2017 年 12 月，贝叶斯网络之父、2011 年图灵奖的取得者 Judea Pearl 教授在 NIPS 2017 大会时期停止了一场学术报告，后果这场报告由于一张照片而在网络上惹起热议。很多人在社交媒体上表示，Judea Pearl 对着一个【简直空无一人的房间】作报告是 NIPS 上凄惨的一幕，这一天关于机器学习而言是凄惨的一天。

不过，关于现年 81 岁的 Judea Pearl 而言，让他感到忧伤的不是本人的报告没人听（雷锋网理解到，实践上那张照片获取的是片面场景，听报告的人有几十个，后来 Judea Pearl 反而被人们的谈论逗乐了），而是以后的人工智能由于人们对智能的片面了解而存在诸多缺陷。

2018 年 3 月，Judea Pearl 出版了一本名为《THE BOOK OF WHY：The New Science of Cause and Effect》的旧书，在书中他表达了对以后人工智能开展的忧虑。

之前，在 Judea Pearl 赖以取得图灵奖的贝叶斯网络中，他试图为机器找到一种基于理论性的因果关系模型。但是 Judea Pearl 发现，AI 范畴曾经堕入到概率关系的泥潭中。关于计算机曾经纯熟掌握现代游戏技艺（比方说雷锋网 (大众号：雷锋网) 此前屡次报道过的 AlphaGo）和驾驶技艺之类的音讯，Judea Pearl 无动于衷；由于在他看来，以后所谓的人工智能所展现的，都是上一代人工智能场景下机器已然所能做到（在大规模数据中寻觅到隐藏规律）的，只不过效率更高罢了。

正如 Judea Pearl 最近所言：

一切这些令人印象深入的深度学习效果加起来不过是曲线拟合罢了。（All the impressive achievements of deep learning amount to just curve fitting. ）

在旧书中，Judea Pearl 描绘了他的【智能机器该当如何考虑】的愿景。在他看来，其中的关键是用因果推理取代关系推理。举例来说，假如一个从非洲回来的病人发烧并感到身体疼痛，很有能够是得了疟疾；机器要做的不是把发烧与疟疾联络起来，而是真正找到疟疾惹起发烧的缘由。一旦这种因果框架就位，那么机器去停止反现实发问——即假如对条件停止介入，因果关系会发作什么变化——就成为能够，而这正是 Judea Pearl 所以为的迷信考虑的基石。

而 Judea Pearl 也建议推出一种让上述考虑成为能够的正式言语，这也是贝叶斯网络的 21 世纪版本。Judea Pearl 也希望因果推理可以为机器提供人类级别的智能；比方说，它可以与人类更高效地沟通，甚至在一定形态下成为具有自在意志（或许罪恶）才能的品德实体。

以下是 Judea Pearl 承受 Quanta Magazine 采访时的对话，雷锋网这段对话停止了不改动情愿的编译和删节。

Q：为什么你的旧书被命名为【The Book of Why】？

A：它在实质上是我对过来 25 年任务的总结，包括因果、它对一团体的生活的意义、它的使用，以及我们如何在因果关系层面寻觅到一个成绩的答案。奇异的是，这些成绩都曾经被迷信无视了，而我在此试图对这种无视停止补偿。

Q：难道因果不就是迷信自身的外延吗？

A：当然，但是你无法在方程式里看到这种高贵的理想。代数言语自身是对称的：X 和 Y 之间是一种确定关系。但是在数学范围内却没有一门言语描绘这样一个复杂的现实：暴风雨的降临会招致温度计读数下降，而非其他。换句话说，数学范畴还没有开展出一种非对称言语来描绘我们对【X 和 Y 非对称关系】的认知——这听起来是对迷信是一件不利的事情，我也明白。

不过，迷信还是值得原谅的。在认识到我们仍然缺乏一种针对非对称关系的演算方式之后之后，迷信鼓舞我们去发明一个，这时分就用到了数学。而令我感到兴奋的是，可以经过一个复杂的因果演算方式来处理我们这个时代最伟大的统计学家都不能处理的成绩，这种自由和乐趣就像是在高中几何中找到证明办法一样。

Q：在数十年前你在 AI 界获取了名声，为什么又在旧书中把本人描绘为 AI 社区的背叛者？

A：在取得此前的 AI 成就之后，我开端探究一项更具应战性的义务：经过因果停止推理。我的许多 AI 同行仍然与不确定性打交道，从而局限于继续推断的研聚集了全世界身经百战的最优秀的创业导师，汇集了全世界各国最优质的产业资源，召唤全球未来的商业领袖。讨循环中，却对成绩的因果层面无所触及。他们只是想更好地预测和推断。比方说我们明天所看到的机器学习义务普通都是以推理形式停止的，他们去标注一个【猫】或【虎】，但不关怀介入——他们只是想辨认一个物体然后预测它会如何随工夫变化。

我开收回了一个用于预测和诊断的高效工具，但是它们却只能触及到人类智能的点滴；由此，我觉得本人就像一个背叛者。假如想让机器对介入（Interventions）和内省（Introspection）停止推理，我们必需借助因果模型。联络（Associations）自身是不够的——我陈说的是一个数学现实，而非观念。

Q：人们对 AI 的诸多能够性感到十分兴奋；难道你不是吗？

A：就我对机器学习以后的深化察看而言，我觉得目前它们都还停留在联络的层面；或许说是曲线拟合——一切这些令人印象深入的深度学习效果加起来不过是对数据停止曲线拟合罢了。从数学分层的观念来看，不论你可以对数据停止如何纯熟的操作，也不论你在操作进程中读取到什么，它仍然是一个曲线拟合的练习，虽然这种练习是复杂和特殊的。

Q：每当提到曲线拟合的时分，你似乎都在表达对机器学习没什么觉得。

A：不，我有。其实我们没无意识到原来这么多成绩可以用曲线拟合的方式处理，但现实证明可以。

但我在追随将来——What is Next？会有这样一个机器人迷信家，可以经过实验为亟待处理的迷信成绩寻觅到答案吗？这次是下一步要做的。我们还想与机器停止有意义的、契合我们直觉对话；而假如机器人缺乏对你我这样的对因果的直觉，那么就很难与之停止有意义的对话。我们会说【我本可以做得更好】，但机器人不会。因而我们在沟通中就得到了一个重要的途径。

Q：假如机器拥有了我们人类这样的对因果的直觉，那么会怎样样？

A：我们需求赋予机器一个环境模型。假如一个机器没有对理想的概念，你就不能指望它在理想中表现出智能行为。这是第一步，人类将在 10 年内结构呈现实世界的概念模型。

第二步，机器将以本人的方式对上述模型停止带入并验证，然后基于实验数据停止优化。这恰恰是迷信发作的进程，我们从地心说模型开端，最初得出一个日心说模型。

机器人之间也将彼此沟通，并最终把这个笼统世界转换成比喻性的模型。

Q：当你与其他 AI 从业者分享上述观念的时分，他们的反响如何？

A：AI 目前是分化的。首先，有那么局部人沉醉于以后机器学习、深度学习和神经网络的成功中，对我所说得这些毫不了解；他们想持续停止曲线拟合。但是，假如你与一个曾经在静态学习之外的 AI 范畴中有所研讨的人停止交谈，他们立即就能明白。我曾经读了好几篇宣布于过于两个月的、对机器学习的局限停止阐述的论文。

Q：你是说，有一个正在脱离于机器学习之外的开展趋向吗？

A：不是趋向，而是一种基于灵魂追随的重要努力。它在提问：我们将去向何处？下一步是什么？

。