读：Judea Pearl为什么的一些笔记

S0: 绪论：思维胜于数据

Background：

  如果把人类大脑考虑为一个处理器，我们的大脑储存了海量的因果知识，在这些数据的辅助下，我们可以利用这些数据解决当代 社会所面临的各种问题。而如果我们可以在计算机上来模拟这些任务，我们进而可以创造出更类人的智能

  在强人工智能时代，越来越多的人去鼓吹大数据以及DL（我也是^^，虽然有时候觉得很cjb），但是数据并非万能：数据只能告诉你二者相关联，而不能告诉你谁是因谁是果。如大数据告诉你服用药物D，病人的情况会有所好转，但是他无法告诉你是否是药物D导致了病情好转（如可能因为能服用药物D的人更有钱）。因此若想实现真正的智能，让机器理解因果是有必要的。但是因果论本身却难以被引进科学

  我们来考虑这个问题的难度：数学形式更易于表达"概率"及“关系”，而难于表达“因果关系”：文中举了一个例子：气压计读数B可以用来表示大气压P，不妨利用B=kP来表示这个关系（k为某比例常数）这个代数式可以写成P=B/k，k=B/P乃至B-kP=0.在数学上他们意义完全相同，可是在因果关系上呢？是大气压P导致了气压计读数B变化？还是气压计读数B导致了大气压P变化？这对于人来说是易于分辨的，但是对于机器是无法去做到的。统计学只允许X与Y“关联”而找不到X是Y的原因。

  未解决上述问题，  作者提出了一个非常大胆的寻找“因”的方法：反事实，比如M吃了药物D后死亡，那么反过来，不吃药物D，M寻找还活着么？我们可以举出很多反事实法有用的例子：公鸡打鸣是太阳升起的原因（错），在此基础上作者提出了因果算法：

因果算法由两种语言组成：（在①②中展示）

①因果图

 一种用简单点+箭头组成的图

②类代数符号语言

  利用P(L|do（D）)表示：干预D（做了D）后，L会发生什么；如用D表示服用某种药物，L表示病人康复效果，P(L|do（D）)表示吃了药物D后病人康复效果，而P(L|do（not-D）)表示没吃D的病人康复效果。注意，P(L|do（D）)与P(L|D)完全不同，do算子表示了人“主动去干预”，而P(L|D)只表示“观察”到病人吃了D后的健康情况。注意，seeing和doing是有本质区别的，观察到气压表下降代表风暴来临的可能性增加了，但是人为使得气压表下降对风暴降临的可能不会有任何影响，也就是说：现在，有一个人手动使得气压表下降，P(L|D)会告诉你：风暴来临的几率升高了，而P(L|do（D）)会告诉你，风暴来临的几率不变。——再夸张一点，没有P(L|do（D）)而只有P(L|D)的世界是混乱的：比如很经典的喝了水的人全死了(^^)，撤销消防员会使得火灾几率下降(^^)。当然这根本的原因就是P(L|D)无法确定谁是“因”，这就是纯数据说话的问题。

   详细的之后说（毕竟只是个intro^^），还有一个因果机器草图跟着第一张因果阶梯一起说吧