《The book of why》读书笔记（二）–第一章：因果关系之梯
本文是接着上一篇读书笔记来写的。本文依旧按书中的章节来分享的，文中红色字为书中的原文，而黑色字是我自己的一些想法。如果大家对问中内容有其他间接，欢迎评论！
1. 事 实 是 通 过 错 综 复 杂 的 因 果 关 系 网 络 融 合 在 一 起 的 。 因 果 解 释 而 非 枯 燥 的 事 实 构 成 了 我 们 大 部 分 的 知 识 ， 它 应 该 成 为 机 器 智 能 的 基 石 。 我 们 从 数 据 处 理 者 向 因 果 解 释 者 的 过 渡 不 是 渐 进 的 ， 而 是 一 次 “ 大 跃 进 ” 。 \color{#FF3030}{1.事实是通过错综复杂的因果关系网络融合在一起的。 因果解释而非枯燥的事实构成了我们大部分的知识，它应该成为机器智能的基石。 我们从数据处理者向因果解释者的过渡不是渐进的，而是一次“大跃进”。} 1.事实是通过错综复杂的因果关系网络融合在一起的。因果解释而非枯燥的事实构成了我们大部分的知识，它应该成为机器智能的基石。我们从数据处理者向因果解释者的过渡不是渐进的，而是一次“大跃进”。
- 这里的事实其实就是说数据，虽然说数据仿佛就可以构成世界，但是如果数据之间没有内在的因果关系，则无法构成世界。也因此，机器的智能应该向因果性靠拢。
2. 因 果 关 系 之 梯 的 三 个 层 级 ： \color{#FF3030}{2.因果关系之梯的三个层级：} 2.因果关系之梯的三个层级：
- 处于第一层级的是关联，在这个层级中我们通过观察寻找规律。如果观察到某一事件改变了观察到另一事件的可能性，我们便说这一事件与另一事件相关。
干预比关联更高级，因为它不仅涉及被动观察，还涉及主动改变现状。（“刻意干预”）
反事实与数据之间存在着一种特别棘手的关系，因为数据顾名思义就是事实。数据无法告诉我们在反事实或虚构的世界里会发生什么，在反事实世界里，观察到的事实被直截了当地否定了。
3. 一 个 足 够 强 大 的 、 准 确 的 因 果 模 型 可 以 让 我 们 利 用 第 一 层 级 （ 关 联 ） 的 数 据 来 回 答 第 二 层 级 （ 干 预 ） 的 问 题 。 \color{#FF3030}{3.一个足够强大的、准确的因果模型可以让我们利用第一层级（关联）的数据来回答第二层级（干预）的问题。} 3.一个足够强大的、准确的因果模型可以让我们利用第一层级（关联）的数据来回答第二层级（干预）的问题。
- 由此可见，因果模型才是解决因果问题的关键。同时，人为什么对于各种数据（小样本、低质量、不平衡）通常都可以进行问题解决，而深度学习中却要费很大劲儿也不一定成功。因果模型可能就是原因。
4. 迷 你 图 灵 测 试 ： 其 主 要 思 路 是 选 择 一 个 简 单 的 故 事 ， 用 某 种 方 式 将 其 编 码 并 输 入 机 器 ， 测 试 机 器 能 否 正 确 回 答 人 类 能 够 回 答 地 与 之 相 关 地 因 果 问 题 。 \color{#FF3030}{4.迷你图灵测试：其主要思路是选择一个简单的故事，用某种方式将其编码并输入机器，测试机器能否正确回答人类能够回答地与之相关地因果问题。} 4.迷你图灵测试：其主要思路是选择一个简单的故事，用某种方式将其编码并输入机器，测试机器能否正确回答人类能够回答地与之相关地因果问题。
- 该测试仅考察了机器地推理能力
5. 如 果 我 们 希 望 计 算 机 能 理 解 因 果 关 系 ， 我 们 就 必 须 教 会 它 如 何 打 破 规 则 ， 让 它 懂 得 “ 观 察 到 某 事 件 ” 和 “ 使 某 事 件 发 生 ” 之 间 的 区 别 。 \color{#FF3030}{5.如果我们希望计算机能理解因果关系，我们就必须教会它如何打破规则，让它懂得“观察到某事件”和“使某事件发生”之间的区别。} 5.如果我们希望计算机能理解因果关系，我们就必须教会它如何打破规则，让它懂得“观察到某事件”和“使某事件发生”之间的区别。
- “打破规则”很值得思考。计算机永远是遵守规则的，而人的创造性很多是来自打破规则，所以打破规则是否就是实现强人工智能的关键。
6. 我 们 需 要 告 诉 计 算 机 ： 无 论 何 时 ， 如 果 你 想 使 某 事 发 生 ， 那 就 删 除 指 向 该 事 的 所 有 箭 头 。 \color{#FF3030}{6.我们需要告诉计算机：无论何时，如果你想使某事发生，那就删除指向该事的所有箭头。} 6.我们需要告诉计算机：无论何时，如果你想使某事发生，那就删除指向该事的所有箭头。
- 在这里，作者用例子引出了因果图。这句话说明了，要执行一个干预的话，应该如何对因果图进行改变。
7. 同 样 的 被 估 量 将 一 直 有 效 ， 并 且 只 要 因 果 图 不 变 ， 该 被 估 量 就 可 以 应 用 于 新 数 据 ， 并 为 特 定 问 题 生 成 新 的 估 计 值 。 我 猜 想 ， 正 是 由 于 具 备 这 种 稳 健 性 ， 人 类 的 直 觉 才 以 因 果 关 系 而 非 统 计 关 系 为 组 织 的 核 心 。 \color{#FF3030}{7.同样的被估量将一直有效，并且只要因果图不变，该被估量就可以应用于新数据，并为特定问题生成新的估计值。我猜想，正是由于具备这种稳健性，人类的直觉才以因果关系而非统计关系为组织的核心。} 7.同样的被估量将一直有效，并且只要因果图不变，该被估量就可以应用于新数据，并为特定问题生成新的估计值。我猜想，正是由于具备这种稳健性，人类的直觉才以因果关系而非统计关系为组织的核心。
8. 对 于 “ 哪 些 变 量 要 放 入 背 景 因 子 集 合 K 中 作 为 条 件 ” 这 一 问 题 ， 还 没 有 一 个 哲 学 家 能 够 给 出 一 个 令 人 信 服 的 通 用 答 案 。 原 因 显 而 易 见 ： 混 杂 特 是 一 个 因 果 概 念 ， 因 此 很 难 用 概 率 来 表 示 。 \color{#FF3030}{8.对于“哪些变量要放入背景因子集合K中作为条件”这一问题，还没有一个哲学家能够给出一个令人信服的通用答案。原因显而易见：混杂特是一个因果概念，因此很难用概率来表示。} 8.对于“哪些变量要放入背景因子集合K中作为条件”这一问题，还没有一个哲学家能够给出一个令人信服的通用答案。原因显而易见：混杂特是一个因果概念，因此很难用概率来表示。
- 作者先抨击了使用“概率提高”来回答第二层次问题。然后说明了概率学家使用背景因子来完善概率提高也是无法实现的。终究混杂因子也是一个 因果概念。
9. 概 率 能 将 我 们 对 静 态 世 界 的 信 念 编 码 ， 而 因 果 论 则 告 诉 我 们 ， 当 世 界 被 改 变 时 ， 无 论 改 变 是 通 过 干 预 还 是 通 过 想 象 实 现 的 ， 概 率 是 否 会 发 生 改 变 以 及 如 何 改 变 。 \color{#FF3030}{9.概率能将我们对静态世界的信念编码，而因果论则告诉我们，当世界被改变时，无论改变是通过干预还是通过想象实现的，概率是否会发生改变以及如何改变。} 9.概率能将我们对静态世界的信念编码，而因果论则告诉我们，当世界被改变时，无论改变是通过干预还是通过想象实现的，概率是否会发生改变以及如何改变。
498
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
