傳說中神農氏嚐百草,被視為中國醫學的始祖。神農氏為何嚐百草?因為要知道植物的醫療效果。但是,什麼叫有效果?(如果你認為吃了沒死,就是有效果,那未免也太單純了。)在神農氏身上有效果,就代表在其他人身上有效果嗎?長期資本管理公司(Long-Term Capital Management, LTCM)在1998年的短短四個月中,賠掉了46億美元,最後導致倒閉。為何這間由金融操作老手及兩位諾貝爾獎得主管理的公司,無法預見他們的金融操作手法會導致公司倒閉的後果?以上問題的答案,都和假設性思考(hypothetical thinking)有關,而假設性思考用到了另類時空圖書館中的記載。
作者提出很多獨創觀點,我覺得卻沒有比文獻中的好。
1. 作者後半引入機率與貝氏網路,作為論證的工具。但是作者對問題的討論,忽略了機率決策思考中更根本的:對個體 vs 對群體在思考與決策上的差異。
〈人事經理的難題〉是最凸顯此點的一例。人事經理聘用高學歷的人,並非指去改變每一個求職者「個體」的學歷,而是從「群體」中挑出高學歷者;這跟經理自己去進修取得高學歷,是經理自身的個體改造不同。了解這個不同就沒有所謂的「難題」了。
或者說,了解「個體」和「群體」兩個層級在統計上未必有相同的關聯結構(這個在近年的統計與社會科學文獻有很多討論了),就不必如作者般在訊息因果結構上又加入決策因果結構,這種疊床架屋的解決方案。閱讀其他書中的難題時,從這個角度去想,很多難題事實上都沒作者想的困難,可以輕鬆應付。
2. 作者鼓吹所有的機率思考都要化約為因果圖上的思考,我未必同意。數學上機率未必從貝氏網路而來;甚至人工智慧的發展史上,也是先有 Markov random field 才有貝氏網路(或者說,貝氏網路只是 probabilistic graphical model 的特例)。
本書大篇幅分析睡美人難題,但我覺得這個難題的爭議點恰好不是貝氏網路能表達的,讀者可自行評斷(該章有分析很多文獻中的其他解法)。
3. 最後,必須指出,作者對貝氏網路尤其 do operator 造成的機率分布改變,介紹得不清不楚,沒有貝氏網路背景的人可能須先從其他資源學習。個人目前覺得好讀的是 MIT出版社的 Elements of Causal Inference (有 open access 開放免費下載),可惜目前中文圈還沒有適合的讀物(《因果革命》也講得不好)。