辽宁白癜风医院 http://hunan.ifeng.com/a/20170705/5797804_0.shtml

作者：刘佳

假定你的家中有一个机器人，在你睡觉的时候，机器人打开了吸尘器开始工作。你被吵醒了，很生气地告诉它：“你不该吵醒我的！”你的这句话是想说，在你睡觉时打开吵闹的吸尘器是错误的行为。

这个时候，机器人需要明白：你不睡觉的时候，它可以吸尘；家中无人的时候，它也可以吸尘；吸尘器是静音的时候，它仍然可以吸尘。

但事实上，机器人却很难“想”到“吵醒”和“吸尘器”之间的因果，甚至可能会将你的抱怨理解为不能使用吸尘器打扫卫生。

这是图灵奖得主、“贝叶斯网络之父”朱迪亚·珀尔在《TheBookofWhy：TheNewScienceofCauseandEffect（为什么：关于因果关系的新科学）》一书中举的例子，直观的说明了很多对我们人类而言无比简短的口令，实际包含了丰富的内容。而机器人要“get”到这些“隐藏”的信息量，就必须要学会因果推理，理解因果关系。

来源：《为什么：关于因果关系的新科学》

现如今，人类已经越来越习惯指挥人工智能为自身服务，例如通过车载语音助手规划行车路线；在网购中直接和人工智能语音客服沟通；向智能家居设备下达语音指令，获取影音娱乐、天气资讯、控制家电等。

知名咨询公司高德纳曾在年作出预测，10年后，人类每天与智能设备进行的语言交流总量，可能将占据我们日常语言交流的三分之一。

小到扫地机器人、智能客服，大到医疗、金融系统，智能化产品与升级已是无处不在。虽然在降本增效、丰富生活上有着明显的改善，但大部分仍停留在数据智能、流程智能，对拥有更复杂交互场景、更注重过程体验、更需要人类思维的服务业来说，眼下的人工智能水平还远远不够。比如在以结果为导向的销售运营转化场景，对人工智能的“智能”要求更高，更需要持久稳定的效果交付。

尽管历经半个多世纪的发展，人工智能已经在感知智能上取得了长足的进步，但是以深度学习为主流的神经网络目前所取得的成果，很大一部分依赖于海量的数据收集和高性能的密集计算硬件。这就使得在机器学习、人工智能界，常有一个说法——“有多少人工，就有多少智能。”

并且，随着相关的应用研究进入“深水区”，基于统计数据进行相关性计算的机器学习局限渐显。

作为人工智能领域的权威专家，朱迪亚·珀尔曾在他的书中清晰地表达出，他反对“深度学习只需要相关性不需要因果关系”的观点。并认为要实现强人工智能，乃至将智能机器转变为具有道德意识的有机体，就必须让机器学会问“为什么”。

朱迪亚·珀尔还提出了“三层因果关系之梯”：

第一层：关联（Association），它涉及由数据定义的统计相关性，大多数机器学习系统运行在这一层。比如：人们在头痛之后，根据网络上搜集的信息，大多数人通过吃阿司匹林来缓解头痛。

第二层：干预（Intervention），通过做某种试验对数据进行补充和再加工，在试验前就会提出一些假设。比如：如果吃了阿司匹林，头痛会好吗？

第三层：反事实（Counterfactual），是对过去发生的事情的反思和溯因，允许机器拥有“想象能力”。比如：真的是阿司匹林治好了我的头痛吗？

来源：《为什么：关于因果关系的新科学》

人工智能领域中的大多数问题都是决策问题，而从相关到因果的转变，将引导AI的思维方式升维进阶。

作为唯一一家基于因果AI理论进行探索创新的AI企业，零犀科技信奉“用科技温暖人心”，不为效率做工具，而为效果做服务，因而公司AI技术的落地也持续在“