大數據為什麼不夠聰明？
比機率更強大的思考工具又是什麼？
電腦科學界諾貝爾獎「圖靈獎」得主暨貝氏網路研發先驅Judea Pearl總結畢生研究成果，聯手獲獎的統計學家Dana Mackenzie，提出改變人工智慧及科學界的重要工具！《快思慢想》作者暨諾貝爾獎得主康納曼、《大演算》作者多明哥斯、谷歌網路推廣長文特‧瑟夫、微軟研究實驗室主任艾瑞克‧霍爾維茲等人重磅推薦！
▎大數據看似厲害，其實有很大的侷限
近幾年大數據當紅，加上它在許多領域的成功運用，其地位與能力備受追捧。與大數據密切相關的統計學，是法蘭西斯・高爾頓與卡爾・皮爾森解答對於遺傳的疑問未果，而開發出來的學科，這門學科創立後興盛數十載，其名言「相關不是因果」影響科學界經常止步於探究「關聯」而非「因果」，並且長期受資料本位的歷史所影響，認為資料無所不能，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。
▎要發展出「強AI」，機率思考仍遠遠不夠
一九八○年代初，朱迪亞・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強大的推理工具——貝氏網路，因而獲得有電腦科學界諾貝爾獎之稱的「圖靈獎」。貝氏網路是首先讓電腦以灰階方式思考的工具，至今仍極受人工智慧界倚重，然而到了一九八○年代末，珀爾認為貝氏網路仍沒有填補人工智慧和人類智慧的差距，於是他轉而研究如何教AI學會「因果推論」，本書便是整理了歷代科學家推展因果革命的努力與成果。
▎從「求得相關性」的舊階段，邁入「釐清因果關係」的新時代
本書最初幾章是有趣的科學史，探討科學家追求因果解釋的過程如何受挫，以致發展出統計學，並讓統計學方法長期引領學界研究。接著書中有大約一半篇幅，作者以實例示範因果語言（圖示模型）如何解決傳統統計學認為無解的難題，逐一揭示「因果階梯」三大分層的能力（越高的層級，認知挑戰越高，越難理出因果關係），並讓讀者了解因果革命路上諸人的努力與進展，以及這些進展的重要性。本書末尾回頭說明因果革命相對於人工智慧各重要發展面向（比如大數據、深度學習、資料探勘、機器學習等），有何勝出之處、能對它們起什麼正面影響，以及最重要的——「因果革命」將會如何改變人工智慧。
▎「因果革命」不只影響人工智慧，還影響各研究領域
現今機器學習運作時仰賴的是「相關性」，而不是「因果」，如果能成功將因果思考導入電腦，將使電腦變成真正的科學家，使它們成為我們的得力伙伴，提供我們更合理的洞見。由於因果思考可以呈現罪責，電腦能因而具備道德感——「具備道德感的強AI」是因果革命在人工智慧領域的終極追求，作者形容這「是人工智慧給人類的第一個、也是最好的禮物」。
因果性研究還釐清了我們多年來對許多知識本質的不解，改變我們對於眾多問題的認識，這些問題牽涉的層面無所不包，舉凡涉及解讀資料以及根據解釋而採取的作法（像是致病因素、醫療資源分配、公共政策擬定等），都能受益。集結眾多領域學人之力才有如今成果的因果革命，亦將回頭影響整個科學界，珀爾形容它「將使科學的體質更加健全，是人工智慧給人類的第二個禮物」。在美國，因果科學已經開始被大學列入課程……
▎我們強烈建議這些人士閱讀這本書：
（1）資料科學家與大數據研究者，以及對大數據深感興趣的人
（2）統計學家、數學家，電腦科學相關從業人員與學習者
（3）對經濟趨勢與科研發展有興趣的一般大眾
（4）希望培養科學素養，了解最新科學方法的學子
▎各章內容簡介請參閱〈目錄〉的引文。
各界盛讚
◎谷歌網路推廣長文特‧瑟夫：
珀爾近三十年來的學術成就，為人工智慧發展提供堅實的理論基礎……同時把「思考機器」提升到另一個境界。
◎《大演算》作者佩德羅‧多明哥斯：
因果如果不是相關，那又是什麼？拜朱迪亞‧珀爾的劃時代研究之賜，現在我們已能精確回答這個問題。想理解世界如何運行，這本引人入勝且讀來愉快的書是理想的起點。
◎微軟研究實驗室科技研究員及主任艾瑞克‧霍爾維茲：
朱迪亞‧珀爾是人工智慧領域、甚至整個電腦科學界革命的核心人物。
◎諾貝爾經濟學獎得主及《快思慢想》作者丹尼爾‧康納曼 ：
各位是否曾疑惑「相關」和「因果」究竟是什麼關係？這本精彩著作深入淺出地說明了答案。
◎《紐約時報》喬納山‧尼伊：解說十分詳盡……本書不僅詳盡介紹概念的發展史，也提供概念工具，讓讀者理解大數據的優勢與不足之處。
◎《自然》雜誌：「相關不是因果」這句科學俗語已在社會上造成影響……朱迪亞‧珀爾提出嶄新的數學解決方案……現在已在生物、醫學、社會科學和人工智慧領域開花結果。
◎《猶太日報》：深入淺出&# 8 2 3 0 ; &# 8 2 3 0 ; &# 2 9 6 3 2 ; &# 2 9 2 4 6 ; &# 2 6 1 5 9 ; &# 2 6 3 7 7 ; &# 3 6 9 6 0 ; &# 3 5 2 1 1 ; &# 3 0 3 4 0 ; &# 2 2 2 4 0 ; &# 2 6 5 2 4 ; &# 3 8 7 6 1 ; &# 2 1 6 2 9 ; &# 3 8 9 3 6 ; &# 3 4 9 6 6 ; &# 6 5 2 9 2 ; &# 3 6 8 8 9 ; &# 2 6 4 1 2 ; &# 2 6 3 6 0 ; &# 2 1 0 6 3 ; &# 2 6 1 5 9 ; &# 2 0 1 8 2 ; &# 2 6 3 6 8 ; &# 2 2 8 2 3 ; &# 3 0 3 4 0 ; &# 2 5 1 0 4 ; &# 2 3 6 0 1 ; &# 1 2 2 9 0 ; b r / > b r / > &# 3 5 7 1 2 ; &# 3 2 7 7 3 ; &# 2 2 9 0 9 ; &# 3 5 4 1 3 ; b r / > b r / > &# 1 2 2 8 8 ; &# 1 2 2 8 8 ; &# 9 6 7 8 ; &# 2 3 5 6 5 ; &# 3 8 6 5 1 ; &# 3 3 1 2 6 ; &# 3 1 1 8 5 ; &# 2 3 4 1 6 ; &# 1 2 2 8 9 ; &# 3 2 1 1 3 ; &# 3 5 3 3 6 ; &# 2 3 4 1 6 ; &# 2 5 1 1 0 ; &# 2 0 1 5 4 ; &# 2 4 0 3 7 ; &# 2 6 2 3 4 ; &# 2 4 9 3 5 ; &# 3 0 0 7 0 ; &# 2 0 1 7 0 ; &# 3 0 3 3 2 ; &# 2 3 6 3 7 ; &# 2 6 3 7 7 ; &# 3 3 2 8 8 ; &# 3 6 2 5 9 ; &# 3 0 3 4 0 ; &# 2 0 1 5 4 ; &# 3 7 1 1 7 ; &# 2 5 0 3 3 ; &# 3 5 4 4 2 ; &# 3 5 7 1 2 ; &# 3 5 7 1 2 ; &# 1 2 2 9 0 ; &# 3 6 8 8 9 ; &# 2 6 4 1 2 ; &# 2 6 3 6 0 ; &# 2 2 9 1 4 ; &# 2 1 5 1 6 ; &# 2 4 2 4 7 ; &# 3 2 0 1 3 ; &# 2 6 3 6 4 ; &# 3 0 3 4 0 ; &# 1 2 2 9 8 ; &# 2 4 5 5 5 ; &# 2 4 6 0 5 ; &# 2 4 9 3 0 ; &# 2 4 8 1 9 ; &# 1 2 2 9 9 ; &# 6 5 2 9 2 ; &# 2 6 1 5 9 ; &# 2 0 3 1 6 ; &# 3 2 7 7 3 ; &# 3 0 0 5 0 ; &# 2 9 9 8 3 ; &# 3 1 1 8 5 ; &# 2 3 4 1 6 ; &# 3 0 7 4 0 ; &# 3 1 3 5 0 ; &# 3 0 3 4 0 ; &# 3 2 3 1 7 ; &# 3 2 0 8 0 ; &# 6 5 2 9 2 ; &# 1 9 9 8 1 ; &# 2 0 6 7 7 ; &# 2 3 5 6 5 ; &# 2 1 5 1 6 ; &# 3 8 9 3 6 ; &# 2 2 4 9 5 ; &# 3 1 1 8 5 ; &# 2 3 4 1 6 ; &# 2 3 4 7 8 ; &# 3 2 7 8 0 ; &# 3 5 3 2 8 ; &# 2 0 7 2 9 ; &# 2 0 5 4 0 ; &# 3 8 7 5 0 ; &# 2 0 9 6 1 ; &# 6 5 2 9 2 ; &# 2 0 0 6 3 ; &# 2 6 1 5 9 ; &# 2 0 8 4 0 ; &# 2 0 1 5 4 ; &# 3 9 0 0 6 ; &# 3 0 3 4 0 ; &# 2 9 8 0 8 ; &# 2 3 5 4 2 ; &# 1 2 2 9 0 ; &# 6 5 2 8 8 ; &# 3 5 7 1 2 ; &# 3 2 7 7 3 ; &# 3 8 4 6 3 ; &# 3 4 3 4 9 ; &# 8 2 3 1 ; &# 3 2 0 0 4 ; &# 2 9 7 9 1 ; &# 2 2 8 2 7 ; &# 8 2 3 1 ; &# 2 2 3 5 0 ; &# 2 4 6 8 1 ; &# 6 5 2 8 9 ; b r / > b r / > &# 1 2 2 8 8 ; &# 1 2 2 8 8 ; &# 9 6 7 8 ; &# 2 6 4 1 7 ; &# 3 6 8 4 2 ; &# 2 0 1 2 6 ; &# 8 2 3 1 ; &# 2 9 6 3 2 ; &# 2 9 2 4 6 ; &# 3 0 3 4 0 ; &# 3 5 9 9 7 ; &# 2 7 6 6 3 ; &# 3 2 1 7 8 ; &# 3 6 3 3 5 ; &# 2 1 6 4 4 ; &# 2 2 2 4 0 ; &# 2 6 5 2 4 ; &# 2 2 2 9
比機率更強大的思考工具又是什麼？
電腦科學界諾貝爾獎「圖靈獎」得主暨貝氏網路研發先驅Judea Pearl總結畢生研究成果，聯手獲獎的統計學家Dana Mackenzie，提出改變人工智慧及科學界的重要工具！《快思慢想》作者暨諾貝爾獎得主康納曼、《大演算》作者多明哥斯、谷歌網路推廣長文特‧瑟夫、微軟研究實驗室主任艾瑞克‧霍爾維茲等人重磅推薦！
▎大數據看似厲害，其實有很大的侷限
近幾年大數據當紅，加上它在許多領域的成功運用，其地位與能力備受追捧。與大數據密切相關的統計學，是法蘭西斯・高爾頓與卡爾・皮爾森解答對於遺傳的疑問未果，而開發出來的學科，這門學科創立後興盛數十載，其名言「相關不是因果」影響科學界經常止步於探究「關聯」而非「因果」，並且長期受資料本位的歷史所影響，認為資料無所不能，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。
▎要發展出「強AI」，機率思考仍遠遠不夠
一九八○年代初，朱迪亞・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強大的推理工具——貝氏網路，因而獲得有電腦科學界諾貝爾獎之稱的「圖靈獎」。貝氏網路是首先讓電腦以灰階方式思考的工具，至今仍極受人工智慧界倚重，然而到了一九八○年代末，珀爾認為貝氏網路仍沒有填補人工智慧和人類智慧的差距，於是他轉而研究如何教AI學會「因果推論」，本書便是整理了歷代科學家推展因果革命的努力與成果。
▎從「求得相關性」的舊階段，邁入「釐清因果關係」的新時代
本書最初幾章是有趣的科學史，探討科學家追求因果解釋的過程如何受挫，以致發展出統計學，並讓統計學方法長期引領學界研究。接著書中有大約一半篇幅，作者以實例示範因果語言（圖示模型）如何解決傳統統計學認為無解的難題，逐一揭示「因果階梯」三大分層的能力（越高的層級，認知挑戰越高，越難理出因果關係），並讓讀者了解因果革命路上諸人的努力與進展，以及這些進展的重要性。本書末尾回頭說明因果革命相對於人工智慧各重要發展面向（比如大數據、深度學習、資料探勘、機器學習等），有何勝出之處、能對它們起什麼正面影響，以及最重要的——「因果革命」將會如何改變人工智慧。
▎「因果革命」不只影響人工智慧，還影響各研究領域
現今機器學習運作時仰賴的是「相關性」，而不是「因果」，如果能成功將因果思考導入電腦，將使電腦變成真正的科學家，使它們成為我們的得力伙伴，提供我們更合理的洞見。由於因果思考可以呈現罪責，電腦能因而具備道德感——「具備道德感的強AI」是因果革命在人工智慧領域的終極追求，作者形容這「是人工智慧給人類的第一個、也是最好的禮物」。
因果性研究還釐清了我們多年來對許多知識本質的不解，改變我們對於眾多問題的認識，這些問題牽涉的層面無所不包，舉凡涉及解讀資料以及根據解釋而採取的作法（像是致病因素、醫療資源分配、公共政策擬定等），都能受益。集結眾多領域學人之力才有如今成果的因果革命，亦將回頭影響整個科學界，珀爾形容它「將使科學的體質更加健全，是人工智慧給人類的第二個禮物」。在美國，因果科學已經開始被大學列入課程……
▎我們強烈建議這些人士閱讀這本書：
（1）資料科學家與大數據研究者，以及對大數據深感興趣的人
（2）統計學家、數學家，電腦科學相關從業人員與學習者
（3）對經濟趨勢與科研發展有興趣的一般大眾
（4）希望培養科學素養，了解最新科學方法的學子
▎各章內容簡介請參閱〈目錄〉的引文。
各界盛讚
◎谷歌網路推廣長文特‧瑟夫：
珀爾近三十年來的學術成就，為人工智慧發展提供堅實的理論基礎……同時把「思考機器」提升到另一個境界。
◎《大演算》作者佩德羅‧多明哥斯：
因果如果不是相關，那又是什麼？拜朱迪亞‧珀爾的劃時代研究之賜，現在我們已能精確回答這個問題。想理解世界如何運行，這本引人入勝且讀來愉快的書是理想的起點。
◎微軟研究實驗室科技研究員及主任艾瑞克‧霍爾維茲：
朱迪亞‧珀爾是人工智慧領域、甚至整個電腦科學界革命的核心人物。
◎諾貝爾經濟學獎得主及《快思慢想》作者丹尼爾‧康納曼 ：
各位是否曾疑惑「相關」和「因果」究竟是什麼關係？這本精彩著作深入淺出地說明了答案。
◎《紐約時報》喬納山‧尼伊：解說十分詳盡……本書不僅詳盡介紹概念的發展史，也提供概念工具，讓讀者理解大數據的優勢與不足之處。
◎《自然》雜誌：「相關不是因果」這句科學俗語已在社會上造成影響……朱迪亞‧珀爾提出嶄新的數學解決方案……現在已在生物、醫學、社會科學和人工智慧領域開花結果。
◎《猶太日報》：深入淺出&# 8 2 3 0 ; &# 8 2 3 0 ; &# 2 9 6 3 2 ; &# 2 9 2 4 6 ; &# 2 6 1 5 9 ; &# 2 6 3 7 7 ; &# 3 6 9 6 0 ; &# 3 5 2 1 1 ; &# 3 0 3 4 0 ; &# 2 2 2 4 0 ; &# 2 6 5 2 4 ; &# 3 8 7 6 1 ; &# 2 1 6 2 9 ; &# 3 8 9 3 6 ; &# 3 4 9 6 6 ; &# 6 5 2 9 2 ; &# 3 6 8 8 9 ; &# 2 6 4 1 2 ; &# 2 6 3 6 0 ; &# 2 1 0 6 3 ; &# 2 6 1 5 9 ; &# 2 0 1 8 2 ; &# 2 6 3 6 8 ; &# 2 2 8 2 3 ; &# 3 0 3 4 0 ; &# 2 5 1 0 4 ; &# 2 3 6 0 1 ; &# 1 2 2 9 0 ; b r / > b r / > &# 3 5 7 1 2 ; &# 3 2 7 7 3 ; &# 2 2 9 0 9 ; &# 3 5 4 1 3 ; b r / > b r / > &# 1 2 2 8 8 ; &# 1 2 2 8 8 ; &# 9 6 7 8 ; &# 2 3 5 6 5 ; &# 3 8 6 5 1 ; &# 3 3 1 2 6 ; &# 3 1 1 8 5 ; &# 2 3 4 1 6 ; &# 1 2 2 8 9 ; &# 3 2 1 1 3 ; &# 3 5 3 3 6 ; &# 2 3 4 1 6 ; &# 2 5 1 1 0 ; &# 2 0 1 5 4 ; &# 2 4 0 3 7 ; &# 2 6 2 3 4 ; &# 2 4 9 3 5 ; &# 3 0 0 7 0 ; &# 2 0 1 7 0 ; &# 3 0 3 3 2 ; &# 2 3 6 3 7 ; &# 2 6 3 7 7 ; &# 3 3 2 8 8 ; &# 3 6 2 5 9 ; &# 3 0 3 4 0 ; &# 2 0 1 5 4 ; &# 3 7 1 1 7 ; &# 2 5 0 3 3 ; &# 3 5 4 4 2 ; &# 3 5 7 1 2 ; &# 3 5 7 1 2 ; &# 1 2 2 9 0 ; &# 3 6 8 8 9 ; &# 2 6 4 1 2 ; &# 2 6 3 6 0 ; &# 2 2 9 1 4 ; &# 2 1 5 1 6 ; &# 2 4 2 4 7 ; &# 3 2 0 1 3 ; &# 2 6 3 6 4 ; &# 3 0 3 4 0 ; &# 1 2 2 9 8 ; &# 2 4 5 5 5 ; &# 2 4 6 0 5 ; &# 2 4 9 3 0 ; &# 2 4 8 1 9 ; &# 1 2 2 9 9 ; &# 6 5 2 9 2 ; &# 2 6 1 5 9 ; &# 2 0 3 1 6 ; &# 3 2 7 7 3 ; &# 3 0 0 5 0 ; &# 2 9 9 8 3 ; &# 3 1 1 8 5 ; &# 2 3 4 1 6 ; &# 3 0 7 4 0 ; &# 3 1 3 5 0 ; &# 3 0 3 4 0 ; &# 3 2 3 1 7 ; &# 3 2 0 8 0 ; &# 6 5 2 9 2 ; &# 1 9 9 8 1 ; &# 2 0 6 7 7 ; &# 2 3 5 6 5 ; &# 2 1 5 1 6 ; &# 3 8 9 3 6 ; &# 2 2 4 9 5 ; &# 3 1 1 8 5 ; &# 2 3 4 1 6 ; &# 2 3 4 7 8 ; &# 3 2 7 8 0 ; &# 3 5 3 2 8 ; &# 2 0 7 2 9 ; &# 2 0 5 4 0 ; &# 3 8 7 5 0 ; &# 2 0 9 6 1 ; &# 6 5 2 9 2 ; &# 2 0 0 6 3 ; &# 2 6 1 5 9 ; &# 2 0 8 4 0 ; &# 2 0 1 5 4 ; &# 3 9 0 0 6 ; &# 3 0 3 4 0 ; &# 2 9 8 0 8 ; &# 2 3 5 4 2 ; &# 1 2 2 9 0 ; &# 6 5 2 8 8 ; &# 3 5 7 1 2 ; &# 3 2 7 7 3 ; &# 3 8 4 6 3 ; &# 3 4 3 4 9 ; &# 8 2 3 1 ; &# 3 2 0 0 4 ; &# 2 9 7 9 1 ; &# 2 2 8 2 7 ; &# 8 2 3 1 ; &# 2 2 3 5 0 ; &# 2 4 6 8 1 ; &# 6 5 2 8 9 ; b r / > b r / > &# 1 2 2 8 8 ; &# 1 2 2 8 8 ; &# 9 6 7 8 ; &# 2 6 4 1 7 ; &# 3 6 8 4 2 ; &# 2 0 1 2 6 ; &# 8 2 3 1 ; &# 2 9 6 3 2 ; &# 2 9 2 4 6 ; &# 3 0 3 4 0 ; &# 3 5 9 9 7 ; &# 2 7 6 6 3 ; &# 3 2 1 7 8 ; &# 3 6 3 3 5 ; &# 2 1 6 4 4 ; &# 2 2 2 4 0 ; &# 2 6 5 2 4 ; &# 2 2 2 9