-
因果革命:人工智慧的大未來
- 點閱:339
- 譯自:The book of why:the new science of cause and effect
- 作者: 朱迪亞.珀爾(Judea Pearl), 達納.麥肯錫(Dana Mackenzie)合著 , 甘錫安翻譯
- 出版社:大牌出版 遠足文化發行
- 出版年:2019[民108]
- 集叢名:Focus:12
- ISBN:978-986-97534-5-6 ; 986-97534-5-0
- 格式:EPUB
- 版次:初版
內容簡介
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!《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‧霍爾維茲等人重磅推薦!
▎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
▎各章內容簡介請參閱〈目錄〉的引文。
▎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
▎各章內容簡介請參閱〈目錄〉的引文。
- 封面
- 目錄
- 自序
- 前言
- [1]因果階梯
- 因果的三個層級
- 迷你圖靈測驗
- 機率與因果
- [2]從海盜到天竺鼠
- 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
- [3]從證據到原因
- 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
- [4]干擾與去干擾
- 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
- [5]煙霧瀰漫的爭議
- 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
- [6]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
- [7]超越調整
- 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
- 最簡單的路線:後門調整公式
- [8]反事實
- 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
- [9]中介
- 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
- [10]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
- 致謝
- 版權頁
紙本書 NT$ 680
單本電子書
NT$
476
同分類熱門書