美国计算机科学教授朱迪亚·珀尓

普林斯顿大学数学博士达纳·麦肯齐

文/张留华

美国计算机科学教授朱迪亚·珀尔和普林斯顿大学数学博士达纳·麦肯齐在《为什么》一书中提出：福尔摩斯主要依靠个人的超强记忆或探案艺术去确定原因，如果我们把因果推断的原理教给计算机，实现“因果推断”的自动化处理，未来在人工智能的帮助下，人人都可以成为福尔摩斯，甚至比福尔摩斯“算”得更快更准。

这当然是一项创举，很多科学家和哲学家都曾有过这样的设想。那么，我们该如何教会计算机进行“因果推断”呢？首先，得理清“因果”观念。因果思维是人类古老的、伴随条件句使用的一种认知方式，而且有层级之分。譬如，当你看到一个人按着头部难过的样子，可能想到他头痛。这种形如“如果我看到A就会想到B”的条件句表达了一种“关联”，是最初级的因果关系。然后，你打算主动提供阿司匹林给他服用，看他是否还头痛。于是就有形如“如果我实施行动A，就会有结果B”的条件句。这里表达的是一种“干预”，属于第二层级的因果关系。其中的A不再是被动接受的所观察之物，而是你主动采取的一种行动。而待他服药后不再头痛时，你可能又设想：假若我刚刚没有及时给他服用阿司匹林，不知道会怎样？这时的条件句形式为“如果我当时做的是A，结果可能是B”，它所表达的是一种“反事实”，即，其中的A是一种虚拟的、未曾发生或不可能发生的情况。从“关联”到“干预”再到“反事实”，三者构成了“因果关系之梯”。它描绘了人类意识进化和个体认知能力提升的三个阶段，也代表着机器模拟人类思维（人工智能）的三个台阶。当前已出现的人工智能产品，只停留在“关联”这个初级阶段，连小孩子的因果思维水平也赶不上。要想走向更强的人工智能，必须沿着“因果关系之梯”继续攀升，让计算机不只是被动接受信息，而且能学会更高级的因果思维能力，尤其是“反事实”的因果推断。只有把“反事实”的可能性考虑在内，我们才能突破现有观察数据的局限，去把握一种代表一般性规律的、能灵活应对未来不确定情况的因果关系。对“反事实”可能性的思考是人类区别于类人猿祖先以及地球上其他生物的重要特征。事实上，我们熟知的科学定律很多都是“反事实”条件句，比如牛顿力学第一定律，其精确的表达方式是：任一物体，假若不受外力作用，一定保持静止或匀速直线运动状态。这里的“假若”情形（某一物体不受外力作用）显然是我们观察不到的“反事实”。

《为什么》

接下去要做的是，借助于因果图及其背后的主观概率理论，从既有观测数据中推算“原因”。要推算一种现象背后的原因，往往要考虑多个可能相关的因素。通过适当的概率计算，我们可以估量各种“因”的相对重要性。在此过程中，我们经常需要试着改变某一变量的状态值，并预言如此干预或想象之后会有什么样的概率变化。在利用科学界积累的观察和实验数据进行模拟计算之后，可能要重新规划模型，修改原有的因果图，直至达到关于某一种现象之因果关系的“最佳解释”。这就是科学逻辑上著名的外展法（Abduction，或译为“溯因法”）。计算机遵循外展法进行因果推断并由此反思自身的错误，相比基于固定规则而开展的演绎，这毋宁说是更接近了人类的智能。