大數據為什麼不夠聰明？ 比機率更強大的思考工具又是什麼？ 電腦科學界諾貝爾獎「圖靈獎」得主暨貝氏網路研發先驅Judea Pearl總結畢生研究成果，聯手獲獎的統計學家Dana Mackenzie，提出改變人工智慧及科學界的重要工具！ ▎大數據看似厲害，其實有很大的侷限 近幾年大數據當紅，加上它在許多領域的成功運用，其地位與能力備受追捧。與大數據密切相關的統計學，是法蘭西斯・高爾頓與卡爾・皮爾森解答對於遺傳的疑問未果，而開發出來的學科，這門學科創立後興盛數十載，其名言「相關不是因果」影響科學界經常止步於探究「關聯」而非「因果」，並且長期受資料本位的歷史所影響，認為資料無所不能，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。 ▎要發展出「強AI」，機率思考仍遠遠不夠 一九八○年代初，朱迪亞・珀爾認為不確定性是AI所欠缺的最重要的能力，於是運用機率開發出強大的推理工具——貝氏網路，因而獲得有電腦科學界諾貝爾獎之稱的「圖靈獎」。貝氏網路是首先讓電腦以灰階方式思考的工具，至今仍極受人工智慧界倚重，然而到了一九八○年代末，珀爾認為貝氏網路仍沒有填補人工智慧和人類智慧的差距，於是他轉而研究如何教AI學會「因果推論」，本書便是整理了歷代科學家推展因果革命的努力與成果。 ▎從「求得相關性」的舊階段，邁入「釐清因果關係」的新時代 本書最初幾章是有趣的科學史，探討科學家追求因果解釋的過程如何受挫，以致發展出統計學，並讓統計學方法長期引領學界研究。接著書中有大約一半篇幅，作者以實例示範因果語言（圖示模型）如何解決傳統統計學認為無解的難題，逐一揭示「因果階梯」三大分層的能力（越高的層級，認知挑戰越高，越難理出因果關係），並讓讀者了解因果革命路上諸人的努力與進展，以及這些進展的重要性。本書末尾回頭說明因果革命相對於人工智慧各重要發展面向（比如大數據、深度學習、資料探勘、機器學習等），有何勝出之處、能對它們起什麼正面影響，以及最重要的——「因果革命」將會如何改變人工智慧。 ▎「因果革命」不只影響人工智慧，還影響各研究領域 現今機器學習運作時仰賴的是「相關性」，而不是「因果」，如果能成功將因果思考導入電腦，將使電腦變成真正的科學家，使它們成為我們的得力伙伴，提供我們更合理的洞見。由於因果思考可以呈現罪責，電腦能因而具備道德感——「具備道德感的強AI」是因果革命在人工智慧領域的終極追求，作者形容這「是人工智慧給人類的第一個、也是最好的禮物」。 因果性研究還釐清了我們多年來對許多知識本質的不解，改變我們對於眾多問題的認識，這些問題牽涉的層面無所不包，舉凡涉及解讀資料以及根據解釋而採取的作法（像是致病因素、醫療資源分配、公共政策擬定等），都能受益。集結眾多領域學人之力才有如今成果的因果革命，亦將回頭影響整個科學界，珀爾形容它「將使科學的體質更加健全，是人工智慧給人類的第二個禮物」。在美國，因果科學已經開始被大學列入課程…… ▎我們強烈建議這些人士閱讀這本書： （1）資料科學家與大數據研究者，以及對大數據深感興趣的人 （2）統計學家、數學家，電腦科學相關從業人員與學習者 （3）對經濟趨勢與科研發展有興趣的一般大眾 （4）希望培養科學素養，了解最新科學方法的學子 各界盛讚 《快思慢想》作者暨諾貝爾獎得主康納曼、《大演算》作者多明哥斯、谷歌網路推廣長文特‧瑟夫、微軟研究實驗室主任艾瑞克‧霍爾維茲 重磅推薦！ ●谷歌網路推廣長文特‧瑟夫： 珀爾近三十年來的學術成就，為人工智慧發展提供堅實的理論基礎……同時把「思考機器」提升到另一個境界。 ●《大演算》作者佩德羅‧多明哥斯： 因果如果不是相關，那又是什麼？拜朱迪亞‧珀爾的劃時代研究之賜，現在我們已能精確回答這個問題。想理解世界如何運行，這本引人入勝且讀來愉快的書是理想的起點。 ●微軟研究實驗室科技研究員及主任艾瑞克‧霍爾維茲： 朱迪亞‧珀爾是人工智慧領域、甚至整個電腦科學界革命的核心人物。 ●諾貝爾經濟學獎得主及《快思慢想》作者丹尼爾‧康納曼 ： 各位是否曾疑惑「相關」和「因果」究竟是什麼關係？這本精彩著作深入淺出地說明了答案。 ●《紐約時報》喬納山‧尼伊：解說十分詳盡……本書不僅詳盡介紹概念的發展史，也提供概念工具，讓讀者理解大數據的優勢與不足之處。 ●《自然》雜誌：「相關不是因果」這句科學俗語已在社會上造成影響……朱迪亞‧珀爾提出嶄新的數學解決方案……現在已在生物、醫學、社會科學和人工智慧領域開花結果。 ●《猶太日報》：深入淺出……珀爾是有遠見的因果革命領袖，這本書則是他最大的成就。 讀者好評 ●對電腦科學、統計學或人工智慧當今發展有興趣的人都應該讀讀。這本書如同康納曼的《快思慢想》，是作者畢生科學研究的總結，不僅對同領域科學家而言價值非凡，也是全人類的瑰寶。（讀者阿蘭‧約瑟夫‧坎恩） ●朱迪亞‧珀爾的貝氏網路和因果圖以十分優雅的方式結合統計學、流行病學、決策和電腦科學等領域。他的研究成果賦予並擴大了大數據的潛力。這本書是市面上第一本為一般大眾介紹這主題的書籍，其影響將無以估計。（讀者湯瑪斯 J. 阿拉岡，流行病學家） ●知名商學研究所都應該用這本書當成教材。我送了一本給我念大學時的院長。為了現在和未來的學生著想，我希望它能成為一門課。（讀者喬治‧莫札奇斯）

▎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。 ▎第一章　因果階梯 因果的三個層級／迷你圖靈測驗／機率與因果 珀爾研究機器學習時了解到，因果學習者至少必須掌握三個層級的認知能力，分別是：（一）觀看與觀察，以探知環境中的規律；（二）實行，亦即預測刻意改變環境的效果，並選擇適當改變以獲得想要的結果；以及（三）想像——因果階梯的三個層級「觀察」、「介入」和「反事實」便是由此而來，數學能證明這三個層級有根本上的不同，每個層級都具備前一層級缺少的能力。本章將介紹以因果圖進行推理的基礎概念、主要的建模工具，讓讀者慢慢見識因果推論模型詮釋資料、解答疑問的強大能力。 ▎第二章　從海盜到天竺鼠：因果推論的創生 法蘭西斯‧高爾頓捨「因果」而擁抱「相關」／卡爾‧皮爾森把「因果」掃出統計學／萊特、天竺鼠和路徑圖／E PUR SI MUOVE（但地球依然在轉動）／貝氏連結將主觀機率帶進統計學界 十九世紀末，法蘭西斯・高爾頓想將《物種原始》的理論架構數學化，他花了八年嘗試解答族群遺傳特質維持恆定的原因，但是始終無解，最後放棄研究，轉而注意統計「相關」。高爾頓的門徒卡爾・皮爾森後來提出「相關係數」，直到現在，所有統計學家想知道資料組中兩個變項的關聯程度時，總是最先計算這個數字。第二章講述統計學如何忽視因果性，並且對各種資料導向的科學造成深遠影響。此外還將介紹對本書而言十分重要的遺傳學家西瓦爾‧萊特的故事；萊特於1920年代首先繪製因果圖，多年來一直是少數認真看待因果性的科學家。 ▎第三章從證據到原因：當貝斯遇見福爾摩斯 電腦偵探波拿巴（Bonaparte）／貝斯牧師與逆機率問題／從貝氏法則到貝氏網路／貝氏網路：原因透露了哪些關於資料的線索？／我的行李在哪裡？從亞琛到尚吉巴島／真實世界中的貝氏網路／從貝氏網路到因果圖 1980年代初，珀爾認為不確定性是AI所欠缺的最重要的能力，於是運用機率，開發出處理不確定性推理的強大工具——貝氏網路，這是首先讓電腦以「灰階」方式思考的工具，至今仍被視為人工智慧頂尖典範。然而到了1980年代末，珀爾開始覺得自己錯了，他認為貝氏網路仍沒有填補人工智慧和人類智慧的差距。在這一章，他談了自己從貝氏網路忠實信徒變節，轉入因果性陣營的心路歷程。儘管如此，貝氏網路依然是今日人工智慧界極為倚重的工具，而且具備因果圖的許多數學基礎，因此這章以因果性簡略介紹貝氏法則和貝氏推理方法，並為讀者舉出幾個在實際生活中運用貝氏網路的範例。 ▎第四章　干擾與去干擾：或說剷除潛在變項 干擾導致強烈恐懼／大自然的巧妙質問：隨機對照試驗為何有效用？／干擾的新典範／do運算子和後門準則 隨機對照試驗（RCT）是統計學對因果推論的重大貢獻，它的主要目標，是把要探討的變項與可能影響它們的其他變項分開。如何去除這些潛在變項造成的失真或「干擾」，是已經存在一世紀的難題，但科學家直到最近才體認到，解決這問題需要的不是統計學方法，而是因果方法。這章要從因果圖的觀點說明，RCT為何能協助估計兩變項之間的因果效應，而且不受干擾偏差影響，從中我們會了解RCT其實源自更基本的原理，其他方法未必都要奉它為圭臬。這一章還將說明因果圖如何讓我們把焦點從「干擾因子」轉移到「去干擾因子」，並且帶領讀者以出奇簡單的方式解決一般干擾問題。 ▎第五章　煙霧瀰漫的爭議：除去迷霧 菸草：人為流行病／衛生總署委員會和希爾準則／吸菸對新生兒的影響／激烈爭議：科學與文化 十八世紀詹姆斯．林德發現柑橘類水果能預防壞血病，十九世紀約翰．史諾發現遭排泄物汙染的水會導致霍亂，這些偵察工作很幸運的一點是：原因與結果之間是一對一關係。二十世紀時「吸菸是否會致癌」爭議挑戰了單一因果關係概念，而且由於無法隨機指定某些人冒著健康風險吸菸數十年以進行對照，統計學家不只對答案難有共識，連如何理解問題都有不同看法。後來美國衛生總署委員會採用一連串非正式指導方針「希爾準則」，終於得出「吸菸會導致癌症」這結論，但這花了近十五年時間。這爭議讓許多人看清因果性的重要——如果科學家有適合的語言或方法來解答因果問題，得出結論將不再曠日廢時。 ▎第六章破解悖論！ 令人費解的蒙提霍爾問題／更多衝突偏差：柏克森悖論／辛普森悖論／以圖畫說明辛普森悖論 這章要讓讀者輕鬆一點，做一些有趣的動腦遊戲，談談蒙提霍爾悖論、辛普森悖論與柏克森悖論等知名的古典矛盾問題。其實這些悖論問題有嚴肅的一面——它們幾乎都與因果直覺抵觸，因此能讓我們深入分析這類直覺。悖論和視錯覺一樣，能夠揭露大腦的運作方式、大腦愛走的捷徑，以及大腦覺得矛盾的事物。因果悖論凸顯出與機率和統計邏輯衝突的直覺式因果推理型態，看看統計學家對它們有多麼頭痛，就能知道不用因果性眼鏡看世界往往容易出現誤判。這些問題提醒著科學家，人類直覺是以因果為基礎，而不是統計和邏輯。一起來看看這些經典悖論問題的新解吧！ ▎第七章　超越調整：征服介入山 最簡單的路線：後門調整公式／前門準則／Do計算法——精神高於物質／科學的織錦，或是do管弦樂團的隱形樂手／史諾博士的詭異案例／好膽固醇和壞膽固醇 第七章到第九章將帶領讀者一步步登上因果階梯。本章要登上階梯的第二層——介入層，其重點是預測以往未曾嘗試的行動和策略可能產生什麼效果。除了說明可產出「是或否」答案的因果推論發動機的內在結構，還要教讀者尋找因果圖中的特定型態，像是後門調整、前門調整及工具變項等，它們在因果推論中扮演極吃重的角色。作者將示範這些工具如何解答以往困住科學家的難題，例如以「前門準則」釐清因果圖尚未誕生時的「吸菸致癌爭議」，用約翰．史諾的霍亂成因調查示範因果圖如何讓工具變項發揮作用。作者也將介紹他的學生在因果革命中扮演的角色。 ▎第八章　反事實：發掘可能成真的世界 從修昔底德和亞伯拉罕，到休謨和路易斯／潛在結果、結構方程式，以及反事實的演算法化／了解自己的假設是好習慣／反事實與定律／必要原因、充分原因和氣候變遷／反事實的世界 人類是在五、六百萬年間由猿猴類演化而來，但在近五萬年間發生了一些獨特狀況，從此能更快速地改變自身能力與環境，例如發明許多神奇物品。為什麼？人類突然獲得其他動物沒有的什麼運算能力？對此有許多人提出理論，但其中只有一種與因果關係有關——歷史學家哈拉瑞在《人類大歷史》中推測，人類祖先能設想「不存在的事物」（反事實），讓人得以溝通得更順暢，是其中最重要的關鍵。本章要帶各位登上因果階梯的頂層，探討反事實，照例會有許多因果圖示範釐清常見爭議的實情（例如學經歷對薪水的影響，以及量化氣候變遷的效果等），體會將「反事實」納入因果查詢時，解答事情的面向如何更加豐富多變。 ▎第九章　中介：找尋機制 壞血病：錯誤的中介變項／自然與養育：芭芭拉‧布克斯的悲劇人生／尋找語言（柏克萊錄取率悖論）／黛西、小貓和間接效應／線性理想世界裡的中介／接納「應該會」／中介案例分析——吸菸基因：中介和交互作用；止血帶：隱形的謬誤 「反事實」目前在科學界中最風行的應用是中介分析，中介（或中介變項）是把處理效應傳遞給結果的變項，中介分析的目的是釐清直接效應和間接效應。這類問題不僅在科學上相當重要，也有實際的影響，書中舉了駭人的一例：詹姆斯．林德船長的壞血病研究是史上極早的對照實驗，其結果在1747年發表。但一個世紀之後，英國遠征隊開始探察極地時，這種完全可以預防的疾病出乎意料地捲土重來，原因就在於當時尚未發現真正的中介變項（維生素C），使得「柑橘類水果可預防壞血病」這理論被棄之如敝屣。本章介紹科學家如何找出表達「中介」的方法，以補傳統統計學的不足，另外也有數例中介案例分析。 ▎第十章　大數據、人工智慧與大問題 因果模型與大數據／強AI和自由意志 怎樣打造智慧與人類相當且能分辨善惡的機器？——珀爾相信，因果推理是讓機器能以人類語言與我們溝通，談論政治、實驗、解釋、理論、遺憾、責任、自由意志與義務等話題，乃至自己做出道德決策的關鍵，因此發展因果語言與工具之重要性不可言喻。在研發過程中他廣泛接觸各領域人士，一起點燃因果革命的火花，火花從一個學科擴散到另一學科，催生了新典範，他認為這個轉變將使科學的體質更加健全，這是「人工智慧給人類的第二個禮物」。而因果革命在AI界的終極產物——具道德感的強AI，不只會成為我們的好伙伴，還能成為我們師法的對象，教導我們更明晰、因果上更合理的正義感，這則是人工智慧給人類的第一個、也是最好的禮物。 ▎致謝

●前言：思想勝過資料 每種興盛的科學之所以興盛，關鍵都在於有一套成功的符號。——奧古斯塔斯‧德摩根（Augustus de Morgan），英國數學家及邏輯學家 有一種科學改變了我們分辨事實與幻想的方式，但一般大眾對它依然認識極少——這本書講的，就是這門學問的故事。這種新科學已經影響生活的許多重要層面，未來可能影響得更廣泛，從開發新藥到控管經濟政策，從教育與機器人到槍枝管制和全球暖化等。值得注意的是，儘管這些問題五花八門而且顯然無從比較，但這種新科學都能把它們納入統一的框架來處理。在二十年前，根本還沒有這樣的框架。 這種新科學沒有很炫的名稱，我跟許多科學家稱它為因果推論（causal inference）。這種科學也不特別高科技。因果推論努力模仿的理想科技，就在我們的思想中。幾萬年前，人類開始了解，某些事物源自另外一些事物，研究後者就可改變前者。其他物種不了解這一點，至少沒有到達人類那種程度。我們從這個發現形成有組織的社會，再發展成城鎮和城市，最後產生現在的科學和科技文明。一切都源自我們問了個再簡單不過的問題：為什麼？ 因果推論正是因為我們認真看待這個問題而產生。它斷定人類的大腦是有史以來最先進的因果處理工具。我們的大腦中儲存大量的因果知識，這些知識在資料輔助下，就能回答現今最迫切的各種問題。更重要的是，我們一旦真正了解因果思考的邏輯，就能在新型電腦中模擬其運作，創造出人工科學家。這個聰明的機器人能發現至今未知的現象、發掘未解的科學困境的解釋、設計新實驗，並且不斷由環境獲取更多因果知識。 但在我們大膽猜測這些未來發展之前，必須先了解因果推論目前已有的成就。我們將探討它如何改變絕大多數資料相關領域科學家的思考方式，以及它將如何改變我們的生活。 這種新科學可以處理這些看似簡潔明瞭的問題： ‧某種療法預防疾病的效果如何？ ‧是新稅法使得銷售增加？還是那是打廣告的結果？ ‧醫療成本中，有哪些可歸因於肥胖？ ‧聘僱紀錄是否能證明雇主確實採取性別歧視政策？ ‧我打算辭職，我應該這麼做嗎？ 這些問題都和因果關係有關，特徵是「預防」、「使得」、「歸因於」、「政策」，以及「應該」等這些詞。這些詞在日常交談中經常使用，社會也經常得回答這些問題。但直到非常近期，科學都沒有提供任何方法來清楚表達這些問題，更不用說解答它們了。 因果推論目前對人類最大的貢獻，就是讓這個科學疏忽成為過去。這種新科學衍生出一種簡單的數學語言，來表達我們已知和想知道的因果關係。以數學方式傳達這項資訊的能力，帶來許多合乎規則的強大方法，把我們的知識和資料結合起來，解答如同上面這五個疑問那樣的因果問題。 這二十五年來，我有幸身處這波科學發展中。我看著這門科學在學生和實驗室中逐漸成形，聽著它的重大突破在沉悶的科學研討會中迴響，完全不受一般大眾注意。現在我們進入強大人工智慧（強AI）時代，許多人大力吹捧大數據和深度學習擁有無盡的可能性。我在最好的時候發現這門科學，很高興能向讀者介紹它正在進行的各種大膽嘗試、它對資料科學的影響，以及二十一世紀它將如何影響我們生活的許多層面。 讀者們看到我說這些進展是「新科學」時，或許會覺得有點疑惑，甚至可能會問：「我們為什麼不早這麼做呢？」古羅馬詩人維吉爾（Virgil）（早在西元前29年便）提到「能了解事物成因的人很幸運」，現代統計學奠基者法蘭西斯‧高爾頓和卡爾‧皮爾森則發現人口資料有助於解決科學問題，當時他們怎麼沒發展出這門科學呢？這本書的歷史回顧部分會提到，他們都有漫長的失敗經驗。但在我看來，最主要的阻礙是：我們用來描述因果問題的詞彙，與傳播科學理論時使用的傳統詞彙，基本上有所差異。 要理解這樣的差異有多深遠，可以想像一下科學家試圖表達某些顯而易見的因果關係時，有多麼困難，例如氣壓計讀數為B時，代表大氣壓力為P。我們可以輕易寫出像B = kP這樣的方程式，其中k代表某個比例常數。接下來可以依據代數法則，把這個方程式隨意改寫成各種形式，例如P = B/k、k = B/P，或是B – kP = 0。這些方程式的意義全都相同，只要知道這三個量中的二個，就可求出第三個量。k、B和P這幾個字母在數學上的地位，都不比其他字母高。那麼我們又該怎麼表達我們相信是壓力造成氣壓計讀數改變，而不是氣壓計造成壓力改變？如果我們連這麼簡單的因果關係都無法表達，又怎能表達其他連數學公式都沒有的因果概念？（例如太陽升起不是因為公雞報曉的關係。） 跟我同校的其他教授也辦不到，而他們從來不覺得困擾。我打賭各位讀者也從來沒做到。現在我們已經知道原因：他們從來沒有見過因果的數學語言，也不清楚它的效用。這點其實凸顯出科學界多年來都沒有發展出這樣的語言。每個人都知道撥動開關可以開燈或關燈、酷熱的夏日午後會使當地冰淇淋店生意滾滾來。那麼科學家為什麼沒有把這麼顯而易見的事實寫成公式，就像光學、力學或幾何學的基本定律一樣？他們為什麼讓這些事實依然是單純的直覺，不開發數學工具，讓它像其他科學領域一樣發展茁壯？ 部分原因是：開發科學工具是為了因應科學需求。更精確地說是我們已經很擅長處理開關、冰淇淋和氣壓計等問題，不大需要特殊數學工具來處理這類問題。但隨著科學好奇心逐漸增長，我們也開始在複雜的法律、商業、醫學和政策制訂場合提出因果問題，我們發現手上沒有成熟科學應該提供的工具和原理。 類似的後知後覺在科學界不算少見。舉例來說，人類一向相信自己很能處理日常生活中的不確定性，例如過馬路和打架等。直到四百年前賭客發明複雜的機率賽局，狀況才開始改變。這類機率賽局往往精心設計，誘使我們做出不正確的選擇，布雷斯‧巴斯卡（Blaise Pascal）、皮耶爾‧迪‧費馬（Pierre de Fermat）和克里斯提安‧惠更斯（Christiaan Huygens）等數學家這才發現，有必要開發我們現在所知的機率理論。同樣地，保險公司需要精確的終身年金估計值時，艾德蒙‧哈雷（Edmond Halley）和亞伯拉罕‧棣美弗（Abraham de Moivre）才開始依據死亡率表計算預期壽命。此外，天文學家需要精確預測天體運動，雅各‧白努利（Jacob Bernoulli）、皮耶－賽門‧拉普拉斯（Pierre-Simon Laplace）和卡爾‧弗里德瑞希‧高斯（Carl Friedrich Gauss）才開發出誤差理論，協助我們提取雜訊中的訊號。這些方法都是今日統計學的始祖。 諷刺的是，因果理論需求開始浮現之際，統計學也在此刻誕生。事實上，正是高爾頓和皮爾森對遺傳產生疑問，巧妙地運用跨世代資料來解答這些問題，才孕育出現代統計學。可惜的是，他們的努力沒有成功，而且他們沒有問為什麼，而是宣告這些問題無法回答，同時開發與因果性無關的興盛學科，稱為統計學。 這是科學史上的關鍵時刻。因果問題差一點就能擁有自己的語言，但還是功敗垂成。後來幾年，這些問題被宣告為不科學，從此轉入地下。儘管遺傳學家西瓦爾‧萊特（Sewall Wright）勇敢地投注許多心力，因果詞彙依然被禁絕半世紀以上。禁止談論就是禁止思想和扼殺原理、方法和工具。 各位讀者即使不是科學家，相信也都見過這次禁絕。在基礎統計學中，每個學生都聽過「相關不是因果」（Correlation is not causation.）。這麼說是有理由的！雞啼跟日出很有關聯，但不是日出的原因。 可惜的是，統計學盲目崇拜這個觀察到的常識。統計學告訴我們相關不等於因果，卻沒有說因果到底是什麼。在統計學教科書的索引裡你找不到「原因」。學生不准講X是Y的原因，只能說X和Y「相關」或「有關聯」。 由於這樣的禁忌，統計學認為不需要數學工具來處理因果問題，它在意的只有如何總結資料，而不是如何詮釋資料。唯一的例外是1920年代遺傳學家西瓦爾‧萊特發明的路徑分析（path analysis），這也是本書許多方法的鼻祖。然而路徑分析完全不受統計學和相關領域青睞，因此停滯在萌芽階段數十年之久。1980年代之前，邁向因果推論的第一步始終沒有跨出去。統計學的其他領域，包括想求助於因果推論的其他學科，也還處於禁忌時代，誤以為所有科學問題的答案都蘊含在資料中，可以透過巧妙的資料探勘技巧發掘出來。 資料本位的歷史至今仍然揮之不去。我們這時代認為，大數據是所有問題的解答。各大學爭先恐後地開設「資料科學」課程，企業為了搶搭「資料經濟」列車也高薪徵求「資料科學」相關人員。但我希望這本書能告訴大家，資料本身一點也不智慧。資料可以告訴我們，服用某種藥物的人恢復得比沒有服用的人快，但無法告訴我們為什麼。前者之所以服用這種藥物，或許只是負擔得起，即使沒有服用也會痊癒得一樣快。 在科學和商業領域，我們經常發現，單單只有資料是不夠的。大數據愛好者雖然明瞭這些限制，但仍然追求資料本位智慧，就像現在還沒有脫離禁絕時期一樣。 前面曾經提到，近三十年來很多事物改變極大。在許多精心打造的因果模型輔助下，近年來科學家已能處理以往認為無法解決、甚至超越科學範疇的難題。舉例來說，僅僅一百年前，「抽菸是否危害健康」這問題仍被視為不科學。就算只提到「原因」或「結果」，可能就會在知名統計學期刊上引發激烈的反對聲浪。 即使僅僅二十年前，問統計學家「是阿斯匹靈讓我頭不痛的嗎？」這類問題，簡直就像問他信不信巫毒教一樣。我們學校有個知名教授說，這問題「比較像聊天話題而不像科學問題」。但是到了現在，流行病學家、社會科學家、電腦科學家，以及至少某些開明的經濟學家和統計學家，已經經常提出這些問題，並精確解答它們。對我而言，這樣的改變不下於革命，我大膽稱它為因果革命（Causal Revolution）。這次科學界變革不再否定我們具備理解原因與結果的天賦，而是主動接受它。 因果革命不是效果不明的孤立事件，它蘊含的數學奧祕可說是因果的微積分，能夠解答古往今來最困難的因果關係問題。我發現這種微積分時非常興奮，不只因為它的發展歷程一波三折、非常有趣，更重要的是我認為它擁有極大潛力，日後的發展可能超乎我的想像……甚至可能超乎各位的想像。 （中略） 剛才我提到「會思考的機器」是刻意的。我是以電腦科學家身分研究人工智慧時，想到這個主題的。這主題讓大多數因果推論研究者分別走向兩個研究方向。首先，在人工智慧領域中，除非我們能教會機器人某個主題，否則就不算真正了解它，所以我一再強調記號、語言、詞彙和文法。舉例來說，我很愛研究我們是否能以某種語言表達某個主張，以及某個主張是否和其他主張吻合。單單只是遵循科學語句的文法，就能讓我們學到許多。我特別強調語言，也源自我深深相信語言會形塑思想。我們無法解答自己無法提出的問題，也不可能提出我們無法描述的問題。身為哲學和電腦科學研究者，我對因果推論的興趣，大多來自看見無人理解的科學語言從誕生到成熟。 促使我研究因果的另一因素，是我也投入機器學習領域。1980年代末，我發現「機器無法理解因果關係」可能是導致機器無法擁有人類智慧的關鍵。在本書的最後一章，我將會回歸根本，和讀者一起探討因果革命對人工智慧的影響。我相信我們能夠研發出強AI，而且正因為因果性是幫助我們研發出強AI的部分原因，我們不需要畏懼這樣的人工智慧。因果推理模組將使機器能夠反省錯誤、指出自身軟體中的缺點、具備道德本體，並與人類自然地談論自己的選擇和意圖。 （大標）現實世界的藍圖 在我們這個時代，大家一定聽過「知識」、「智慧」和「資料」，有些讀者或許搞不懂這些詞的差異或它們彼此間的作用。現在我想提出因果模型（causal model）這個詞。各位可能會覺得這會讓大眾更加混淆。 不會的！事實上它能使「知識」這個模糊不清的科學概念變得明確，同時給予資料具體而有意義的背景，並且讓我們了解這三者如何一同運作，解答困難的科學問題。〈圖I.1〉是「因果推論發動機」（causal inference engine）的藍圖，它可協助未來的人工智慧處理因果推論工作。重要的是大家必須了解，它不只是未來的藍圖，還能告訴我們因果模型如何運用在目前的科學用途上，以及因果模型如何與資料交互作用。 （中略） 因果模型還擁有資料探勘和深度學習所缺乏的另一個優點，就是適應能力。注意，在〈圖I.1〉中，被估量僅依據因果模型計算，不需要檢視資料特性。這點使因果推論發動機的適應能力格外強大，因為它計算出來的被估量適用於可用於定性模型的任何資料，不受變項間的數值關係影響。 想了解這種適應力為什麼很重要，可以比較這種發動機和學習者（在這個例子中是人類，但在其他例子中可能是深度學習演算法，或是使用深度學習演算法的人類）試圖單靠資料學習的結果。學習者觀察許多患者服用藥物D的結果L，可以預測具有特質Z的某患者存活L年的機率。現在學習者轉到另一所醫院，這家醫院位於另一個地區，人口特質（飲食、衛生、工作習慣）也不一樣。即使這些特質只改變了各項變項間的數值關係，學習者還是必須重新訓練自己，學習新的預測函數。深度學習程式能做的也只有這樣：讓函數與資料吻合。另一方面，如果學習者擁有說明藥物運作方式的模型，而且它的因果結構在新地點沒有改變，則學習者在訓練中取得的被估量將依然有效。這個被估量可套用在新資料上，針對另一群人口產出新的預測函數。

作者：朱迪亞・珀爾(Judea Pearl)、達納‧麥肯錫(Dana Mackenzie) 譯者：甘錫安 出版社：行路 書系：FOCUS 出版日期：2019-06-26 ISBN：9789869753456 城邦書號：A3740015 規格：精裝 / 單色印刷 / 368頁 / 17.3cm×23.1cm