图灵奖得主Judea  Pearl，早在40多年前便通过贝叶斯网的设计，使机器实现概率推理而在人工智能领域声名大噪，并被誉为“贝叶斯网络之父”，但近年却公开声称自己其实是人工智能社区的一名“叛徒”：离开了主流追逐、并且也是由他奠定重要理论基础和方法论的概率推理，而去追求一项更具挑战性的任务——因果推理。Judea Pearl 认为当今深度学习所有令人印象深刻的成就，都只不过是为了适应“曲线拟合（Curve fitting）”而今，这也导致深度学习的研究员们困在了“关联级别”的问题窘境里。Judea  Pearl 期望能掀起一场“因果革命”，采用因果推理模型，从因果而非单纯的数据关联角度去研究人工智能。

携多年磨一剑的“因果推理”理论，Judea Pearl将出席第二届北京智源大会（官网：https://2020.baai.ac.cn）并做Keynote演讲，为我们徐徐呈现他眼中多彩而神奇的人工智能“画卷”。为了更好地消化他的演讲观点，我们不妨通过本文来预热了解一下Judea Pearl 关于因果推断的主要思想。

整理  社区编辑 杨依帆，常政

Judea Pearl 

图2：Judea Pearl（图片出自网络）

Judea Pearl 在2018年出版了一本新著《为什么：关于因果关系的新科学》系统总结了自己近25年关于“因果推断”探索的思想结晶、研究成果。下面我们对该书中文版[1]的部分文字和图片进行引用和整理，以帮助大家快速了解他的基本思想。

1. 因果关系的三个层级

Judea Pearl  的这部著作，核心围绕“因果关系之梯”的三个层级来描述，他说：“我在机器学习方面的研究经历告诉我，因果关系的学习者必须熟练掌握至少三种不同层级的认知能力：观察能力（Seeing）、行动能力（Doing）和想象能力（Imagining）。”

图3：因果关系的三个层级——关联、干预、反事实

第一层级（关联）：观察能力，指发现环境中规律的能力。

第二层级（干预）：行动能力，指预测对环境刻意改变后的结果，并根据预测结果选择行为方案。

第三层级（反事实）：想象能力，指想象并不存在的世界，并推测观察到的现象原因为何。

第一层级“关联”和第二层级“干预”主要针对当前的弱人工智能，包括对现有贝叶斯网络在深度学习领域的拓展、前门标准实践、do演算等核心算法；而第三层级“反事实”，Judea Pearl 认为反事实能力基于基于人的想象力和假设，是人类独有的思考能力，也是令人工智能达到人类智能的关键命门。

2. 反事实的算法化：

将意识和智能体转化为计算现实

现在基于统计的机器学习方法，其理论缺陷便在于此：由于缺乏反事实这一层级的信息，使得无论总结经验还是预测未来，都缺乏理据。比如一个基于统计的事实“感冒了，吃了感冒药，感冒好了”，实际上这并不能证明感冒药的效果，如果要证明其中的因果性，需要研究相应的反事实：“如果当初没有吃感冒药，现在感冒好不好？”

Judea Pearl 说：“ 如果在我睡觉的时候，我的家庭机器人打开了吸尘器，我会告诉它：‘你不该吵醒我。’我们对真正的智能机器人的期望是，它们应该明白你我都能完全理解的事：吸尘器会制造噪音，噪音会吵醒睡觉的人，而这会让被吵醒的人不高兴。”

图4：一个聪明的机器人会考虑它行为的因果影响

所以强人工智能应该是能反思其行为，并能从过去的错误中吸取教训的机器。它应该能够理解“我本应该采取不同的行为”这句话。这个说法的反事实解释是：“我做了 X = x，得到的结果是 Y = y。然而，假如我之前采取了不同的行动，比如说 X = x'，那么结果本应该会更好，也许是 Y = y'。

3. 新冠肺炎的反事实研究

针对当前的新冠疫情，Judea Pearl 于2020年4月2日在其博客上发布了一项相关研究[2]，目标是“如何将有限的医疗资源提供给最需要的病人”。通过这个研究案例，我们也可以一窥“反事实”的推理过程：

一男一女两名患者来到你的急诊室，他们的COVID-19检测都呈阳性。哪个病人最需要治疗?我们要看一下相关的数据。

图5：COVID-19  （图片出自网络）

一组分别针对男性和女性的随机对照试验结果表明，男性在接受治疗的情况下，有57%的几率康复，而在不接受治疗的情况下，只有37%的几率康复。另一方面，女性在接受治疗的情况下，康复率为55%，在不接受治疗的情况下，康复率为45%。我们可能会得出这样的结论：男性的治疗效果比女性更佳。但事实并没有这么简单。

事实证明，数据可以用多种方式进行解释。我们看男性治疗的数据，有两种极端的解释，第一种是：治疗组和未治疗组之间20%的差异挽救了20%本来会死亡的患者的生命；第二种极端的解释是，治疗挽救了所有57%的患者的生命，而实际上杀死了37%的其他病人。

再看女性的数据，在第一种极端的解释中，55%的康复率中有10%是通过治疗挽救的，45%无论如何都会恢复。在第二种极端的解释中，55%的患者被治疗所挽救，而45%被治疗所杀死。

综上所述，受益人的百分比，对于男性来说，可能在20%到57%之间，而对于女性来说，可能在10%到55%之间。

现在设置Y为因变量，y表示康复，y'表示死亡。X表示自变量，x表示治疗，x'表示不治疗。用y(x)表示接受治疗后康复的事件，y(x')表示没有接受治疗并康复的事件。用y'(x)表示治疗后死亡的事件，y'(x')表示没有接受治疗后死亡的事件。用P(y(x))表示在实验组接受治疗并康复的概率，用P(y'(x'))表示没有接受治疗并死亡的概率。我们用PNS表示男性与女性因治疗而受益的概率。

如下图所示，以男性为例，当P(y(x))=0.57,P(y(x'))=0.37时，0.2<=PNS<=0.57。这里也符合之前的猜想。令P(x)=0.4，P(y|x)=0，P(y|x')=0，同样，令P(y(x))=0.57,P(y(x'))=0.37，这时得出的结果是0.57<=PNS<=0.57，意思是57%的男性可以从治疗当中受益。

图6：结合实验数据，计算得出57%的男性能够从治疗中受益

再看女性的例子，我们令P(x)=0.45，P(y|x)=1，P(y|x')=0，再令P(y(x))=0.55，P(y(x')=0.45。得到的结果是PNS=0.1。

现在我们知道，57%的男性和10%的女性能够从治疗当中获益。

但是我们不能只考虑因治疗受益的因素，还要考虑没有因治疗而受益（或者说因治疗而受害）的因素。将之前同样的数值代入，得到的结果是37%的男性因治疗而受害，而0%的女性因治疗而受害。

在实验组（接受治疗）中，我们治愈一个人，对社会的益处只能算作一个单位；在对照组（不接受治疗）中，我们没有让某人接受治疗，对社会造成的危害是2个单位，因为我们失去了能够治愈某人的机会。综上所述，男性：1*0.57-2*0.37=-0.17；女性：1*0.1-2*0=0.1。所以，如果你是一名决策者，你应该优先治疗女性。

4. 因果革命的数理框架

当然，反事实算法仅是Judea Pearl 多年来因果理论研究的一部分，关于他整个因果推理体系的数理框架，体现在他设计的结构化因果模型（Structural  Casual Models，SCM）之中，这是Pearl  为了突破现有机器学习对于因果推断的理论限制、推动一场全新的“因果革命”而打造的核心引擎。

Judea Pearl  在2020年5月31日更新于博客的一篇近期访谈中，认为SCM灵活地整合了当今统计模型的主要优点和方法，特别是结合了图模型和潜在的输出逻辑，其中图用来编码“我们所知道的”，逻辑用来编码“我们想要知道的”，然后用数学工具将这两类数据进行结合。

这里我们选取SCM的主要逻辑部分作一个简介，关于它进一步的详细内容，推荐大家阅读 Judea Pearl  2019年发表于ACM会议的报告《The Seven Tools of Causal Inference, with Reflections on Machine Learning》[3]。

SCM主要包括：图模型、反事实和介入式逻辑、 结构化方程三部分。图模型作为表征知识的语言，反事实逻辑帮助表达问题，结构化方程以清晰的语义将前两者关联起来。

如图8所示，SCM引擎接受三种输入：假设（Assumptions）、查询（Queries）和数据（Data），并生成三种输出：被估量（Estimand）、估计值（Estimate）和拟合指数（fit indices）。被估量（E_S）是一个数学公式，该公式基于假设，提供从任意假设数据中回答查询的方法（可获取假设数据的情况下）。在接收到数据后，该引擎使用被估量来生成问题的实际估计值 E_s hat，以及问题置信度的统计估计值（以反映数据集的有限规模，以及可能的衡量误差或缺失数据）。最后，该引擎生成一个“拟合指数”列表，可衡量数据与模型传递的假设的兼容性。

图7：Judea Peal的结构化因果模型（Structural  Casual Model，SCM）

此外，这里还推荐大家阅读马克斯·普朗克智能系统中心主任 Bernhard Schölkopf  在2019年12月发表的一篇论文《CAUSALITY FOR MACHINE LEARNING》[4]，它详细讨论了Pearl 的因果推理理论和机器学习的联系，不仅得到了Judea Pearl 本人在Twitter 上的高度认可，甚至还得到了另一位图灵奖获得者Yann LeCun的“点赞”。

在NIPS 2017 某个研讨会 Q& A 上，Judea Pearl 曾经这么解释他心中的因果革命：“30年前，我们还无法为‘Mud does not cause Rain’编写一个公式；现在，我们可以公式化和评估每一个因果或反事实陈述”。

 5.人工智能领域最好的学者

Judea Pearl 笃信“绝对能开发出具有自由意志的机器人”，其路径便是“因果推理代替关联推理”，他并不担心可能存在的“机器人作恶”问题：“我们能够制造出有能力辨别善恶的机器，它至少应该和人类一样可靠，而且有望比人类更可靠。我们对道德机器的首要要求是它能够反省自己的行为，其涉及反事实分析。一旦我们编写完使机器实现自我觉察的程序，我们就能赋予机器以同理心和公平感，因为这些程序建基于相同的计算原则。”

2017年间，Facebook、Twitter等社交网站曾闹了个“乌龙”：大家热传一张Judea Pearl在NIPS 2017 上对着“空无一人的房间演讲”的照片，感慨真是“机器学习悲惨的一天”，事后发现这是因摄影师拍摄角度而导致的误会。但这个乌龙能快速传播，本身也说明Judea Pearl 这么多年来在学术领域一直处在以孤军作战的状态。Judea Pearl 本人喜欢说这么一个段子：1960年代，他从纽约某不知名大学博士毕业后，去各校求职屡屡碰壁，总被告知“从来没听说过这个学校”，以至于最终UCLA对他的接纳，成为他人生中“除了娶我太太以外最重要的事情”。

这个段子给笔者的印象是，Judea Pearl似乎天然有一种唐吉柯德般的战士情节：总是在践行一条少数人走的未知道路。同时，当我们细细探寻他多年来放弃轻易可获的鲜花和掌声、孤身探寻强人工智能和因果革命之心路轨迹，会发现背后支撑他的心灵能量——笃信人类智慧可以编写出“人工智能为善”的源代码。因此，笔者以机器学习领域奠基人、加州大学伯克利计算机系教授 Michael I Jordan 曾经对他的评价作为本文的结尾：

Judea Pearl 教授是AI 领域最好的学者，没有之一。

参考文献

[1]朱迪亚·珀尔（Judea Pearl），达纳·麦肯齐（Dana Mackenzie）. 为什么：关于因果关系的新科学[M]. 北京：中信出版集团股份有限公司，2019年7月

[2]Judeal Pearl. Which Patients are in Greater Need: A counterfactual analysis with reflections on COVID-19，http://causality.cs.ucla.edu/blog/

[3]Judeal Pearl. The Seven Tools of Causal Inference, with Reflections on Machine Learning，https://cacm.acm.org/magazines/2019/3/234929-the-seven-tools-of-causal-inference-with-reflections-on-machine-learning/fulltext

[4]Bernhard Schölkopf. 2019.CAUSALITY FOR MACHINE LEARNING. arXiv:1911.10500

来源：北京智源人工智能研究院