2017 年 12 月，贝叶斯网络之父、2011 年图灵奖的获得者 Judea Pearl 教授在 NIPS 2017 大会期间展开了一场学术报告，结果这场报告因为一张照片而在网络上引发热议。很多人在社交媒体上回应，Judea Pearl 对着一个【完全空无一人的房间】不作报告是 NIPS 上凄惨的一幕，这一天对于机器学习而言是凄惨的一天。不过，对于现年 81 岁的 Judea Pearl 而言，让他深感伤心的不是自己的报告没有人听得（(公众号：)了解到，实质上那张照片提供的是片面场景，听得报告的人有几十个，后来 Judea Pearl 反而被人们的议论逗乐了），而是当前的人工智能由于人们对智能的片面解读而不存在诸多缺失。2018 年 3 月，Judea Pearl 出版发行了一本取名为《THE BOOK OF WHY：The New Science of Cause and Effect》的新书，在书中他传达了对当前人工智能发展的担忧。

之前，在 Judea Pearl 赖以取得图灵奖的贝叶斯网络中，他企图为机器寻找一种基于实践性的因果关系模型。但是 Judea Pearl 找到，AI 领域早已陷于到概率关系的泥潭中。对于计算机早已熟练掌握古代游戏技能（比如说此前多次报导过的 AlphaGo）和驾驶员技能之类的消息，Judea Pearl 无动于衷；因为在他显然，当前所谓的人工智能所展出的，都是上一代人工智能场景下机器早已所能做（在大规模数据中找寻到隐蔽规律）的，只不过效率更高罢了。

正如 Judea Pearl 最近所言：所有这些令人印象深刻印象的深度自学成果特一起不过是曲线拟合罢了。（All the impressive achievements of deep learning amount to just curve fitting. ）在新书中，Judea Pearl 叙述了他的【智能机器应该如何思维】的愿景。在他显然，其中的关键是用因果推理小说代替关系推理小说。

举例来说，如果一个从非洲回去的病人感冒并深感身体疼痛，很有可能是得了疟疾；机器要做到的不是把感冒与疟疾联系一起，而是确实寻找疟疾引发感冒的原因。一旦这种因果框架所在之处，那么机器去展开反事实发问——即如果对条件展开插手，因果关系不会再次发生什么变化——就沦为有可能，而这正是 Judea Pearl 所指出的科学思维的基石。而 Judea Pearl 也建议发售一种让上述思维沦为有可能的月语言，这也是贝叶斯网络的 21 世纪版本。Judea Pearl 也期望因果推理小说需要为机器获取人类级别的智能；比如说，它需要与人类更加高效地交流，甚至在一定状态下沦为不具备权利意志（或者恶魔）能力的道德实体。

以下是 Judea Pearl 拒绝接受 Quanta Magazine 专访时的对话，这段对话展开了不转变不愿的编译器和删减。Q：为什么你的新书被命名为【The Book of Why】？A：它在本质上是我对过去 25 年工作的总结，还包括因果、它对一个人的生活的意义、它的应用于，以及我们如何在因果关系层面找寻到一个问题的答案。奇怪的是，这些问题都早已被科学忽略了，而我在此企图对这种忽略展开填补。

Q：怎么会因果不就是科学本身的内涵吗？A：当然，但是你无法在方程式里看见这种尊贵的理想。代数语言本身是平面的：X 和 Y 之间是一种确认关系。但是在数学范畴内却没一门语言叙述这样一个非常简单的事实：暴风雨的到来不会造成温度计读数上升，而非其他。

换句话说，数学领域还没发展出有一种非对称语言来叙述我们对【X 和 Y 非对称关系】的理解——这听得一起是对科学是一件有利的事情，我也明白。不过，科学还是有一点原谅的。

在意识到我们仍然缺少一种针对非对称关系的逻辑方式之后之后，科学希望我们去建构一个，这时候就用到了数学。而令我深感激动的是，需要通过一个非常简单的因果逻辑方式来解决问题我们这个时代最最出色的统计学家都无法解决问题的问题，这种世间和体验就看起来在高中几何中寻找证明方法一样。

Q：在数十年前你在 AI 界提供了名声，为什么又在新书中把自己叙述为 AI 社区的背叛者？A：在取得此前的 AI 成就之后，我开始探寻一项极具挑战性的任务：通过因果展开推理小说。我的许多 AI 同行仍然与不确定性做事，从而局限于持续推测的研究循环中，却对问题的因果层面无所看清。

他们只是想要更佳地预测和推测。比如说我们今天所看见的机器学习任务一般都是以推理小说模式展开的，他们去标示一个【猫】或【虎】，但不关心插手——他们只是想要辨识一个物体然后预测它不会如何随时间变化。我研发出有了一个用作预测和临床的高效工具，然而它们却不能看清到人类智能的点滴；由此，我实在自己就像一个背叛者。如果想要让机器对插手（Interventions）和内省（Introspection）展开推理小说，我们必需利用因果模型。

联系（Associations）本身是过于的——我陈述的是一个数学事实，而非观点。Q：人们对 AI 的诸多可能性深感十分激动；怎么会你不是吗？A：就我对机器学习当前的了解仔细观察而言，我实在目前它们都还逗留在联系的层面；或者说是曲线拟合——所有这些令人印象深刻印象的深度自学成果特一起不过是对数据展开曲线拟合罢了。

从数学分层的观点来看，不管你需要对数据展开如何娴熟的操作者，也不管你在操作过程中加载到什么，它仍然是一个曲线拟合的锻炼，尽管这种锻炼是简单和非凡的。Q：每当提及曲线拟合的时候，你或许都在传达对机器学习没什么感觉。

A：不，我有。只不过我们没意识到原本这么多问题可以用曲线拟合的方式解决问题，但事实证明可以。但我在找寻未来——What is Next？不会有这样一个机器人科学家，需要通过实验为亟待解决的科学问题找寻到答案吗？这次是下一步要做到的。

我们还想要与机器展开有意义的、合乎我们直觉对话；而如果机器人缺少对你我这样的对因果的直觉，那么就很难与之展开有意义的对话。我们不会说道【我本可以做到得更佳】，但机器人会。因此我们在交流中就丧失了一个最重要的途径。

Q：如果机器享有了我们人类这样的对因果的直觉，那么不会怎么样？A：我们必须彰显机器一个环境模型。如果一个机器没对现实的概念，你就无法确信它在现实中展现出出有智能不道德。这是第一步，人类将在 10 年内结构出有现实世界的概念模型。

第二步，机器将以自己的方式对上述模型展开带进并检验，然后基于实验数据展开优化。这刚好是科学再次发生的过程，我们从地心说模型开始，最后得出结论一个日心说模型。机器人之间也将彼此交流，并最后把这个抽象化世界转换成比喻性的模型。

Q：当你与其他 AI 从业者共享上述观点的时候，他们的反应如何？A：AI 目前是分化的。首先，有那么部分人陶醉于当前机器学习、深度自学和神经网络的顺利中，对我所说得这些从不解读；他们想要之后展开曲线拟合。但是，如果你与一个早已在静态自学之外的 AI 领域中有所研究的人展开聊天，他们马上就能明白。我早已读书了好几篇公开发表于过分两个月的、对机器学习的局限展开阐述的论文。

Q：你是说道，有一个正在瓦解于机器学习之外的发展趋势吗？A：不是趋势，而是一种基于灵魂找寻的最重要希望。它在提问：我们将下落何处？下一步是什么？原创文章，予以许可禁令刊登。

下文闻刊登须知。

本文来源：狗万·ManBetX-www.mr-fan.cn