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？
《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
－－－－－－－－重磅推薦！－－－－－－－－
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！
▎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「9 ; &# 2 0 1 5 4 ; &# 2 4 0 3 7 ; &# 2 6 2 3 4 ; &# 2 4 9 3 5 ; &# 3 2 1 0 2 ; &# 2 0 1 5 4 ; &# 3 9 0 0 6 ; &# 3 0 3 4 0 ; &# 3 1 5 3 2 ; &# 1 9 9 6 8 ; &# 2 0 4 9 1 ; &# 1 2 2 8 9 ; &# 2 0 0 6 3 ; &# 2 6 1 5 9 ; &# 2 6 3 6 8 ; &# 2 2 9 0 9 ; &# 3 0 3 4 0 ; &# 3 1 1 5 0 ; &# 2 9 2 8 9 ; &# 1 2 3 0 1 ; &# 1 2 2 9 0 ; b r / > b r / > &# 2 2 2 4 0 ; &# 2 6 5 2 4 ; &# 2 4 6 1 5 ; &# 3 0 7 4 0 ; &# 3 1 3 5 0 ; &# 3 6 9 9 6 ; &# 3 7 3 2 8 ; &# 2 8 1 6 5 ; &# 2 0 1 0 2 ; &# 2 5 1 0 5 ; &# 2 0 4 9 7 ; &# 2 2 8 1 0 ; &# 2 4 1 8 0 ; &# 2 0 3 5 8 ; &# 2 3 5 6 5 ; &# 3 5 3 7 7 ; &# 2 2 8 1 0 ; &# 3 0 6 9 3 ; &# 3 5 6 7 2 ; &# 2 6 4 1 2 ; &# 3 6 0 7 4 ; &# 3 0 3 4 0 ; &# 1 9 9 8 1 ; &# 3 5 2 9 9 ; &# 6 5 2 9 2 ; &# 2 5 9 1 3 ; &# 3 5 7 2 2 ; &# 2 5 1 0 5 ; &# 2 0 4 9 7 ; &# 2 3 5 6 5 ; &# 2 6 0 4 4 ; &# 3 0 5 2 6 ; &# 2 2 8 1 0 ; &# 2 1 8 3 9 ; &# 3 8 9 8 8 ; &# 3 0 3 4 0 ; &# 3 5 4 6 9 ; &# 3 5 6 7 2 ; &# 6 5 2 9 2 ; &# 3 6 8 8 9 ; &# 2 0 1 2 3 ; &# 2 1 8 3 9 ; &# 3 8 9 8 8 ; &# 2 9 3 0 9 ; &# 2 8 0 4 1 ; &# 3 0 3 4 0 ; &# 2 3 6 5 2 ; &# 3 8 7 5 4 ; &# 2 8 9 6 1 ; &# 2 5 1 5 2 ; &# 1 9 9 8 1 ; &# 2 1 2 5 3 ; &# 6 5 2 9 2 ; &# 3 3 2 8 9 ; &# 2 0 9 6 1 ; &# 2 8 0 4 1 ; &# 2 1 4 5 0 ; &# 3 5 2 9 9 ; &# 3 5 7 1 2 ; &# 3 6 0 3 9 ; &# 2 6 0 0 9 ; &# 2 0 1 9 7 ; &# 2 1 4 5 0 ; &# 2 6 6 8 1 ; &# 2 5 8 1 8 ; &# 3 5 2 9 9 ; &# 3 7 3 2 3 ; &# 3 2 7 8 0 ; &# 2 5 5 0 5 ; &# 2 1 4 6 2 ; &# 3 0 3 4 0 ; &# 2 0 3 1 6 ; &# 2 7 8 6 1 ; &# 6 5 2 8 8 ; &# 2 0 6 8 7 ; &# 2 6 1 5 9 ; &# 3 3 2 6 8 ; &# 3 0 1 4 9 ; &# 2 2 2 4 0 ; &# 3 2 0 3 2 ; &# 1 2 2 8 9 ; &# 3 7 2 9 1 ; &# 3 0 2 7 4 ; &# 3 6 0 3 9 ; &# 2 8 3 0 4 ; &# 2 0 9 9 8 ; &# 3 7 1 9 7 ; &# 1 2 2 8 9 ; &# 2 0 8 4 4 ; &# 2 0 8 4 9 ; &# 2 5 9 1 9 ; &# 3 1 5 7 4 ; &# 2 5 8 3 6 ; &# 2 3 4 5 0 ; &# 3 1 5 6 1 ; &# 6 5 2 8 9 ; &# 6 5 2 9 2 ; &# 3 7 1 1 7 ; &# 3 3 0 2 1 ; &# 2 1 4 6 3 ; &# 3 0 4 1 0 ; &# 1 2 2 9 0 ; &# 3 8 5 9 8 ; &# 3 2 0 8 0 ; &# 3 0 5 2 6 ; &# 2 2 8 1 0 ; &# 3 8 9 3 6 ; &# 2 2 4 9 5 ; &# 2 3 4 1 6 ; &# 2 0 1 5 4 ; &# 2 0 0 4 3 ; &# 2 1 1 4 7 ; &# 2 5 1 6 5 ; &# 2 6 3 7 7 ; &# 2 2 9 1 4 ; &# 2 0 1 7 0 ; &# 2 5 1 0 4 ; &# 2 6 5 2 4 ; &# 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 ; &# 6 5 2 9 2 ; &# 2 0 1 3 4 ; &# 2 3 5 5 9 ; &# 2 2 2 3 8 ; &# 3 8 9 5 7 ; &# 2 4 4 3 3 ; &# 3 8 9 1 1 ; &# 2 5 9 7 2 ; &# 2 0 4 9 1 ; &# 3 1 1 8 5 ; &# 2 3 4 1 6 ; &# 3 0 0 2 8 ; &# 6 5 2 9 2 ; &# 2 9 6 3 2 ; &# 2 9 2 4 6 ; &# 2 4 4 1 8 ; &# 2 3 4 8 1 ; &# 2 3 4 2 7 ; &# 1 2 3 0 0 ; &# 2 3 5 5 9 ; &# 2 0 3 5 1 ; &# 3 1 1 8 5 ; &# 2 3 4 1 6 ; &# 3 0 3 4 0 ; &# 3 9 6 3 6 ; &# 3 6 0 7 4 ; &# 2 6 3 5 6 ; &# 2 1 1 5 2 ; &# 2 0 5 8 1 ; &# 2 0 8 4 0 ; &# 6 5 2 9 2 ; &# 2 6 1 5 9 ; &# 2 0 1 5
比機率更強大的思考工具又是什麼？
《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
－－－－－－－－重磅推薦！－－－－－－－－
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！
▎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「9 ; &# 2 0 1 5 4 ; &# 2 4 0 3 7 ; &# 2 6 2 3 4 ; &# 2 4 9 3 5 ; &# 3 2 1 0 2 ; &# 2 0 1 5 4 ; &# 3 9 0 0 6 ; &# 3 0 3 4 0 ; &# 3 1 5 3 2 ; &# 1 9 9 6 8 ; &# 2 0 4 9 1 ; &# 1 2 2 8 9 ; &# 2 0 0 6 3 ; &# 2 6 1 5 9 ; &# 2 6 3 6 8 ; &# 2 2 9 0 9 ; &# 3 0 3 4 0 ; &# 3 1 1 5 0 ; &# 2 9 2 8 9 ; &# 1 2 3 0 1 ; &# 1 2 2 9 0 ; b r / > b r / > &# 2 2 2 4 0 ; &# 2 6 5 2 4 ; &# 2 4 6 1 5 ; &# 3 0 7 4 0 ; &# 3 1 3 5 0 ; &# 3 6 9 9 6 ; &# 3 7 3 2 8 ; &# 2 8 1 6 5 ; &# 2 0 1 0 2 ; &# 2 5 1 0 5 ; &# 2 0 4 9 7 ; &# 2 2 8 1 0 ; &# 2 4 1 8 0 ; &# 2 0 3 5 8 ; &# 2 3 5 6 5 ; &# 3 5 3 7 7 ; &# 2 2 8 1 0 ; &# 3 0 6 9 3 ; &# 3 5 6 7 2 ; &# 2 6 4 1 2 ; &# 3 6 0 7 4 ; &# 3 0 3 4 0 ; &# 1 9 9 8 1 ; &# 3 5 2 9 9 ; &# 6 5 2 9 2 ; &# 2 5 9 1 3 ; &# 3 5 7 2 2 ; &# 2 5 1 0 5 ; &# 2 0 4 9 7 ; &# 2 3 5 6 5 ; &# 2 6 0 4 4 ; &# 3 0 5 2 6 ; &# 2 2 8 1 0 ; &# 2 1 8 3 9 ; &# 3 8 9 8 8 ; &# 3 0 3 4 0 ; &# 3 5 4 6 9 ; &# 3 5 6 7 2 ; &# 6 5 2 9 2 ; &# 3 6 8 8 9 ; &# 2 0 1 2 3 ; &# 2 1 8 3 9 ; &# 3 8 9 8 8 ; &# 2 9 3 0 9 ; &# 2 8 0 4 1 ; &# 3 0 3 4 0 ; &# 2 3 6 5 2 ; &# 3 8 7 5 4 ; &# 2 8 9 6 1 ; &# 2 5 1 5 2 ; &# 1 9 9 8 1 ; &# 2 1 2 5 3 ; &# 6 5 2 9 2 ; &# 3 3 2 8 9 ; &# 2 0 9 6 1 ; &# 2 8 0 4 1 ; &# 2 1 4 5 0 ; &# 3 5 2 9 9 ; &# 3 5 7 1 2 ; &# 3 6 0 3 9 ; &# 2 6 0 0 9 ; &# 2 0 1 9 7 ; &# 2 1 4 5 0 ; &# 2 6 6 8 1 ; &# 2 5 8 1 8 ; &# 3 5 2 9 9 ; &# 3 7 3 2 3 ; &# 3 2 7 8 0 ; &# 2 5 5 0 5 ; &# 2 1 4 6 2 ; &# 3 0 3 4 0 ; &# 2 0 3 1 6 ; &# 2 7 8 6 1 ; &# 6 5 2 8 8 ; &# 2 0 6 8 7 ; &# 2 6 1 5 9 ; &# 3 3 2 6 8 ; &# 3 0 1 4 9 ; &# 2 2 2 4 0 ; &# 3 2 0 3 2 ; &# 1 2 2 8 9 ; &# 3 7 2 9 1 ; &# 3 0 2 7 4 ; &# 3 6 0 3 9 ; &# 2 8 3 0 4 ; &# 2 0 9 9 8 ; &# 3 7 1 9 7 ; &# 1 2 2 8 9 ; &# 2 0 8 4 4 ; &# 2 0 8 4 9 ; &# 2 5 9 1 9 ; &# 3 1 5 7 4 ; &# 2 5 8 3 6 ; &# 2 3 4 5 0 ; &# 3 1 5 6 1 ; &# 6 5 2 8 9 ; &# 6 5 2 9 2 ; &# 3 7 1 1 7 ; &# 3 3 0 2 1 ; &# 2 1 4 6 3 ; &# 3 0 4 1 0 ; &# 1 2 2 9 0 ; &# 3 8 5 9 8 ; &# 3 2 0 8 0 ; &# 3 0 5 2 6 ; &# 2 2 8 1 0 ; &# 3 8 9 3 6 ; &# 2 2 4 9 5 ; &# 2 3 4 1 6 ; &# 2 0 1 5 4 ; &# 2 0 0 4 3 ; &# 2 1 1 4 7 ; &# 2 5 1 6 5 ; &# 2 6 3 7 7 ; &# 2 2 9 1 4 ; &# 2 0 1 7 0 ; &# 2 5 1 0 4 ; &# 2 6 5 2 4 ; &# 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 ; &# 6 5 2 9 2 ; &# 2 0 1 3 4 ; &# 2 3 5 5 9 ; &# 2 2 2 3 8 ; &# 3 8 9 5 7 ; &# 2 4 4 3 3 ; &# 3 8 9 1 1 ; &# 2 5 9 7 2 ; &# 2 0 4 9 1 ; &# 3 1 1 8 5 ; &# 2 3 4 1 6 ; &# 3 0 0 2 8 ; &# 6 5 2 9 2 ; &# 2 9 6 3 2 ; &# 2 9 2 4 6 ; &# 2 4 4 1 8 ; &# 2 3 4 8 1 ; &# 2 3 4 2 7 ; &# 1 2 3 0 0 ; &# 2 3 5 5 9 ; &# 2 0 3 5 1 ; &# 3 1 1 8 5 ; &# 2 3 4 1 6 ; &# 3 0 3 4 0 ; &# 3 9 6 3 6 ; &# 3 6 0 7 4 ; &# 2 6 3 5 6 ; &# 2 1 1 5 2 ; &# 2 0 5 8 1 ; &# 2 0 8 4 0 ; &# 6 5 2 9 2 ; &# 2 6 1 5 9 ; &# 2 0 1 5