• 精选
  • 会员
因果关系+休谟因果论问题的全新诠释——从相关关系到因果关系-因果关系认知的思维陷阱-详述因果关系与相关关系的异同-因果必然性的颠覆者:休谟|为什么说客观事件本身不存在因果联系-因果之箭指向何方?| 图灵奖得主珀尔的《为什么》-因果推断方法分类汇总:怎样从复杂系统中找到因果关系-为什么:关于因果关系的新科学+为什么:前言-导言:思维胜于数据-推荐序: 了解因果关系科学,从珀尔的《为什么》开始+第一章 因果关系之梯-因果关系的三个层级-因果关系的三个层级(2)-迷你图灵测试-迷你图灵测试(2)-迷你图灵测试(3)-论概率与因果关系+第二章 从海盗到豚鼠:因果推断的起源-从海盗到豚鼠:因果推断的起源(2)-高尔顿和被丢弃的探索-皮尔逊:狂热者的愤怒-皮尔逊:狂热者的愤怒(2)-休厄尔·赖特、豚鼠和路径图-但它仍在动!-但它仍在动!(2)-从客观性到主观性——贝叶斯连接+第三章 从证据到因:当贝叶斯牧师遇见福尔摩斯先生-电脑侦探波拿巴-贝叶斯牧师与逆概率问题-贝叶斯牧师与逆概率问题(2)-贝叶斯牧师与逆概率问题(3)-从贝叶斯法则到贝叶斯网络-贝叶斯网络:应如何看待数据-我的行李箱在哪里从亚琛到桑给巴尔-真实世界中的贝叶斯网络-从贝叶斯网络到因果图+第四章 混杂和去混杂:或者,消灭潜伏变量-混杂和去混杂:或者,消灭潜伏变量(2)-对混杂的长期恐惧-对自然的巧妙询问:随机对照试验为何有效-对自然的巧妙询问:随机对照试验为何有效(2)-混杂的新范式-混杂的新范式(2)-do算子和后门标准-do算子和后门标准(2)+第五章 烟雾缭绕的争论:消除迷雾,澄清事实-烟草:一种人为的流行病-烟草:一种人为的流行病(2)-美国卫生局局长委员会和希尔标准-吸烟对新生儿的影响-激烈的辩论:科学与文化+第六章 大量的悖论-令人费解的蒙提·霍尔悖论-令人费解的蒙提·霍尔悖论(2)-更多的对撞偏倚:伯克森悖论-辛普森悖论-辛普森悖论(2)-辛普森悖论(3)-图示中的辛普森悖论+第七章 超越统计调整:征服干预之峰-最简单的路线:后门调整公式-前门标准-前门标准(2)-do演算,或者心胜于物-do演算,或者心胜于物(2)-do演算,或者心胜于物(3)-do乐队中隐藏的演奏者-案例:斯诺医生的离奇病例-案例:斯诺医生的离奇病例(2)-好胆固醇和坏胆固醇-好胆固醇和坏胆固醇(2)+第八章 反事实:探索关于假如的世界-从修昔底德和亚伯拉罕到休谟和刘易斯-从修昔底德和亚伯拉罕到休谟和刘易斯(2)-潜在结果、结构方程和反事实的算法化-潜在结果、结构方程和反事实的算法化(2)-潜在结果、结构方程和反事实的算法化(3)-看到你的假设的好处-看到你的假设的好处(2)-反事实与法律-必要因、充分因和气候变化-反事实的世界+第九章 中介:寻找隐藏的作用机制-坏血病:错误的中介物-先天因素与后天培养:巴巴拉·伯克斯的悲剧-寻找一种语言(伯克利大学招生悖论)-寻找一种语言(伯克利大学招生悖论)(2)-黛西、小猫和间接效应-线性“仙境”中的中介-线性“仙境”中的中介(2)-拥抱“假如”世界-拥抱“假如”世界(2)-中介个案研究——“全民学代数”:一套方案和它的副作用-中介个案研究——吸烟基因:中介与干预-中介个案研究——止血带:隐藏的谬误-第十章 大数据,人工智能和大问题+因果模型与“大数据”-因果模型与“大数据”(2)-强人工智能和自由意志-强人工智能和自由意志(2)-强人工智能和自由意志(3)-强人工智能和自由意志(4)-为什么:致谢

强人工智能和自由意志(2)

2020年7月10日 字数:1930 来源:为什么:关于因果关系的新科学 作者:[美]朱迪亚·珀尔;[美]达纳·麦肯齐 提供人:kangtao76......

暂且不谈我的个人品位,先讨论一下另一个关于人类大脑的类比。我们可以原谅自身对大脑工作机制的肤浅理解,但我们仍然可以与其他人交流,向其他人学习或指导其他人,以及以我们自己的因果语言来激励其他人。之所以我们可以这样做,是因为人类的大脑是以一种相同的方式工作的。而如果机器人都像AlphaGo一样不透明,我们就无法与它们进行有意义的对话,这就太遗憾了。

如果在我睡觉的时候,我的家庭机器人打开了吸尘器(见图10.3),我会告诉它:“你不该吵醒我。”我想让它明白,在此时打开吸尘器是错的,但我又不希望它将我的抱怨理解为永远不要在楼上使用吸尘器。我们对真正的智能机器人的期望是,它们应该明白你我都能完全理解的事:吸尘器会制造噪音,噪音会吵醒睡觉的人,而这会让被吵醒的人不高兴。换句话说,我认为智能机器人必须理解这种因果关系——事实上是反事实关系,例如那些被编码为“你不该……”的短语。

图10.3 一个聪明的机器人会考虑它的行为的因果影响(资料来源:马雅·哈雷尔绘图)

是的,这句简短的指令具有非常丰富的内涵。这个指令同样适用于它在楼下或家里其他地方吸尘的情况,但对于我醒着或不在家,或吸尘器装有消音装置等情况,该指令就不适用。我认为我们没必要告诉机器人所有这些内容,它应该能够自行理解这些。而一个深度学习程序真的能理解这一指令的丰富内涵吗?我对此表示怀疑。这就是我对给出了出色表现的模糊系统感到不满意的原因——透明性才能确保有效的沟通。

不过,我确实对深度学习的一个方面感兴趣,即其系统的理论局限性,其中最主要的局限体现在其无法超越因果关系之梯的第一层级。这一局限并不妨碍AlphaGo在狭隘的围棋世界中给出出色的表现,因为棋盘形式与游戏规则已经构成了关于围棋世界的一个充分的因果模型。然而,这一局限性阻碍了学习系统在由诸多因果力控制的环境中给出一个出色的表现,使其只能接触到这些力量的浅表影响。此类环境的典型实例有很多,包括医学、经济、教育、气候学和社会事务等。如同柏拉图那个关于洞穴中的囚徒的著名隐喻,深度学习系统探索的是洞穴壁上的那些阴影,学习的是准确预测阴影的活动。深度学习系统不能理解它观察到的阴影仅仅是三维物体的空间运动在二维平面上的投影,而强人工智能必须具备这种理解力。

深度学习的研究者和使用者并非没有意识到这些基本的理论局限。例如,使用机器学习的经济学家注意到,这一方法不能帮助他们回答他们真正感兴趣的关键问题,例如估计尚未实施的策略和行动的影响。典型的例子包括预测推行新的价格结构、补贴政策或调整最低工资的影响。从技术的角度看,今天的机器学习的确是一种有效方法,它让我们得以通过有限的样本估计总体的概率分布,但我们仍然需要在此基础上根据分布推测因果关系。

当我们开始谈论强人工智能时,因果模型就从奢侈品变成了必需品。对我来说,强人工智能应该是能反思其行为,并能从过去的错误中吸取教训的机器。它应该能够理解“我本应该采取不同的行为”这句话,无论这句话是由人类告诉它的还是由它自己分析得出的。这个说法的反事实解释是:“我做了X=x,得到的结果是Y=y。然而,假如我之前采取了不同的行动,比如说X=x',那么结果本应该会更好,也许是Y=y'。”正如我们看到的那样,当我们有足够的数据和一个充分且具体的因果模型时,对这些概率的估计就实现了完全的自动化。

事实上,我认为机器学习的一个非常重要的目标就是得到更简单的概率P(YX = x ' )=y'|X=x),其中机器观察到事件X=x,而结果是Y,在此前提下,机器需要学会求解在另一个事件X=x'发生的情况下的结果。如果机器能计算出这个概率的数值,它就可以将它自己的某个计划执行(但还未执行)的行动视为一个观察到的事件(X=x),同时提出问题:“如果我改变主意,取而代之做出X=x'的行动会怎样?”这个表达式在数学上等同于被处理对象的处理效应(在第八章提到过),我们能找到很多的例子来表明应该如何估计它。

意图是个人决策的重要组成部分。倘若一个已经戒烟的人突然想点上一支烟,他应该非常认真地考虑这一意图背后的原因,并自问相反的行动是否会产生更好的结果。理解自己的意图,并用它作为因果推理的证据,具备这一能力就说明行为主体的智能已经达到了自我觉察的水平(但尚未达到自我意识的水平,如果这种分级是正确的话)。据我所知,目前还没有任何一个智能机器能达到这个水平。我希望有一天我能带领智能机器进入这个迷人的领域,让它自己说“不”。

任何关于意图的讨论都将涉及强人工智能的另一个重要问题:自由意志。如果我们要求机器首先产生做X=x的意图,然后在觉察到自己的这个意图之后,反而选择去做X=x',我们就相当于是在要求机器拥有自由意志。但是,如果机器人只会遵循存储在程序中的指令,那么它如何才能有自由意志呢?

伯克利大学的哲学家约翰·塞尔将自由意志问题称为“哲学上的丑闻”,一是因为自古以来对这个问题的论述毫无进展,二是因为即便如此我们仍然不能把它当作一种视觉幻象避而不谈。我们关于“自我”的整个概念都是以我们有选择为前提的。例如,我有一个选择(比如,是否触摸我的鼻子),我做出这个选择之后所体验到的生动清晰的感觉与我们建立在因果决定论之上的现实理解似乎存在无法调和的矛盾,其中后者具体指的是:我的所有行动都是由大脑释放的神经信号引发的。

大数据 / 人工智能

如涉及版权,请著作权人与本网站联系,删除或支付费用事宜。

0000