AI导读
核心看点
- 提出因果之梯三层次，突破相关性局限
- 用do算子区分观察与干预，重构AI逻辑
- 融合历史案例与数学范式，普及因果革命
适合谁读
- 人工智能从业者，探索强人工智能路径
- 数据科学家，需掌握因果推断方法论
- 对统计学、逻辑思维感兴趣的普通读者
读前提醒
- 非纯科普，后半部分数学推导较深
- 建议结合因果图理解，勿死磕公式
- 作者风格自信，部分观点具争议性
读者共识
- 思维颠覆性强，是因果推断里程碑
- 阅读门槛高，需一定统计数学基础
- 部分读者认为理论脱离实际应用
本导读基于书籍简介、目录、原文摘录、短评和书评生成，不等同于全文精读。
精彩摘录
- "在数学上，我们把自愿服药的病人的生存期L的观测频率记作P（L|D），这就是统计学教科书中常用的条件概率。这个公式表示生存期L的概率（P）是以观察到病人服用药物D为条件的。注意P（L|D）与P（L|do（D））完全不同。观察到（seeing）和进行干预（doing）有本质的区别，它解释了我们不认为气压计读数下降是风暴来临的原因。观察到气压计读数下降意味着风暴来临的概率增加了，但人为迫使气压计读数下降对风暴来临的概率并不会产生影响。"
- "事实上，我在机器学习方面的研究经历告诉我，因果关系的学习者必须熟练掌握至少三种不同层级的认知能力：观察能力（seeing）、行动能力（doing）和想象能力（imagining）。"
- "干预比关联更高级，因为它不仅涉及被动观察，还涉及主动改变现状。例如，观察到烟雾和主动制造烟雾，二者所表明的“某处着火”这件事的可能性是完全不同的。无论数据集有多大或者神经网络有多深，只要使用的是被动收集的数据，我们就无法回答有关干预的问题。从统计学中学到的任何方法都不足以让我们明确表述类似“如果价格翻倍将会发生什么”这样简单的问题，更别说回答它们了。认识到这一点让许多科学家挫败不已。我之所以对此心知肚明，是因为我曾多次帮助这些科学家踏上因果关系之梯的更高层级。"
- "首先，赖特想说的是，路径分析的应用应该以研究者对因果过程的个人理解为基础，这种理解就反映在其所绘制的因果图或路径图中。它不能被简化为一个机械性的程序，就像统计手册里列出的那些操作方法一样。对于赖特来说，绘制路径图不是一种统计学实践，而是一种遗传学、经济学、心理学实践或其他诸领域的研究者在自己的专业领域所进行的一种实践。 其次，赖特将“无模型方法”的诱人之处归因于其客观性。自1834年3月15日伦敦统计学会成立伊始，客观性就是统计学家的圣杯。学会的创始章程规定，在所有的情况下，数据都优先于观点和解释。数据是客观的，而观点是主观的。这个规则的提出远远早于皮尔逊时代。为客观性而奋斗，完全根据数据和实"
- "这个看似简单的方程就是贝叶斯法则。如果仔细观察它所表达的内容，我们就能发现它提供了逆概率问题的一种通用解决方案。它告诉我们，如果我们知道给定T后S的概率，即P（S|T），那么我们就应该能够计算出给定S后T的概率，即P（T|S），当然前提是我们已知P（T）和P（S）。"
- "我们在实际生活中似乎就是遵循着共因原则行事的，无论何时，只要观察到某种模式，我们就会去寻找一个因果解释。事实上，我们本能地渴望根据数据之外的某个稳定机制对观察结果做出解释。其中最令人满意的解释是直接因果关系：X导致Y。当实际情况不能满足直接因果关系时，如果能找出X和Y的共因，那么我们也会感到满意。相比之下，对撞结构太难以捉摸，无法满足我们的因果解释欲。"
- "对撞的扭曲棱镜在日常生活中同样普遍存在。正如乔丹·埃伦伯格在《魔鬼数学》（How Not to Be Wrong）中提出的问题：你有没有注意到，在你约会的人当中，那些有魅力的人往往是混蛋？与其为解释这一现象而费力构建复杂的社会心理理论，不如考虑一种更简单的解释。你对约会对象的选择取决于两个因素：魅力和个性。你会冒险约会一个刻薄而有魅力的人，或者一个和蔼但缺乏魅力的人，你当然也会与既和蔼又有魅力的人约会，但你肯定不会与既刻薄又没有魅力的人约会。换句话说，你删掉了所有“负—负”的结果，这与你在抛掷两枚硬币的例子中所做的筛选是相同的，而正是这种筛选造成了魅力和个性之间的伪负相关。可悲的事实是，没有魅"
- "规则1为：如果我们观察到变量W与Y无关（其前提可能是以其他变量Z为条件），那么Y的概率分布就不会随W而改变。例如，在第三章，我们看到，一旦我们知道了中介物“烟雾”的状态，变量“火灾”就与变量“警报”不相关了。这种不相关的认定转化为符号处理，就是： P（Y|do（X），Z，W）=P（Y|do（X），Z）"
作者简介
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。
目录
用户评论
这本书关于因果讨论可分为两个部分，第一部分注重思想层面的探讨，主要用的是案例和因果图示法，这部分内容值得反复研读，是非常好的思维训练，如果能完全摸透作者这套方法论，对于涉及因果的问题的理解会有质的飞跃。第二部分是作者对技术处理层面的探讨，当然对学术来说这部分很重要，但是普通读者看懂比较困难，但即便忽略所有这些内容，也不影响阅读和吸收这本书的核心内容。当然，作为一本综述性的著作，作者穿插了大量因果理论发展的历史，以及他自己的学术生涯经历，也颇有可看性，且趣味十足。如果你想对因果关系和相关关系有透彻的理解，亦或是想对学术领域成果（涉及因果的结论）有更佳的判断力，那么这本书非常值得一读，特别是作者这套因果图工具，堪称经典。
/Moon
十分钟翻过略感失望。首先明确本书讨论的因果关系不是形而上学的也不是心理学哲学的，其与哲学的主要关系在科学哲学上，尽管作者对因果在哲学上的丰富歧义性是有基本了解的。我理解其动意在于扬弃数据分析只谈相关不谈因果的教条，也无意否定因果推断模型或可给出与人类直觉契合的因果关系判断。可是即使人工智能看起来跟人类可以做出完全相同的因果关系判定，这并不意味着人类的哪怕是此种狭义的因果概念可以还原为此种推断关系，也不能直接支持机器学会了因果。作者提到了中文屋式挑战，但并未给出足够的回应。此种因果理解倒是有一种康德式色彩，似乎有一套东西先天地就定义了因果关系，对于人类、AI和其他具有纯粹理性者来说都在这儿现成放着。然而作者没有像康德那样给出纯粹理性的边界，这倒暗示了另一种潜在风险。
本来以为是讲讲DAG这一套，没想到是本不错的统计学历史，对Monty Hall，吸烟和肺癌，Pearson、Neyman和Fisher的故事回顾得都很好……
打算当成一本科普畅销书来看，没想到是一本真正的科学思考书籍，对于逻辑、数学有一定基础要求。因果还是相关？这个我们曾直接接受的选项在本书中受到了质疑，固然有王婆卖瓜之嫌，但是对于do因子、非扰动因素、反事实假设、几种悖论的论述还是非常有意思，值得思考的。畅销书某种意义上让读者爽，反复用一本书，各个有点鸡汤的例子来说明一两个简单的道理；而真正有价值的书籍往往信息密度大，恨不得一本书里塞上一千个、一万个值得读者思考的点，而且不是那种能直接接受或质疑的点，是必须反复咀嚼、配合多个问题来回答的点。这本书提到的很多思维方式适合常常翻阅，刺激自己的大脑。
本书六星。
读到一半弃疗了…没怎么学过概率论直接啃书的话太难了
是在下草率了，翻了几天后决定放过自己
极其好的一本书，原著不用说了，大拿，译者也是北大教统计学的老师。这本书的精要在于提出的因果革命：统计学一味排除因果而用相关代替虽然在其提出伊始有合理性，但随着统计学的发展，尤其是贝叶斯网络以及隐马尔科夫链，因果应重回人们视线。当然高尔顿作为大英帝国子民，沉湎于休谟开始的对因果是一种人为叙述策略是可以理解的。而且有一点高尔顿没有错，即社会不像自然界，运气会和基因一样被复制（布尔迪厄各类社会资本、文化资本就是），因此虽然智商身高没有极端值出现，而财富上有之。珀尔一句话说出贝叶斯网络的精要：它能容纳主观性，但又不是不受限制，就像花滑、体操、跳水所有要裁判打分的项目那样——还什么艺术表现，可笑。本书对于高中生作文意义非凡：你知道你的归因有很多混合因子么！只可惜高考只要求归因，并不要求评估归因。
没有读完，所以我不知道因果关系是否存在，也不知道如何去证明与否定它。
人类从混杂，偏倚和错误中介中推断因果的实践从未停止过，其所掌握的一切解释性知识都得自于相关观察之外的多了解一点东西的贪心。从《大数据时代》到《为什么》，的确经历了认知上的巨大变革。
下载
收藏