朱迪亞・珀爾

因果革命 － 人工智慧的大未來
 
許多志向遠大的 ai 科學家，把 AGI(通用人工智慧) 作為生涯發展的終極目標之一，希望能讓機器模擬人類的智慧。不過要達成這個目標，任務極度艱鉅，尚有許多失落的環節需要補足，其中之一就是「因果推論」。

當今各種資料分析方法，不論是統計學或機器學習，都只能求得事物的「相關性」，而無法斷定其「因果性」。縱使近年來勢如破竹、綻放光芒、大獲成功的深度學習(神經網路)，對於因果問題依然束手無策。

「因果性」為何如此重要？

若知道兩個變數具有「相關性」，我們就能透過其中一個變數的升降，來預測另一個變數的升降。但若能知道「因果性」就更厲害了，我們就能進一步從「因」介入，而達成所希望的「果」。

簡而言之，知道「相關性」只能預測世界，而知道「因果性」卻得以改造世界。

可惜的是，傳統上要得到因果性非常困難，光憑資料分析並無法求得事物的因果性，若要斷定因果性，唯一的方法是進行「隨機對照」實驗(例如醫學上的臨床實驗)，但做實驗不僅勞民傷財，而且曠日費時。

百年來就陸續有科學家思考此一問題，希望能夠找到方法，不必做實驗，只透過資料分析，就能解開因果問題。但一直到前幾年，才由圖靈獎得主 Judea Pearl 集其大成，他從貝氏機率出發，發展出貝氏網路，進而發現因果的3層階梯，最後終於發明了因果網路，一舉破解因果之謎， 拿下 ai 研究的重大聖杯。

Judea Pearl 的名言是 “Mind over data”(思想勝過資料)，因果推論的原理是由邏輯推理所驅動，而機器學習的方法是由資料所驅動。他認為人類智慧的運作方式更趨近於邏輯推理驅動，而非資料驅動。這也是為何神經網路要看過1萬隻貓後，才能學會辨識出貓，而人類的嬰兒只要看過1隻貓，一輩子都有能力辨識出各種千奇百怪的貓，智慧高下立判。

因果推論是 ai 科學的下一代殺手兵器，Judea Pearl 透過此書把他精巧的軍備全盤托出，毫無保留，奉獻給世人。受到他的啟發，當今世上各種因果推論的應用正在嘗試展開，而 DeepMind、Netflix 等先驅公司也都紛紛投入資源，開始探索這個領域。

我認為，有朝一日，假若有科學家能發明方法，把機器學習與因果推論融合為一，ai 的未來必定一飛沖天、一鳴驚人。

probabilistic graphical model = 一套結合機率論與圖論的數學理論架構（AI中常用）

其中最重要的一類 probabilistic graphical model，即是用有向非循環圖（DAG）表示的 Bayesian network，被本書作者拿來描述因果結構。

用 Bayesian network 描述因果結構，可以統合各學科探討因果關係的傳統方法，包括心理、社會學中的結構方程模型（SEM）、計量經濟學中的工具變量（IV）、流行病學中的隨機試驗（RCT）、哲學中的反事實語意等。有以上相關學科背景的人，讀這本會比較好懂；雖然本書定位為科普，但其寫作形式恐怕難讓一般大眾產生共鳴。

若能看英文的話，網路上有很好的免費資源，從因果推理的基本精神（個人覺得比這本「科普」書更好懂）到詳細的數學推導（一般大眾可跳過）都有涵蓋：

1. 哈佛流行病學教授 Miguel Hernan 的 edX 課程，以及教科書 Causal Inference: What If 免費下載

2. MIT 出版社的 Elements of Causal Inference 免費下載

書評：因果革命：人工智慧的大未來
The Book of Why: The New Science of Cause and Effect

總評價： ★★★✭☆
----------------------------------------------
通用性： ★★★☆☆
實用價值： ★★★✭☆
內容深度： ★★★★★
內容密度： ★★★★✭
敘事易讀性： ★★★☆☆
翻譯與排版： ★★★✭☆

註：星等意義可參照Amazon.com 美國版或日本版的書評狀況。
深度密度等，為對於：從書名與書籍系列推斷之，預想目標讀者程度為相對參照。


【內容】
中心主旨在講：「具有相關」不一定代表「因果關係」。特別是在目前的「人工智慧」「大數據」研究中容易出現的問題。

本書所講的「因果模型」「因果推論發動機（名詞本身不重要）」等詞，源自於作者電腦科學背景。基於電腦程式語言架構、目的、運作流程；其不甚滿意統計數據上，沒有／刻意不表示出「因果關係／自變數與應變數」的判斷（註：原始目的就不同）。其所說的「因果模型」「因果推論發動機」，為一種亦可用因果流程圖作表達、與驗證測試之機制（有輸入／輸出端）。

其推倡之「因果模型」為一種可敘述「因果關係／自變數與應變數」之表達、與驗證方式。本書重點在於其敘述方式之建構與提倡，並清楚區分一些如「主動改變至此狀態」與「具有此種狀態」的區分表達。

目前電腦資料中通常沒有建構因果常識、轉化敘述性資料時也有問題。遠程來說，作者希望可建構出人工智慧瞭解與判別因果關係的能力。否則電腦處理統計後，只會回答「這些要素有多少相關性」的官話：正確而無添加，但也沒什麼用。

自統計資料到因果關係的初步應用，有時會在釐清所有直接因果／機轉路徑前，可合理驗證獨立要素且無不良影響後就施作。此類狀況，小自商品陳列販賣、大至某些藥品（先救人）。

但因果／機轉路徑常不只一種，且不單是 Yes/No而是需量化、有時間差變異、且案例背景不是都一樣，如本書p.35, p.51, p.116例。

此類驗證屬本書第四章RCT（ Randomized Controlled Trials）。白話：我們下次再試看看另一種作法，改變這個參數來比較。但實際常卡在難有對照機會，特別是在歷史或社會科學的宏觀領域，時間點或群眾已經改變。

以及，其在本書表述之與RCT類似或代用的「介入（調整）」演算。基於資料／大數據分離出其他因素之影響。唯此作業不適合手工計算，書中沒放太多公式，而重於概念說明與因果圖示。因定義上該演算必是多變數回歸，且還不一定是直線（平面）性。註：作者Judea Pearl之前的重大成就，為確立基於條件機率的「貝氏網路」（電腦）演算法。

本書之第三階最終「反事實（無前例）」階段為「虛擬」反事實推演。目的是推斷事物規則「因果關係」，並假設該規則可適用於無前例的情況。以本書所提倡之方式判別各段因果，「以資料／數據估計因果關係」（但仍受制於假設的健全性）。

此為要讓人工智慧能夠假設、理解、驗證事物規則，並作出基於事物規則的反應或建議，為其所說的「因果革命」（用於人工智慧時）。


【實用價值】
本書如標適用於對「人工智慧」有興趣的人。相關要素包含邏輯與統計。書中講邏輯的部份，不需前置知識，思緒清晰即可。

條件機率與因果關係為本書敘述之主幹。書中統計的說明，會用到如高中條件機率（貝氏定理），與大學統計的型一與型二誤差等。目前因疫情，常聽到的是偽陽性偽陰性問題。專有名詞多但順著看就可不必強記名稱，知道在作什麼就好。如果覺得閱讀負擔大，對已逝歷史及學者生平與研究歷程可以跳過。本書近半篇幅是這類東西。

對讀者的運用價值上，對非涉人工智慧研發或運用者，可對一些狀況的表述、判讀、與邏輯判斷可有些幫助。

廣汎的說是歸因與議題驗證的邏輯思考。如悖論與具未明他因等「表外」要素時，思考要完整、且要對事象有全盤瞭解。解題所需的要素不一定在題目中報表上。要有全盤瞭解，才能分辨出是否有其所述「後門」要素（在背後作怪的東西）；以及可能存在的「前門」要素－找出隱藏之中介機制／要素，將之前機轉未明的間接影響，改成較直接的影響，讓它顯現與驗證。


註：雖說他是在強調一個表述方法（與幾個數理規則），可能被認為表述方法不是很重要。但更換表述的效果可能比一般人認知的來得大。

語言可以引導思考、思考會受制於使用的語言（有文化，但也有語言自身的效果與限制）。如英語與中文的思考方式就不同；或是如管理上講的what gets measured, gets managed。如果不能measure表述、甚至沒有去定義一個東西，就不太會去有效管理它。未經定義的東西，很難一直把它保持在有意識的思考中。


【翻譯與排版】
翻譯不是很順。為免蓄意挑選的疑惑，均以列示作者序或本文最開頭 3~5 句為代表。

本書譯：
「將近二十年前，我為自己的《因果論》（Causality）寫序時，提出這樣大膽的評論：『因果性已經出現重大轉變，從壟罩在迷霧中的概念，變成具有明確語意和完整邏輯的數學物件。矛盾和爭議已經解決，不明確的概念已經闡明，長久以來被視為形而上或棘手、必需依靠因果關係的實際問題，現在可以運用基礎數學原理解決。簡單說來，因果性已經數學化了。』」

部份詞語疑自行按字面轉翻且拿捏有疑。如 p.277稱「若非因果關係」。此譯法除不通用，與上下文連結也會造成句意不清之閱讀困難。應指But For Causation「若無、則非（則不發生其果）」因果關係。稱「若非因果關係」會改變句子文意。中文裏沒有專有名詞開頭大寫的處理，現在也沒什麼人在用私名號來標示專有名詞以防混淆了。

而在假定譯者有直譯現象時（不會主動添字或重組說法、但也不會主動略去單字），本書許多敘述有省略而不明說應要敘述詞語的現象（代號未表述、代名詞或應有子句不清晰甚至省略），文章的易讀性並不佳。

對於工作上需要使用機器學習模型、解讀數據意義的人來說，這本書很有啟發性。前面一、二章把問題意識破題得很清楚：只考慮關聯性而未考慮因果性，將有決策問題。而因果性需要數學模型，才能以演算法的方式處理。概念上這是可以理解的。
第三章講貝氏定理的意義，覺得詮釋得蠻特別的。為了處理工作上的問題，我回頭把這章讀了兩次，終於讀懂貝氏定理的應用方式。
但是後半部的章節講如何實際應用因果圖做因果推論就很難讀懂了，覺得應用面沒辦法只看文字，需要看程式碼，但作者沒有提供額外的資訊。
網路上有找到其他學者接續這本書之後的發展，是一本正在寫成的書，尚未出版，有提供前面幾個章節，他們使用的函式庫是DoWhy（python），他們要處理的問題也很清楚：真實的資料中，往往無法執行隨機控制實驗，那麼應該如何做因果推論。
我覺得這本書只是一個起點，提出一個新的思考框架，看似蠻顛覆性的，像是一種新的思考語言，看起來有點陌生，需要多個文本交互參照著讀，但若讀懂了，對於思考問題是蠻有幫助的。

這本書從七月到八月中，終於看完一遍。先說我的背景，是理工，在學校未學過機率與統計，但是在去年因為學習人工智慧，才稍微摸到皮毛。看過很多人評論這是一本難懂的書，對我而言，卻覺得這本書其實寫得還算淺顯易懂，可能是剛好上過coursera 「概率图模型 專項課程」，第一堂課。對於其中的定義，以及最後幾章的數學公式，有所理解。買這本書的動機，是因為對於「貝氏定理」不理解，真的是買對了，因為就是這位作者利用貝氏定理，在上個世紀做的題目，由他娓娓道來，自然更容易懂了。作者在書裡，我覺得說不清楚的地方，是「置信度傳播」，這也是他發明的做法。這裡需要參考網路上其他人的說明，倒也不是難事。
作者在條件機率上加上 do ，最後消去使得 do 等於 see ，也就是人類可以利用推理，就可以達成他在書上所說第二層，以及第三層反事實，講得頗為精妙。他也說了一個小故事，是由一位物理博士田津寫出來的，當這簡單的數學公式發表，眾人都不敢相信。
順帶一提的是前幾天，Yann Lecun演說反駁的就是這位作者主張現在的神經網路無法完成因果推論。

我看不懂這本書。

當然，看不懂應該沒有資格評價，然而，本書作者在序言清楚表示目標讀者是一般大眾，我可以保證，一般大眾絕對連皮毛都看不出個所以然。作者的目的 ─「將因果革命介紹給一般大眾」是失敗的。

別被出版社自己編的副標題誤導了，這本書主要不是談人工智慧，這本書談的是「統計」。讀過統計的應該都知道「相關不等於因果」吧，作者認為，統計學長年不談因果推論是一大錯誤，作者大力闡揚具有因果推論的統計學，發明了一套因果推論體系，開發相關工具如「因果圖」、包含因果推論的數學式等，讚賞路徑分析、中介分析、結構分析等早年具有因果推論的嘗試，而近年來相關統計技術的發展，作者便稱之為「因果革命」，並指出這種革命將大大改變未來統計的應用性。個人在研讀研究所時，用的就是結構方程模型，自己也買了一本專書來研讀，遺憾的是，那本書不注重闡釋原理原則 (與國內大多統計教科書類似)，讀完還是一知半解，最後我還是跟大多數研究生一樣，放棄對原理的了解，純粹將這技術當作「工具」來使用，只要確定我的資料適用就夠了，其他交給軟體去跑。看到這本書的時候，原以為我可以彌補當年的遺憾，能夠對因果統計技術的原理有更深層的了解，結果我錯了。

作者對於統計學界長年忽視因過推論這件事，非常不能苟同，至今還是有很多學者對於路徑分析、結構方程的因果推論性存疑，作者急欲證明因果數學的效力絕對不亞於「實驗操弄」，便出了本書，想讓一般大眾了解作者的理論，據此改變整個統計學界。可惜的是，作者出了一本一般大眾根本看不懂的書，別說普通人了，就連讀過一般統計學的人也看不懂，我也是念到研究所才知道路徑分析和結構方程這些玩意。作者刻意採用「非數學」的語言，以為這樣就能讓變成通俗讀物，可惜弄巧成拙，有些東西就是必須要用數學來表達，硬要用通俗語言只會弄得更隱晦難解。本書的因果數學，其中最基礎的 do 運算子，從頭到尾都沒說清楚是什麼 (白話當然說不清楚)，這使得後續的因果數學完全不知所以然。作者的思維層級早已遠超一般人，已經難以想像一般人的背景知識與自己到底有多大的差距，例如，作者在某段艱深難懂的推論後說明「相信讀者現在一定跟我一樣興奮」，顯現出作者強烈的投射作用，表面上想以白話的方式來呈現，又不經意地把讀者當成統計專才，書中常常提到「執行對照」，我打賭只念過一般統計學的人不會知道這是什麼東西。

個人認為，至少需要統計本科系、碩士級或以上的學術訓練，才能一窺本書奧秘，如果是衝著人工智慧來看的，保證你大失所望，作者只有一章談論人工智慧，講的無非是因果推論才是未來真正 AI 的解方，但作者本人卻已離開人工智慧的領域許多年了。這本書我讀得很痛苦，我大學時念過一般統計學，考研究所念第二遍，上研究所後了解一些進階的統計技術，但對於閱讀本書的門檻來說，我只是半吊子，所以我才說保證一般人連皮毛都看不懂。當然，也不是整本書都看不懂，書中談到各種統計悖論、或是假性相依等現象是挺有趣的，但收穫實在不多，完全不推薦一般大眾來閱讀。