第十章 大数据，人工智能和大问题
CHAPTER 10 — Big Data, Artificial Intelligence, and the Big Questions
- 借助贝叶斯网络，教会了机器在灰色地带进行思考，这是贝叶斯网络迈向强人工智能的重要一步。但目前仍无法教会机器理解事情的前因后果。（323）
- 因果革命的星火逐渐覆盖包括流行病学、心理学、遗传学、生态学、地质学、气候科学等在内的多个专业领域。（324）
因果模型与大数据
-
因果问题从来不能单靠数据来回答，他要求我们构建关于数据生成过程的模型，或者至少要构建关于该过程的某些方面的模型。（325）
-
解释数据就意味着做出一种假设，这种假设建基于事物在现实世界中的运作方式。（326）
-
当变量较多时，统计估计这一步的难度不容小觑，只有借助大数据和现代机器学习技术，才有可能真正应对维度灾难。（326）
-
因果推断能屏蔽不相关的特征，也能从不同的研究中把这些在关键方面相似的个体聚集起来，而大数据则能让我们收集到的关于这些个体的充分信息。（326）
-
在一些案例中，无法将任何一项以往的相关研究所得出的效应迁移出去，但可以从这些效应的某种形式的组合中估计出目标总体的效应。（329）
-
do演算提供了一种确定可迁移性的一般标准：如果可以执行一系列的有效do演算，将目标效应的表达式转换为一个新的表达式，其中任何涉及S的因子都不包含do算子，则这一估计值就是可迁移的。
其遵循的逻辑很简单：任何此类因子都可以从现有数据中估计出来，且不受差异因子S的影响。（329）
强人工智能和自由意志
- 在贝叶斯网络中，信息被有意地设计为在因果和诊断两个方向上来回流动。事实上，贝叶斯网络甚至无法解释因果方向是什么。（332）
- 因果不对称在某些学科领域的重要性。（332）
- 深度学习最主要地局限体现在其无法超越因果关系之梯地第一层级（335）
- 谈论强人工智能时，因果模型就从奢侈品变成了必需品，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，无论这句话是由人类告诉它的还是由它自己分析得出的。（336）
- 理解自己的意图，并用它作为因果推断的证据，具备这一能力就说明行为主体的智能已经达到了自我察觉的水平。（336）
- 在涉及高度自动化的人工智能系统时，应当确保其目标和行为在整个运行过程中与人类价值观保持一致。（342）
《THE BOOK OF WHY: THE NEW SCIENCE OF CAUSE AND EFFECT》
——JUDEA PEARL AND DANA MACKENZIE