《为什么》迷你图灵测试描述

图灵测试从1950年开始，到2015年，25届比赛，没有一个程序能骗过所有裁判，甚至哪怕一半的裁判。

掌握因果关系是创造类人智能的重要关键因素。

我称之为“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的与之相关的因果问题。之所以称其为“迷你”，原因有二。首先，该测试仅限于考察机器的因果推理能力，而不涉及人类认知能力的其他方面，如视觉和自然语言。其次，我们允许参赛者以任何他们认为便捷的表示方法对故事进行编码，这就免除了机器必须依据其自身经验构造故事的任务。

人工智能对认知研究的一个主要贡献就是“表示第一、获取第二”的范式。

人类大脑肯定拥有某种简洁的信息表示方式，同时还拥有某种十分有效的程序用以正确解释每个问题，并从存储的信息表示中提取正确答案。表示信息和提取答案的算法就尤为核心了。

通过观察或者叫机器学习或者叫关联，学到一个因果关系网络，可以按照网络的条件完成关系的过程甚至推理判断。因果关系的第二层干预则是打破规则，从观察到某个事件到使某个事件发生，即假如怎么怎么样，会怎么怎么样。这时候原有的固定因果关系网就成了约束，不应从头开始推理，应该从假定某个事件发生的那个节点，按照脉络继续往下推理。反事实的第三层级就是，在已经得到最终结果后，假定其中某个条件不成立，或者不发生，结果会怎么样。一样首先是按照假设修改网络，然后根据事实反向查找是否成立，然后再返回来推理结果会怎么样。

机器或者程序要做的就是构建规则，并试着打破规则。这个是很难的。事实上还会有很多不确定性因素的干扰，不一定在规则内。

数据会骗人的例子：假设100万儿童中有99%接种了疫苗，1%没有接种。对于接种了疫苗的儿童来说，一方面，他有1%的可能性出现不良反应，这种不良反应有1%的可能性导致儿童死亡。另一方面，这些接种了疫苗的儿童不可能得天花。相对的，对于一个未接种疫苗的儿童来说，他显然不可能产生接种后的不良反应，但他有2%的概率得天花。最后，让我们假设天花的致死率是20%。按照假设，在100万个孩子中，99万人接种了疫苗，其中有9900人出现了接种后的不良反应，这之中有99人因此死亡。与此同时，那1万个没有接种疫苗的孩子中，有200人得了天花，其中的40人死于天花。这样一来，死于疫苗接种不良反应的儿童（99人）就多于死于天花的儿童（40人）了。

在刚刚的假设中，我们提到过疫苗接种率是99%。现在让我们问一个反事实问题：“假如我们把疫苗接种率设为零会怎样？”利用上述虚拟数据中给出的概率，你可以得出如下结论：100万孩子中2万人会得天花，4000人会死亡。将反事实世界与现实世界进行比较，我们就可以得出真正的结论：不接种疫苗会导致我们多付出3861（4000与139之差）个儿童的生命的代价。

构建因果关系不仅仅是节点和边，边的背后还隐藏着概率，即假如A发生变化，B将如何变化。

因此一个因果推断引擎，第一步是构建因果关系，其次是解读问题，打破因果关系规则，并使用修改后的因果模型计算答案。

因果观比概率观更重要。因果图所蕴含的知识比由概率分布编码的知识有更强大的应用潜能。因为短期的技术和社会的发展对概率的影响大于对因果关系的影响，甚至从哲学上看有些因果关系是比较稳定的。