书籍介绍
这本书最锋利处，在于它毫不留情地揭穿了「大数据万能」的幻觉：数据本身并不聪明，无论样本多庞大、神经网络多深，只要依赖被动收集的信息，就永远无法回答「如果我改变某个因素，会发生什么」这类问题。珀尔用「气压计与风暴」的比喻点醒读者——看见两者同步下降只是相关，人为拨动气压计并不会招来风暴。全书的核心是那道横亘在「看见」与「干预」之间的鸿沟，以及由此划出的因果阶梯三層：观察、介入、反事实。它适合那些不满足于「AI只会找规律」、渴望理解机器究竟缺了哪一块脑的读者。不过要提醒：书中大量数学与科学史铺陈，不少读者读到两百页便感到吃力，它更像一份给认真者的思维训练，而非轻松读物。
作者简介
朱迪亞・珀爾Judea Pearl
因為研發貝氏網路，而獲得有「電腦科學界諾貝爾獎」之稱的圖靈獎，著有三本極具影響力的科普書籍。珀爾是美國國家科學院院士，也是首先進入IEEE智慧系統名人堂的十名科學家之一，獲得的獎項與榮譽博士學位多不勝數，包括盧梅哈特獎（認知科學學會）、富蘭克林獎章（富蘭克林研究所）以及拉克托斯獎（倫敦經濟學院）。他目前擔任加州大學洛杉磯分校電腦科學教授，同時是丹尼爾‧珀爾基金會創辦人及執行長，目前住在洛杉磯。
達納‧麥肯錫Dana Mackenzie
數學博士，現為科普作家，經常為《科學》、《新科學家》、《科學美國人》、《史密森尼》、《鸚鵡螺》和《發現》等雜誌撰稿。他寫的書《大碰撞：月球是怎麼形成的？》（The Big Splat, or How Our Moon Came to Be）曾經獲選為Audible.com網站2010年最佳有聲書。麥肯錫曾獲2012年傳播獎（美國數學聯合政策委員會）與2015年查文尼特數學解說獎（美國數學學會），他現在住在加州聖克魯茲。
譯者簡介
甘錫安
學業結束後由科學界踏入「譯界」，現為專職譯者。曾擔任Discovery頻道與資訊雜誌編譯，現仍定期為《科學人》及《BBC知識》等雜誌翻譯。書籍譯作包括《決斷的演算：預測、分析與好決策的11堂邏輯課》、《勝算：賭的科學與決策智慧》、《愛因斯坦1905》、《氣候創造歷史》、《現代主義烹調》等。目前住在有山有海有美食的台灣頭基隆，熱愛吸收各類知識，正努力朝「全方位譯人」的目標邁進。
AI导读
核心看点
- 揭示大数据局限，主张因果推论优于单纯统计相关
- 提出因果阶梯三层次：观察、介入与反事实想象
- 介绍贝氏网络与因果图，解析变量间真实因果机制
读者共识
- 内容极具启发性，能重塑对数据与因果的认知
- 部分章节难度较高，需具备一定逻辑或统计基础
- 翻译风格具港台特色，术语理解需结合上下文
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）"
目录
▎自序
這本書的目標有三個：一是以非數學語言讓讀者理解因果革命的詳細內涵，以及它將如何影響我們的生活和未來。二是為讀者介紹科學家遭遇及挑戰關鍵因果問題時，英勇解決的歷程。最後，則是把因果革命帶回人工智慧的最初本源，介紹如何讓機器人學習以我們的母語（即因果語言）溝通。
▎前言：思想勝過資料
法蘭西斯・高爾頓與卡爾・皮爾森運用跨世代資料解答他們對於遺傳的疑問，可惜沒有成功，於是他們開發出「統計」這門爾後興盛數十載的學科。從事研究的人都聽過「相關不是因果」這句統計學名言，該觀念影響學界長期探究「關聯」而不問「因果」。在資料本位的歷史影響下，今日我們甚至認為大數據可解答所有問題，但是朱迪亞・珀爾希望藉此書告訴讀者，資料本身一點也不智慧。1980年代末，研究人工智慧的珀爾發現，「機器無法理解因果關係」可能是它們無法具備人類智慧的關鍵原因，於是他轉而投身因果科學陣營，多年後他藉由這本書，總結了各路科學家推動因果革命的成果。
显示全部
用户评论
前面還勉強頂的住，看到200多頁還是崩盤了，先Hold一下吧
不是很理解。
嗯，有些哲学术语没译出来，统计学史其实可以讲更清楚些，尤其是现在盛行的p值及检验。以色列人，所以常引圣经故事吗？
【警告】严重推荐买简体版，繁体翻译有些部分读起来不是很通畅【而且比简体版贵好多】
大数据的不可解释性的问题以及给出的解法，讲述了因果分析之法的历史及现代应用。
一本可以让自己有不同的思考角度的书，因果阶梯的设定很是巧妙，也许未来真的有一场因果革命。值得一读。
这本书太棒了，不过有点难读，读完了再来写感想。喜欢台版的翻译。
下载
收藏