《The Book of Why》笔记:1-因果关系之梯

因果关系之梯

1. 亚当和夏娃:早期人类的因果意识

上帝发现亚当躲在花园里,便问他:“我禁止你碰那棵树,你是不是偷吃了它的果子?”亚当答道:“你所赐给我的与我做伴的女人,她给了我树上的果子,我就吃了。”“你都做了什么?”上帝问夏娃。夏娃答道:“那蛇欺骗了我,我就吃了。”

观察:上帝询问的是 “什么”,得到的回答是 “为什么”。
思考:这种认为列举原因可以美化行为的想法的来源?

  • 人类意识到世界并非由简单的事实(数据)组织,事实是通过错综复杂的因果关系网络融合在一起的
  • 因果的解释而非枯燥的事实构成了绝大多数的知识
  • 从数据处理者向因果解释者的变化不是自发而渐进的,而是依赖某种其它的外部条件的推力而产生的跃进

思维的主体要完成大型的任务,必须进行预先规划,具备一个可供参考并且可以自主调整的关于主题的心理模型。构建的模型中,含有多种原因或者影响因素。

主体可以通过对模型局部的修改来试验不同的情境,对影响因素进行评估。

2. 因果关系的三个层级

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:

  1. 观察能力(seeing)
    • 发现环境中规律的能力
    • 许多动物和早期人类共有
  2. 行动能力(doing)
    • 预测对环境进行刻意改变后的结果,根据预测结果选择行为方案以催生出自己期待的结果
    • 只有少数五种表现具备此种能力的特征
    • 有意图的工具使用可以视为达到该层级的特征
  3. 想象能力(imagining)
    • 告知工具有效的理由,如果无效该怎样做

2.1 观察能力(关联)

概述:

  • 活动:看、观察
  • 问题:
    • 变量之间的关联是怎样的?
    • 观察到 X 会怎样改变我对 Y 的看法?
  • 例子:
    • 某一症状告诉我关于疾病的什么信息?

较低等级的能力,大部分的机器学习算法局限在该级别,如果观察到某一事件改变了观察另一事件的可能性,称这一事件与另一事件相关联。

测量当观察到某一事件时另一事件发生的可能性的概率称为 “条件概率”。

2.2 行动能力(干预)

概述:

  • 活动:行动、干预
  • 问题:
    • 如果我实施 X 行动,那么 Y 会怎样?
    • 怎样让 Y 发生?
  • 例子:
    • 如果吃了阿司匹林,我的头痛能够治愈吗?
    • 如果我们禁止吸烟会发生什么?

2.3 想象能力(反事实)

概述:

  • 活动:想象、反思、理解
  • 问题:
    • X 引起了 Y 吗?
    • 假如 X 没有发生会如何?
    • 假如采取其它的行动会如何?
  • 例子:
    • 是阿司匹林治好了我的头痛吗?
    • 假如奥斯沃德没有刺杀肯尼迪,肯尼迪会活着吗?
    • 假如在过去的两年里我没有吸烟会怎样?

3. 迷你图灵测试

3.1 迷你图灵测试

作者按照图灵测试的测试提出了一种简单的“迷你图灵测试”。主要思路是选择一个简单的故事,用某种方式将其编码输入机器,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。

之所以称之为迷你,因为:

  • 该测试仅限于测试机器的因果推理能力
  • 允许参赛者以任何认为便捷的表示方法对故事进行编码

在让机器进行迷你图灵测试的准备阶段,表示问题必须优先于获取问题。如果缺少表示方法,则不知道如何存储信息以供将来使用,机器人也无法记住学到的信息。

对于认为可以靠记住答案来作弊的质疑,只要设计涉及足够大变量的问题,则可以破解。

作者认为,对于人类,因果图是一种可能的表示信息和提取答案的模型。

3.2 行刑队问题

行刑队问题

对于因果图,可以回答:

  • 如果犯人死了,是否意味着法院已经下令处决犯人?搜索路径 -> 是
  • 如果犯人死了,发现 A 可能射击了,反映了什么问题?B 可能开枪也可能没开枪。
  • 如果 A 决定开枪,结果如何?一定死亡

还能回答反事实问题:

  • 犯人死了,两位队员都开枪了,那么如果其中一位不开枪,犯人是否会死亡?会死亡 —— 因此每个队员个人的是否开枪不是充要原因,可以减轻心理负担。

3.3 天花疫苗

尽管天花疫苗造成的副作用造成了部分死亡,但是总体上拯救了多的多的人。因此为因果问题引入概率和量化是必要的。

环境的因素会导致变量的分布产生极大的变化,但是因果图的机构却仍然保持不变。被估量仍然保持不变。

4. 论概率和因果

条件概率表示的因果位于第一层级,很难解决混杂的影响。借助 do 算子可以使得概率计算提升到第二层级。

Tagged with:

发表评论

电子邮件地址不会被公开。 必填项已用*标注

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据