▎《因果革命》



◎自序

這本書的目標有三個：一是以非數學語言讓讀者理解因果革命的詳細內涵，以及它將如何影響我們的生活和未來。二是為讀者介紹科學家遭遇及挑戰關鍵因果問題時，英勇解決的歷程。最後，則是把因果革命帶回人工智慧的最初本源，介紹如何讓機器人學習以我們的母語（即因果語言）溝通。

?

◎前言 思想勝過資料

法蘭西斯?高爾頓與卡爾?皮爾森運用跨世代資料解答他們對於遺傳的疑問，可惜沒有成功，於是他們開發出「統計」這門爾後興盛數十載的學科。從事研究的人都聽過「相關不是因果」這句統計學名言，該觀念影響學界長期探究「關聯」而不問「因果」。在資料本位的歷史影響下，今日我們甚至認為大數據可解答所有問題，但是朱迪亞?珀爾希望藉此書告訴讀者，資料本身一點也不智慧。1980年代末，研究人工智慧的珀爾發現，「機器無法理解因果關係」可能是它們無法具備人類智慧的關鍵原因，於是他轉而投身因果科學陣營，多年後他藉由這本書，總結了各路科學家推動因果革命的成果。



◎第一章 因果階梯

因果的三個層級�迷你圖靈測驗�機率與因果

珀爾研究機器學習時了解到，因果學習者至少必須掌握三個層級的認知能力，分別是：（一）觀看與觀察，以探知環境中的規律；（二）實行，亦即預測刻意改變環境的效果，並選擇適當改變以獲得想要的結果；以及（三）想像——因果階梯的三個層級「觀察」、「介入」和「反事實」便是由此而來，數學能證明這三個層級有根本上的不同，每個層級都具備前一層級缺少的能力。本章將介紹以因果圖進行推理的基礎概念、主要的建模工具，讓讀者慢慢見識因果推論模型詮釋資料、解答疑問的強大能力。



◎第二章 從海盜到天竺鼠：因果推論的創生

法蘭西斯•高爾頓捨「因果」而擁抱「相關」�卡爾•皮爾森把「因果」掃出統計學�萊特、天竺鼠和路徑圖�E PUR SI MUOVE（但地球依然在轉動）�貝氏連結將主觀機率帶進統計學界

十九世紀末，法蘭西斯?高爾頓想將《物種原始》的理論架構數學化，他花了八年嘗試解答族群遺傳特質維持恆定的原因，但是始終無解，最後放棄研究，轉而注意統計「相關」。高爾頓的門徒卡爾?皮爾森後來提出「相關係數」，直到現在，所有統計學家想知道資料組中兩個變項的關聯程度時，總是最先計算這個數字。第二章講述統計學如何忽視因果性，並且對各種資料導向的科學造成深遠影響。此外還將介紹對本書而言十分重要的遺傳學家西瓦爾•萊特的故事；萊特於1920年代首先繪製因果圖，多年來一直是少數認真看待因果性的科學家。



◎第三章 從證據到原因：當貝斯遇見福爾摩斯

電腦偵探波拿巴（Bonaparte）�貝斯牧師與逆機率問題�從貝氏法則到貝氏網路�貝氏網路：原因透露了哪些關於資料的線索？�我的行李在哪裡？從亞琛到尚吉巴島�真實世界中的貝氏網路�從貝氏網路到因果圖

1980年代初，珀爾認為不確定性是AI所欠缺的最重要的能力，於是運用機率，開發出處理不確定性推理的強大工具——貝氏網路，這是首先讓電腦以「灰階」方式思考的工具，至今仍被視為人工智慧頂尖典範。然而到了1980年代末，珀爾開始覺得自己錯了，他認為貝氏網路仍沒有填補人工智慧和人類智慧的差距。在這一章，他談了自己從貝氏網路忠實信徒變節，轉入因果性陣營的心路歷程。儘管如此，貝氏網路依然是今日人工智慧界極為倚重的工具，而且具備因果圖的許多數學基礎，因此這章以因果性簡略介紹貝氏法則和貝氏推理方法，並為讀者舉出幾個在實際生活中運用貝氏網路的範例。



◎第四章 干擾與去干擾：或說剷除潛在變項

干擾導致強烈恐懼�大自然的巧妙質問：隨機對照試驗為何有效用？�干擾的新典範�do運算子和後門準則

隨機對照試驗（RCT）是統計學對因果推論的重大貢獻，它的主要目標，是把要探討的變項與可能影響它們的其他變項分開。如何去除這些潛在變項造成的失真或「干擾」，是已經存在一世紀的難題，但科學家直到最近才體認到，解決這問題需要的不是統計學方法，而是因果方法。這章要從因果圖的觀點說明，RCT為何能協助估計兩變項之間的因果效應，而且不受干擾偏差影響，從中我們會了解RCT其實源自更基本的原理，其他方法未必都要奉它為圭臬。這一章還將說明因果圖如何讓我們把焦點從「干擾因子」轉移到「去干擾因子」，並且帶領讀者以出奇簡單的方式解決一般干擾問題。



◎第五章 煙霧瀰漫的爭議：除去迷霧

菸草：人為流行病�衛生總署委員會和希爾準則�吸菸對新生兒的影響�激烈爭議：科學與文化

十八世紀詹姆斯．林德發現柑橘類水果能預防壞血病，十九世紀約翰．史諾發現遭排泄物汙染的水會導致霍亂，這些偵察工作很幸運的一點是：原因與結果之間是一對一關係。二十世紀時「吸菸是否會致癌」爭議挑戰了單一因果關係概念，而且由於無法隨機指定某些人冒著健康風險吸菸數十年以進行對照，統計學家不只對答案難有共識，連如何理解問題都有不同看法。後來美國衛生總署委員會採用一連串非正式指導方針「希爾準則」，終於得出「吸菸會導致癌症」這結論，但這花了近十五年時間。這爭議讓許多人看清因果性的重要——如果科學家有適合的語言或方法來解答因果問題，得出結論將不再曠日廢時。



◎第六章 破解悖論！

令人費解的蒙提霍爾問題�更多衝突偏差：柏克森悖論�辛普森悖論�以圖畫說明辛普森悖論

這章要讓讀者輕鬆一點，做一些有趣的動腦遊戲，談談蒙提霍爾悖論、辛普森悖論與柏克森悖論等知名的古典矛盾問題。其實這些悖論問題有嚴肅的一面——它們幾乎都與因果直覺抵觸，因此能讓我們深入分析這類直覺。悖論和視錯覺一樣，能夠揭露大腦的運作方式、大腦愛走的捷徑，以及大腦覺得矛盾的事物。因果悖論凸顯出與機率和統計邏輯衝突的直覺式因果推理型態，看看統計學家對它們有多麼頭痛，就能知道不用因果性眼鏡看世界往往容易出現誤判。這些問題提醒著科學家，人類直覺是以因果為基礎，而不是統計和邏輯。一起來看看這些經典悖論問題的新解吧！



◎第七章 超越調整：征服介入山

最簡單的路線：後門調整公式�前門準則�Do計算法——精神高於物質�科學的織錦，或是do管弦樂團的隱形樂手�史諾博士的詭異案例�好膽固醇和壞膽固醇

第七章到第九章將帶領讀者一步步登上因果階梯。本章要登上階梯的第二層——介入層，其重點是預測以往未曾嘗試的行動和策略可能產生什麼效果。除了說明可產出「是或否」答案的因果推論發動機的內在結構，還要教讀者尋找因果圖中的特定型態，像是後門調整、前門調整及工具變項等，它們在因果推論中扮演極吃重的角色。作者將示範這些工具如何解答以往困住科學家的難題，例如以「前門準則」釐清因果圖尚未誕生時的「吸菸致癌爭議」，用約翰．史諾的霍亂成因調查示範因果圖如何讓工具變項發揮作用。作者也將介紹他的學生在因果革命中扮演的角色。



◎第八章 反事實：發掘可能成真的世界

從修昔底德和亞伯拉罕，到休謨和路易斯�潛在結果、結構方程式，以及反事實的演算法化�了解自己的假設是好習慣�反事實與定律�必要原因、充分原因和氣候變遷�反事實的世界

人類是在五、六百萬年間由猿猴類演化而來，但在近五萬年間發生了一些獨特狀況，從此能更快速地改變自身能力與環境，例如發明許多神奇物品。為什麼？人類突然獲得其他動物沒有的什麼運算能力？對此有許多人提出理論，但其中只有一種與因果關係有關——歷史學家哈拉瑞在《人類大歷史》中推測，人類祖先能設想「不存在的事物」（反事實），讓人得以溝通得更順暢，是其中最重要的關鍵。本章要帶各位登上因果階梯的頂層，探討反事實，照例會有許多因果圖示範釐清常見爭議的實情（例如學經歷對薪水的影響，以及量化氣候變遷的效果等），體會將「反事實」納入因果查詢時，解答事情的面向如何更加豐富多變。



◎第九章 中介：找尋機制

壞血病：錯誤的中介變項�自然與養育：芭芭拉•布克斯的悲劇人生�尋找語言（柏克萊錄取率悖論）�黛西、小貓和間接效應�線性理想世界裡的中介�接納「應該會」�中介案例分析——吸菸基因：中介和交互作用；止血帶：隱形的謬誤

「反事實」目前在科學界中最風行的應用是中介分析，中介（或中介變項）是把處理效應傳遞給結果的變項，中介分析的目的是釐清直接效應和間接效應。這類問題不僅在科學上相當重要，也有實際的影響，書中舉了駭人的一例：詹姆斯．林德船長的壞血病研究是史上極早的對照實驗，其結果在1747年發表。但一個世紀之後，英國遠征隊開始探察極地時，這種完全可以預防的疾病出乎意料地捲土重來，原因就在於當時尚未發現真正的中介變項（維生素C），使得「柑橘類水果可預防壞血病」這理論被棄之如敝屣。本章介紹科學家如何找出表達「中介」的方法，以補傳統統計學的不足，另外也有數例中介案例分析。



◎第十章 大數據、人工智慧與大問題

因果模型與大數據�強AI和自由意志

怎樣打造智慧與人類相當且能分辨善惡的機器？——珀爾相信，因果推理是讓機器能以人類語言與我們溝通，談論政治、實驗、解釋、理論、遺憾、責任、自由意志與義務等話題，乃至自己做出道德決策的關鍵，因此發展因果語言與工具之重要性不可言喻。在研發過程中他廣泛接觸各領域人士，一起點燃因果革命的火花，火花從一個學科擴散到另一學科，催生了新典範，他認為這個轉變將使科學的體質更加健全，這是「人工智慧給人類的第二個禮物」。而因果革命在AI界的終極產物——具道德感的強AI，不只會成為我們的好伙伴，還能成為我們師法的對象，教導我們更明晰、因果上更合理的正義感，這則是人工智慧給人類的第一個、也是最好的禮物。



◎致謝



▎《人性較量》



◎楔子

◎第一章 序章：最人模人樣人類獎

如果有一天我們造出精巧到可說能思考的機器，要怎麼知道它有這個能耐？電腦科學先驅艾倫?圖靈為此提出一項實驗：分別讓電腦程式和真人參賽，由評審團透過電腦終端機向他們提問，再分辨哪個是人、哪個是電腦——這就是今日人工智慧（AI）族群年度盛事「圖靈測驗」（羅布納獎）的由來。不論有沒有程式通過圖靈測驗（騙過三成評審），比賽都由得到最高票和最多信心分數的程式獲勝，頒予「最人模人樣電腦獎」與獎金；獲得最高票和最多信心分數的人，則會獲頒「最人模人樣人類獎」。為了與世界頂尖的AI程式對決，我得設法釐清人和機器的差異，並且盡力表現人味……? ?



◎第二章 認證

在機器的世界，驗證身份靠的是內容（密碼和PIN等），在人類的世界，靠的則是形式（如聲音、筆跡和說話風格）。「設計機器人不是寫程式，而是寫小說。」程式三度獲得亞軍的程式設計師丹辰科和維索洛夫如是說。他們強調由單一設計師構思機器人的反應很重要：「得先選好由誰負責勾勒機器人的個性。寫處理流程的知識基礎就像寫書……」講到「寫書」，就不能不談風格和內容孰重，以及如何表現獨到眼光，近來關於翻譯機的辯論多半圍繞這類問題打轉。幾十年來，翻譯機計畫的目標多半是以語法為基礎去理解語言，不過到了1990年代，運用統計運算的機器翻譯方式異軍突起，讓意義的問題憑空消失。? ?



◎第三章 遊走的靈魂

電腦科學領域很早就分成兩個陣營：有些研究者追求更整潔的演算法結構，另一些人則投入較為雜亂的結構。神經網絡、類比計算和統計式運算等，至少從1940年代早期起就引起科學家的興趣，但直到本世紀之交，主導的始終是以規則為基礎的演算法模式。機器翻譯暴露了演算派的侷限——在2006年的NIST機器翻譯賽，大獲全勝的一支Google隊伍中，沒有人懂比賽裡的阿拉伯文和中文。五年過後，雖然「統計式」翻譯技術仍不完美，但規則式翻譯程式已看不到它的車尾燈。另一個讓左腦式嚴謹分析方式徒呼負負的是使用者經驗，它重視的並非機件的純科技性能。電腦研發重心的這種轉變，反映出不獨以人類智能的複雜性和能力為尚，也珍惜它感性、靈活、能反應的特色。我們忘了什麼值得讚嘆，而電腦正提醒我們。



◎第四章 量身打造 vs. 統一規格

最早引起廣泛注意的電腦對話程式是ELIZA，由約瑟夫?維森班在麻省理工學院完成。ELIZA程式碼只有幾百行，表現卻好得令人尷尬：很多第一次和她談的人都深信，自己在和真人交談；有些人和她聊了數個鐘頭後表示，這是非常有意義的治療經驗。醫界有專家表示：「若能證實這種方式有益，它可望成為普遍運用的治療工具，彌補治療師不足的問題。一套電腦系統同時和好幾百名病患談一小時應該不成問題。系統的設計和操作都需要人類治療師參與，因此電腦非但無法取代他們，反而能讓他們提升效率。」然而維森班卻立刻掉轉職涯方向，成為最激烈反對AI研究的科學家。ELIZA是他的遊戲之作，以羅傑斯派心理治療師為範本去設計，擷取使用者話裡的關鍵詞彙當作回應，不知如何回話時就丟句無關痛癢的話——它只會這一招。



◎第五章 跳脫棋譜

20世紀最大的AI戰役發生於1997年5月，由超級電腦深藍對戰西洋棋特級大師加里?卡斯帕洛夫，獲勝的是電腦。這下大家要不認為人類囂張不下去了，就是自我安慰下棋不過是雕蟲小技，但卡斯帕洛夫賽後表示：「這不算。」他認為深藍也沒贏。在電腦互相對奕時，開局棋譜往往能直接決定勝負，到21世紀初新一代棋士以電腦記譜成風，死背幾千種開局棋譜就可能勝過真正具分析資質的棋士，對此棋王鮑比?費雪驚駭地說：「對弈雙方真正開始思考的時間越來越後面。」許多世界級棋士都服膺「棋譜稱不上人」，據說連深藍首席工程師許峰雄也講過，他想「真正下一場世界棋賽，而不是在家裡寫開局作業」。?? ?



◎第六章 反專才

羅布納獎剛舉辦那幾年，主辦方為了讓電腦有機會拚命一搏，於是給對話設定主題。當時的AI研究多半聚焦於「專才系統」，亦即只專精特定任務或技能（例如西洋棋程式）。「要是把話題縮到一定程度，假裝對話和真對話的界線會漸漸消失。」人工生命領域的學者戴夫?艾克利教授說，「客服電話選單的語音辨識系統就是這樣。你把他們框在幾個選項裡，他們要嘛報數字，要嘛說『總機』，不然就是撂一句『幹恁老師』。」限定對話範圍因爭議不斷而在1995年取消，不料參賽者好像都有用泛泛之談煩死對方的默契，結果慘不忍睹。有些人批評獲獎者都是些「玩票的」，其實他們百分之百是專業人士，只是他們設計來賺錢的機器人是「專才型」，用來贏圖靈測驗的是「通才型」。



◎第七章 插嘴的奧義

電腦科學理論的第一個分支是「可計算性理論」，它關切計算機的理論模型和這類機器能力上的理論限制；它只在乎可不可能計算，完全不管計算得花多少時間。後來的電腦理論家則發展出「複雜性理論」，它不只思考機器的終極能力，也將時間、空間等因素納入考量，在資源有限的脈絡下評估其表現能力。語言學家諾姆?杭士基的理論類似圖靈時代的可計算性理論，他視為研究客體的典型語言形式顯然排除「實際運用語言知識時……非關文法的因素」，聊天機器人的語言模式也是這種高度理想化的典型語言，由此看來，語言學和電腦科學的情況很像：在「典型」過程與「實際表現」之間，有相當大的變化空間。身為人類參賽者，我打算卯足全力運用這個空間。



◎第八章 地表上最糟的證人

在討論西洋棋程式時，我們基本上把「極小－極大」和「極大－極小」演算法當成同一種競賽邏輯。棋賽是「零和」遊戲，一個人要贏意味著另一個人得輸，沒有「雙贏」這回事，所以從數學上說，極小化對手的贏面和極大化自己的贏面是一體兩面。從哲學角度來看，對話和下棋間最重要、或許也最南轅北轍的差異正在於此。對話在圖靈測驗裡的作用是「展現人性」，非零和的性質無庸置疑。好的對話不是「極大化極小」或「極小化極大」，而是「極大化極大」，讓雙方都能講出精彩的東西——對話是合作演出，而非一較高下。有趣的是，很多羅布納獎評審把參加圖靈測驗當開庭，常自動切換成詰問、作證和交叉辯論模式，更詭異的是，有不少人類參賽者也以為進了法庭。



◎第九章 汝不可一成不變

繼ELIZA之後引起大轟動的聊天機器人是1972年的PARRY，由精神病學家肯尼斯?寇爾比設計。ELIZA模仿心理治療師，PARRY模仿妄想型思覺失調症病人；ELIZA依循「案主中心療法」的理論，奉行「反映式傾聽」；PARRY則一馬當先取得對話主導權，並死抓不放。這兩個程式在1970年代早期對談了幾場，彼此特色盡顯，並完美反映出對話的兩大災難：一個極端是冷血、不夠自我，另一極端是溫血、太過自我。圖靈測驗難度極高的原因之一是：語言不是棋局，它沒有固定規則與必殺絕技，它不斷在變，雲遊於一切「解決方案」之外。正如ELIZA的設計者維森班所說：「我很驚訝居然有那麼多人聽說ELIZA之後，以為它對電腦理解自然語言的問題提出了通解……我一直想講清楚：這問題不可能有通解，這樣說吧，連人類都不算是這種通解。」



◎第十章 高度驚異

加快簡訊打字速度很依賴「預測」演算：手機要能猜出你接下來想打什麼字、要能自動更正錯字（有時還更正過頭），要會很多諸如此類的事——這就是資料壓縮起作用的時候。夏農在〈通訊的數學理論〉裡得出如下驚人結果：預測文字和產出文字在數學上是相等的。能像人一樣穩定預測你想打什麼字的手機，就跟能像人一樣回信給你的程式一樣聰明，美國青少年可說平均每天參加約莫八十場圖靈測驗。「東西的資訊量可以測量」是最基本的「資訊熵」概念，而有損壓縮乃是語言的本質，它既暴露語言的缺陷，也彰顯語言的價值。大家經常批評一般人貪圖便利，只讀書摘卻不好好讀書——拜託！假如《安娜?卡列尼娜》的資訊熵超低，用篇幅百分之一的書評就能講完它六成內容，那問題出在托爾斯泰身上。



◎第十一章 結語：最人模人樣的人

◎第十二章 後記：玻璃櫥之美無可言喻

◎致謝