Judea Pearl：他用数学撕开了"相关"与"因果"的迷雾

图灵奖第四十六届（2011）| Judea Pearl：他用数学撕开了”相关”与”因果”的迷雾

一句话概括：当整个世界都在用”大数据找相关性”时，Pearl站出来说：“相关不是因果！“他发明的贝叶斯网络让AI能推理不确定性，do-演算让我们能计算反事实——从”吸烟与肺癌相关”到证明”吸烟导致肺癌”，Pearl给了我们数学的语言。

🏆 获奖简介

Judea Pearl（朱迪亚·珀尔，1936-）是概率推理和因果推理的革命者，贝叶斯网络的发明人。

• 出生时间：1936年9月4日
• 出生地点：以色列特拉维夫（时为英属巴勒斯坦托管地）
• 主要成就：贝叶斯网络、因果图模型、do-演算、反事实推理框架
• 获奖年份：2011年
• 获奖原因：通过开发基于概率和因果推理的演算法，在人工智能领域做出了根本性贡献

为什么他是第四十六位？ 在Pearl之前，AI主要依靠规则和逻辑——确定性的世界。但现实充满不确定性：天气预报、医疗诊断、经济预测。1980年代，Pearl提出贝叶斯网络，用有向图表示变量间的概率依赖关系，让AI第一次能高效处理不确定性推理。更革命性的是，1990年代他转向因果推理，提出do-演算和结构因果模型（SCM），回答”如果我做X，会发生什么？“的问题——这不是统计相关性能回答的。Pearl的工作打破了统计学一百年来的”相关不等于因果”的教条，给出了从观测数据推导因果关系的数学方法。今天，从Google的广告推荐到医学临床试验，从经济政策评估到自动驾驶决策，因果推理无处不在。Pearl不只是技术创新者，更是哲学革命者——他改变了我们理解世界的方式。

🚀 重大贡献

1. 贝叶斯网络：概率推理的革命

时代背景（1980年代）：

• AI的困境：
  • 专家系统用规则（IF-THEN），但处理不确定性困难
  • MYCIN的确定性因子（CF）是临时方案，缺乏理论基础
  • 复杂系统的概率计算指数爆炸（n个变量需要2^n个概率值）
• 贝叶斯概率：
  • 理论上完美（贝叶斯定理、条件独立性）
  • 但计算上不可行（联合概率分布太大）

Pearl的突破（1985-1988）： 提出贝叶斯网络（Bayesian Networks，也称信念网络 Belief Networks）。

贝叶斯网络的核心思想

定义：

• 有向无环图（DAG）：节点代表随机变量，边代表直接因果或依赖关系
• 局部概率表：每个节点只需给出条件概率 P(X | Parents(X))
• 条件独立性：变量在给定父节点后，与非后代独立

威力：

• 大幅减少参数：原本需要2^n个参数，现在只需 O(n·2^k)，其中k是最大父节点数（通常k << n）
• 高效推理：利用图的结构，避免不必要的计算

例子：医疗诊断

场景：

• 疾病：肺癌（C）、肺结核（T）
• 症状：咳嗽（Co）、呼吸困难（Dy）、胸部X光异常（Xray）
• 风险因素：吸烟（S）

贝叶斯网络结构：

     吸烟(S)
       ↓
    肺癌(C)    肺结核(T)
      ↓  ↘     ↙  ↓
      ↓    X光(Xray)  ↓
      ↓          ↓
    咳嗽(Co) ← 呼吸困难(Dy)

概率表：

• P(S) = 0.3（30%人吸烟）
• P(C | S) = 0.1, P(C | ¬S) = 0.01（吸烟增加肺癌风险）
• P(Xray | C, T) = …（肺癌或肺结核都可能导致X光异常）
• …

推理任务：

1. 预测：如果知道吸烟，肺癌概率多少？
   • P(C | S) = 0.1
2. 诊断：如果X光异常，肺癌概率多少？
   • P(C | Xray=异常) = ?（用贝叶斯定理反向推理）
3. 解释冲突：如果X光异常+咳嗽，但后来确诊肺结核，那肺癌概率下降（explaining away效应）

推理算法

Pearl的贡献：

1. 消息传递算法（Message Passing / Belief Propagation）：

   • 对于树形或多树结构，精确推理，多项式时间
   • 节点向邻居发送”信念消息”，迭代更新

2. 变量消除（Variable Elimination）：

   • 利用条件独立性，按顺序消除变量
   • 复杂度取决于图的”树宽”（treewidth）

3. 近似推理：

   • 当精确推理NP难时（一般DAG），使用采样或变分方法

影响

理论意义：

• 统一框架：将概率论、图论、算法结合
• 条件独立性的图形化表示，让直觉和数学结合

实践应用：

• 医疗诊断：微软的诊断系统、医疗决策支持
• 故障检测：NASA用于航天器诊断
• 语音识别：HMM（隐马尔可夫模型）是特殊的贝叶斯网络
• 垃圾邮件过滤：朴素贝叶斯分类器
• 基因网络：生物信息学中的基因调控网络

2. 因果推理：从相关到因果的飞跃

动机（1990年代）：

• 贝叶斯网络的局限：只能表示观测数据的相关性，不能回答因果问题
• 统计学的困境：“相关不等于因果”成为口号，但如何从数据推导因果？
• 科学的本质：科学追求因果解释，而非仅仅预测

Pearl的野心：

“我们需要一种数学语言，能够表达和计算因果关系。“

因果图模型（Causal Diagrams）

关键区别：

• 贝叶斯网络：边表示”概率依赖”，P(Y | X) ≠ P(X | Y)
• 因果图：边表示”因果关系”，X → Y 表示”X导致Y”

例子：

吸烟 → 肺癌 → 咳嗽

• 意义：吸烟导致肺癌，肺癌导致咳嗽
• 不仅仅是统计相关，而是因果机制

do-演算：干预的数学

观测 vs. 干预：

• 观测（Observation）：P(Y | X=x)
  • “看到X=x时，Y的概率分布”
  • 例子：看到吸烟的人，肺癌率是多少？
• 干预（Intervention）：P(Y | do(X=x))
  • “如果我们强制X=x（如禁烟），Y的概率分布”
  • 例子：如果让所有人戒烟，肺癌率会降低多少？

关键区别：

• P(肺癌 | 吸烟)：观测到吸烟人群的肺癌率（可能混杂：吸烟者也许本身更不健康）
• P(肺癌 | do(吸烟))：如果随机让一半人吸烟，一半人不吸，肺癌率差异（因果效应）

do-演算的三大规则： Pearl提出三条规则，可以从观测数据P(V)和因果图G，推导干预分布P(Y | do(X)):

1. 插入/删除观测（Insertion/deletion of observations）
2. 动作/观测交换（Action/observation exchange）
3. 插入/删除动作（Insertion/deletion of actions）

（数学形式复杂，但本质是”在满足某些图条件时，干预可以转化为条件概率”）

意义：

• 不需要做实际实验（伦理或成本限制），就能从观测数据估计因果效应
• 前提：知道因果图结构（或从数据学习）

混杂因子与后门准则

混杂（Confounding）：

• 第三个变量Z同时影响X和Y，导致X和Y相关，但X不一定导致Y
• 例子：

  基因 → 吸烟
  基因 → 肺癌
  

  • 如果某基因既增加吸烟倾向，又增加肺癌风险
  • 观测到吸烟和肺癌相关，但部分是基因导致，不完全是吸烟导致肺癌

后门准则（Backdoor Criterion）：

• 如果我们观测到足够的变量集合Z，“阻断”所有从X到Y的”后门路径”（通过混杂变量）
• 那么可以通过调整Z，消除混杂，估计真实因果效应：

  P(Y | do(X=x)) = Σ_z P(Y | X=x, Z=z) P(Z=z)
  

前门准则（Frontdoor Criterion）：

• 当无法直接观测混杂因子时，通过中介变量推导因果

实用价值：

• 流行病学：设计观察性研究时，控制哪些变量能消除混杂？
• 经济学：政策评估时，如何消除”选择偏差”？

反事实推理（Counterfactual Reasoning）

问题：

• “如果我当初选择了另一个专业，现在会怎样？”
• “如果这个病人没有服药，他会康复吗？”

挑战：

• 我们只能观测到现实（factual），无法观测反事实（counterfactual）

Pearl的结构因果模型（SCM）：

• 用方程定义因果机制：

  Y = f_Y(X, U_Y)
  X = f_X(U_X)
  

  • X, Y是变量
  • U是外生的”噪声”或不可观测因素
  • f是因果函数

反事实的计算：

1. 溯因（Abduction）：从观测数据推断U的值
2. 行动（Action）：修改方程（如设置X=x’）
3. 预测（Prediction）：计算新的Y值

例子：

• 观测：某人吸烟20年，得了肺癌
• 反事实问题：如果他不吸烟，会得肺癌吗？
• 计算：
  1. 根据他的其他特征，推断他的”体质”（U）
  2. 假设他不吸烟，用因果模型计算肺癌概率
  3. 如果概率低，说明吸烟是他肺癌的主要原因

应用：

• 法律：某行为是否是损害的”实际原因”（actual cause）？
• 公平性：算法决策中的”个体因果公平”
• 责任归因：事故中谁该负责？

3. 因果推理的三层阶梯

Pearl的框架（《为什么》一书）： 因果推理有三个层次，依次需要更强的信息：

第一层：关联（Association）

• 问题：“看到X时，Y的概率多少？”
• 数学：P(Y | X)
• 例子：看到吸烟的人，多少比例得肺癌？
• 来源：观测数据（统计学的领域）
• 能力：预测，但不能回答因果

第二层：干预（Intervention）

• 问题：“如果我做X，Y会怎样？”
• 数学：P(Y | do(X))
• 例子：如果让他戒烟，肺癌风险会降低多少？
• 来源：随机对照试验（RCT）或因果图 + 观测数据
• 能力：预测干预的效果，指导决策

第三层：反事实（Counterfactuals）

• 问题：“如果当初我做了X’（而非X），Y会怎样？”
• 数学：P(Y_{X’} | X, Y)（在观测到X和Y的情况下，如果X是X’，Y的分布）
• 例子：这个病人服药后死亡，如果他不服药，会死吗？
• 来源：结构因果模型（SCM）
• 能力：归因、责任判定、个性化决策

关键洞察：

• 更高层次不能由更低层次推导（需要额外信息）
• 统计学（第一层）无法回答因果问题（第二、三层）

4. 因果发现：从数据学习因果图

挑战：

• do-演算假设我们知道因果图
• 但实际中，因果图往往未知
• 问题：能否从数据自动学习因果结构？

Pearl及其合作者的贡献：

IC算法（Inductive Causation）

• 基于条件独立性测试
• 如果X和Y在给定Z后独立，排除某些因果结构
• 局限：只能学到”等价类”（某些图无法区分）

PC算法（Peter-Clark）

• 由Pearl的学生Spirtes和Glymour开发，基于Pearl的思想
• 从完全图开始，逐步删除边
• 使用条件独立性测试判断是否删除

非高斯性和非线性：

• 如果假设非高斯噪声或非线性因果机制
• 可以唯一识别因果方向（如LiNGAM算法）

实际应用：

• 基因调控网络：从基因表达数据推断调控关系
• 神经科学：从脑成像数据推断脑区间的因果连接
• 经济学：从宏观经济数据推断因果结构

5. 因果推理在AI中的应用

可解释AI

• 问题：深度学习是”黑盒”
• 因果视角：解释 = 回答”为什么”（因果问题）
• 方法：
  • 识别模型中的因果机制
  • 反事实解释：“如果输入不同，输出会怎样？“

迁移学习与域适应

• 问题：模型在训练数据上好，但新环境下失效
• 因果视角：
  • 相关性在不同环境下变化（spurious correlation）
  • 因果关系更稳定
• 方法：学习因果不变特征

强化学习

• 问题：如何从经验中学习因果策略？
• 因果视角：
  • 区分状态的相关性和因果性
  • 反事实推理：评估”如果采取不同行动，会怎样”

公平性

• 问题：算法决策中的歧视（如贷款审批中的种族偏见）
• 因果视角：
  • 关联公平性：P(Y | 种族) ≈ P(Y)（不够，因为可能通过代理变量歧视）
  • 因果公平性：P(Y | do(种族)) ≈ P(Y)（更严格，但可能过度限制）
  • 反事实公平性：个体在不同种族下的结果应相同

🌍 对世界的深远影响

对科学研究的影响

医学与流行病学

观察性研究的因果推断：

• 不能随机分组时（如吸烟、基因），如何确定因果？
• Pearl的框架：
  • 绘制因果图（专家知识 + 数据）
  • 识别需要控制的混杂因子
  • 用调整公式估计因果效应

具体应用：

• 疫苗效果评估：在无法随机对照时，估计疫苗的真实效果
• 药物副作用：区分药物的因果效应和相关性
• 健康政策：评估禁烟令、健康教育的因果影响

经济学与社会科学

工具变量与自然实验的因果解释：

• 经济学长期用”工具变量”消除内生性
• Pearl的图形框架提供了直观解释

政策评估：

• 教育政策：小班教学是否提高成绩？（可能混杂：好学校更可能小班）
• 福利政策：最低工资是否增加失业？（因果 vs. 相关）
• 2021年诺贝尔经济学奖：Card、Angrist、Imbens因”因果推断方法”获奖，深受Pearl影响

心理学与认知科学

因果认知：

• 人类如何学习和推理因果关系？
• Pearl的理论为实验提供了形式化框架

因果归因：

• 人如何解释事件的原因？（归因理论）
• 反事实思维的神经基础

对工业界的影响

互联网公司

A/B测试的理论基础：

• Google、Facebook、亚马逊等公司每天运行数千个A/B测试
• Pearl的框架：理解什么时候A/B测试给出因果效应，什么时候有混杂

推荐系统的因果优化：

• 传统：最大化点击率（相关性）
• 因果：最大化用户长期满意度（因果效应）
• 例子：YouTube减少”推荐极端内容”（短期点击高，长期用户流失）

医疗AI

诊断系统：

• 不只预测”这是什么病”，还回答”为什么得这个病”
• 反事实：如果早治疗，会怎样？

个性化医疗：

• 不同病人对同一治疗的因果效应不同
• 反事实推理：预测这个病人的最佳治疗

自动驾驶

决策与规划：

• 不只预测其他车会怎么走（关联）
• 还要推理”如果我这样做，他们会怎么反应”（因果）

责任判定：

• 事故后，谁的行为是”实际原因”？

对法律与伦理的影响

法律因果

• 实际原因（Actual Cause）：Pearl用结构方程定义
• 案例：医疗事故中，医生的疏忽是否是死亡的原因？

算法公平性

• 反歧视法：如何定义”歧视”？
  • 传统：结果不平等（关联）
  • 因果：是否因为受保护特征导致不利结果（因果）
• Pearl的框架提供了数学定义

🏆 获奖理由（通俗版）

ACM官方表彰：“通过开发基于概率和因果推理的演算法，在人工智能领域做出了根本性贡献。”

更通俗的理解：

贝叶斯网络：

• 问题：AI如何处理不确定性？（天气预报、医疗诊断都充满不确定性）
• Pearl的答案：用图表示变量间的依赖关系，利用结构高效计算概率
• 类比：像电路图简化了电学计算，贝叶斯网络简化了概率计算
• 影响：从垃圾邮件过滤到语音识别，概率推理无处不在

因果推理：

• 问题：AI如何理解”为什么”？如何预测干预的效果？
• Pearl的答案：用因果图 + do-演算，将因果问题转化为可计算的数学
• 类比：像微积分让物理学定量化，do-演算让因果推理定量化
• 影响：从医疗试验到经济政策，因果推理改变了决策方式

为什么重要： 在大数据时代，人们容易被相关性误导（“冰淇淋销量和溺水事故相关，所以禁止冰淇淋？”）。Pearl教会我们：相关不是因果，真正的理解需要因果推理。他的工作不只是技术突破，更是思维革命。

👤 个人生平与传奇

早年（1936-1960）

童年与家庭：

• 1936年：出生于特拉维夫（当时是英属巴勒斯坦）
• 家庭背景：波兰犹太移民家庭
• 成长环境：以色列建国初期（1948年独立）

教育：

• 1956：以色列理工学院（Technion）电气工程学士
• 1961：美国新泽西理工学院电气工程硕士
• 1965：美国布鲁克林理工学院（现NYU-Poly）电气工程博士
  • 论文：超导体和实时系统

学术生涯（1965-现在）

早期职位：

• 1965-1969：RCA研究实验室
  • 做超导存储器研究
  • 逐渐对AI产生兴趣

加入UCLA：

• 1969：加州大学洛杉矶分校（UCLA）计算机科学系助理教授
• 1979：副教授
• 1988：正教授
• 至今：仍在UCLA，年近90岁仍活跃

研究方向的转变

第一阶段（1970年代）：启发式搜索：

• 研究A*算法及其变体
• Pearl证明了A*的最优性
• 发表《Heuristics: Intelligent Search Strategies》（1984）

第二阶段（1980年代）：概率推理：

• 1982年左右，Pearl意识到AI需要处理不确定性
• 开始研究贝叶斯推理
• 1988年出版《Probabilistic Reasoning in Intelligent Systems》（贝叶斯网络的”圣经”）

第三阶段（1990年代-至今）：因果推理：

• 1990年代初，Pearl感到贝叶斯网络的局限：“只有相关性，没有因果”
• 决定挑战统计学的禁忌：“从数据推导因果”
• 1995年出版《Causal Inference in Statistics: A Primer》
• 2000年出版《Causality: Models, Reasoning, and Inference》（因果推理的”圣经”）
• 2018年出版《The Book of Why》（面向大众的科普书，成为畅销书）

个人悲剧与社会活动

儿子Daniel Pearl：

• 1963年出生，成为《华尔街日报》记者
• 2002年在巴基斯坦调查恐怖主义时被绑架并杀害
• 事件震惊全球

Pearl的反应：

• 悲痛但没有被击垮
• 创建”Daniel Pearl基金会”，促进跨文化对话
• 继续学术工作，将对儿子的爱转化为和平事业

影响Pearl的因果研究：

• Pearl曾说：理解”为什么”比理解”是什么”更重要
• 他对因果的执着，部分源于对”为什么会发生这种悲剧”的追问

荣誉与奖项

• 2008：Benjamin Franklin Medal（富兰克林奖）
• 2011：图灵奖
• 2012：Harvey Prize（以色列科技最高奖）
• 2022：IJCAI卓越研究奖（终身成就）

性格与风格

哲学家气质：

• Pearl不只关心技术，更关心哲学问题：“什么是因果？”
• 他的书充满哲学思辨

跨学科视野：

• 与统计学家、经济学家、社会学家、哲学家对话
• 常常挑战传统（如统计学界的”相关不等于因果”教条）

争议性：

• Pearl的因果理论遭到一些统计学家的抵制（如”潜在结果框架”的支持者）
• 但Pearl从不回避争论，写了大量回应文章

写作风格：

• 清晰、直接、充满热情
• 《The Book of Why》用第一人称，讲述思想历程

教学与指导：

• Pearl培养了大量博士生，很多成为因果推理领域的领军人物
• 他的课”充满启发，但也充满挑战”

传奇故事

贝叶斯网络的命名：

• 1980年代，Pearl开发出这一框架
• 起初叫”信念网络”（Belief Networks）
• 一些统计学家反对，认为”贝叶斯”是脏字（当时频率主义占主导）
• Pearl坚持改名为”贝叶斯网络”，部分是为了向贝叶斯致敬，部分是挑衅

与统计学界的”战争”：

• 1990年代，Pearl提出从观测数据推导因果
• 许多统计学家认为这不可能或不科学
• 一场学术争论持续了十多年
• 如今，因果推理已成为统计学主流

图灵奖演讲：

• 2012年，Pearl在图灵奖颁奖典礼上说：

  “我们需要教会机器提问’为什么’。只有理解因果，AI才能真正智能。”

💭 为什么他值得纪念？

1. 他让AI能处理不确定性

在Pearl之前：

• 专家系统用确定性规则
• 无法优雅地处理概率

在Pearl之后：

• 贝叶斯网络成为概率推理的标准框架
• 从天气预报到医疗诊断，概率AI无处不在

2. 他打破了”相关不等于因果”的僵局

困境：

• 科学追求因果解释
• 但统计学说”相关不等于因果”
• 那因果从哪来？只能做实验？

Pearl的答案：

• 用因果图表示假设（背景知识）
• 用do-演算从观测数据推导干预效应
• 给出了从观测到因果的桥梁

3. 他的工作跨越多个学科

影响领域：

• 计算机科学（AI）
• 统计学（因果推断）
• 流行病学（观察性研究）
• 经济学（工具变量、自然实验）
• 哲学（因果的本质）
• 法律（实际原因）
• 社会科学（政策评估）

罕见的影响力：

• 大多数图灵奖得主影响计算机科学
• Pearl影响了整个科学界对因果的理解

4. 他在90多岁仍在思考和写作

持续创新：

• 2018年，82岁时出版《The Book of Why》
• 2022年，86岁时仍发表论文
• 关注AI伦理、公平性等新问题

启示：

• 智力的衰退不是必然
• 对根本问题的好奇心可以终身保持

5. 他将个人悲剧转化为积极力量

儿子的去世：

• 可能击垮一个人
• Pearl选择继续工作，促进和平

精神力量：

• 面对人生最大的痛苦，仍能保持理性和创造力
• 对”为什么”的追问，不只是学术问题，也是个人问题

🔍 技术深度：do-演算的数学

三大规则

符号：

• P(Y | do(X), Z)：在干预X且观测到Z的情况下，Y的分布
• G_X：图G中删除所有指向X的边
• G_X：图G中删除所有从X出发的边

规则1：插入/删除观测

P(Y | do(X), Z, W) = P(Y | do(X), W)  如果 (Y ⊥ Z | X, W) 在 G_X 中

• 如果Z在干预后与Y独立（给定X和W），可以忽略Z

规则2：动作/观测交换

P(Y | do(X), do(Z), W) = P(Y | do(X), Z, W)  如果 (Y ⊥ Z | X, W) 在 G_XZ

• 如果Z的干预可以转化为观测

规则3：插入/删除动作

P(Y | do(X), do(Z), W) = P(Y | do(X), W)  如果 (Y ⊥ Z | X, W) 在 G_XZ(W)

• 如果Z的干预对Y无影响，可以删除

后门调整公式

定理： 如果变量集合Z满足后门准则（阻断所有X到Y的后门路径，且Z中没有X的后代），则：

P(Y | do(X=x)) = Σ_z P(Y | X=x, Z=z) P(Z=z)

例子：

基因(Z) → 吸烟(X)
基因(Z) → 肺癌(Y)
吸烟(X) → 肺癌(Y)

• Z（基因）是混杂因子
• 后门准则：调整Z
• P(肺癌 | do(吸烟)) = Σ_z P(肺癌 | 吸烟, 基因=z) P(基因=z)

🧪 实践意义：因果推理工具

软件工具

DoWhy（微软）

• Python库，实现Pearl的do-演算
• 自动识别因果效应的可识别性
• 估计因果效应，进行敏感性分析

CausalML（Uber）

• 机器学习驱动的因果推断
• 用于A/B测试和推荐系统

daggity

• 在线工具，绘制因果图
• 自动分析混杂因子和可识别性

应用场景

医疗决策

问题：新药是否有效？

传统方法：随机对照试验（RCT）

• 成本高，时间长，有时不道德

因果推断方法：

• 从电子病历等观测数据
• 绘制因果图（疾病、治疗、混杂因子）
• 用后门调整公式估计治疗效果

实例：

• FDA开始接受基于因果推断的”真实世界证据”（Real-World Evidence）

经济政策评估

问题：最低工资是否增加失业？

挑战：

• 提高最低工资的地区可能本身经济好/差（混杂）

因果方法：

• 工具变量：利用政治因素作为外生变异
• 或用Pearl的图形方法识别混杂

案例：

• Card和Krueger的经典研究（用因果方法发现最低工资对就业影响不大，挑战传统理论）

推荐系统的去偏

问题：

• 用户点击数据有”选择偏差”（只能看到推荐的内容）
• 模型学到的是相关性，不是用户真实偏好（因果）

因果方法：

• 将推荐看作”干预”
• 用反事实推理估计”如果推荐其他内容，用户会喜欢吗”
• 去偏后的模型更鲁棒

公司应用：

• Netflix、YouTube等使用因果推理优化推荐

📚 延伸阅读

Pearl的著作

• 《Causality: Models, Reasoning, and Inference》 (2000, 2009修订)

  • 因果推理的”圣经”，数学严格

• 《The Book of Why: The New Science of Cause and Effect》 (与Dana Mackenzie合著, 2018)

  • 面向大众的科普书，讲述因果革命的故事
  • 中文版《为什么：因果关系的新科学》

• 《Causal Inference in Statistics: A Primer》 (与Madelyn Glymour、Nicholas Jewell合著, 2016)

  • 教科书，适合初学者

相关书籍

• 《Probabilistic Reasoning in Intelligent Systems》 (Pearl, 1988)

  • 贝叶斯网络的经典著作

• 《Elements of Causal Inference》 (Peters, Janzing, Schölkopf, 2017)

  • 机器学习视角的因果推理

• 《Causal Inference: What If》 (Hernán, Robins, 2020)

  • 流行病学视角的因果推断，免费在线

在线资源

• Pearl的UCLA主页：论文、讲座视频
• Causal AI Lab：因果推理的最新研究
• Coursera: A Crash Course in Causality：因果推断入门课程

🌟 精神遗产

”AI需要理解’为什么’”

Pearl始终坚持：

“真正的智能需要因果理解，而非仅仅模式识别。”

对当前AI的启示：

• 深度学习强于模式识别（关联）
• 但弱于因果推理
• 下一代AI需要结合两者

”不要被相关性迷惑”

在大数据时代，人们容易被”虚假相关”误导：

• “睡在鞋里与头痛相关”（混杂因子：喝醉酒）
• “冰淇淋销量与溺水事故相关”（混杂因子：夏天）

Pearl的教诲：

• 相关性是线索，但不是答案
• 必须用因果图分析

”挑战权威，追求真理”

Pearl挑战了统计学一百年的教条：“不能从观测推因果”

勇气：

• 他在60岁左右（1990年代）开始这一”冒险”
• 面对权威的质疑，坚持己见
• 最终被证明是对的

启示：

• 不要因为”一直都这样”就接受现状
• 真理可能需要打破常规

”将个人经历转化为普遍意义”

Pearl的儿子被恐怖分子杀害，这是个人悲剧。但他将对”为什么”的追问，从个人扩展到科学：

• 为什么世界上有仇恨和暴力？
• 如何防止悲剧重演？
• 因果推理能否帮助我们理解社会问题？

人文关怀：

• 技术不只是技术，还承载着人类的希望
• 科学可以是疗愈的工具

---

总结语：Judea Pearl用数学语言重新定义了”因果”。在他之前，“相关不等于因果”是统计学的口头禅，但如何从相关推导因果，没人知道。Pearl用贝叶斯网络给了AI处理不确定性的工具，用do-演算和因果图给了科学家从数据推导因果的钥匙。他的工作不只是计算机科学的突破，更是人类理解世界方式的革命。

从医疗诊断到经济政策，从推荐系统到自动驾驶，因果推理正在改变每一个领域。Pearl在近90岁高龄仍在思考和写作，探索因果在AI伦理、公平性中的应用。他的一生证明：真正的智慧不在于记住多少事实，而在于理解事物”为什么”如此。在AI突飞猛进但常常”知其然不知其所以然”的今天，Pearl的声音提醒我们：不要满足于预测，要追求理解；不要被相关性迷惑，要探寻因果的真相。

---

最后更新: 2024年12月 本文为图灵奖系列文章,旨在以通俗方式介绍计算机科学先驱的贡献