图灵奖得主Judea Pearl，早在40多年前便通过贝叶斯网的设计，使机器实现概率推理而在人工智能领域声名大噪，并被誉为“贝叶斯网络之父”，但近年却公开声称自己其实是人工智能社区的一名“叛徒”：离开了主流追逐、并且也是由他奠定重要理论基础和方法论的概率推理，而去追求一项更具挑战性的任务——因果推理。
Judea Pearl认为当今深度学习所有令人印象深刻的成就，都只不过是为了适应“曲线拟合（Curve fitting）”而今，这也导致深度学习的研究员们困在了“关联级别”的问题窘境里。Judea Pearl期望能掀起一场“因果革命”，采用因果推理模型，从因果而非单纯的数据关联角度去研究人工智能。
携多年磨一剑的“因果推理”理论，Judea Pearl将出席第二届北京智源大会（官网：https://2020.baai.ac.cn）并做Keynote演讲，为我们徐徐呈现他眼中多彩而神奇的人工智能“画卷”。为了更好地消化他的演讲观点，我们不妨通过本文来预热了解一下Judea Pearl关于因果推断的主要思想。
Judea Pearl在2018年出版了一本新著《为什么：关于因果关系的新科学》系统总结了自己近25年关于“因果推断”探索的思想结晶、研究成果。下面我们对该书中文版的部分文字和图片进行引用和整理，以帮助大家快速了解他的基本思想。
因果关系的三个层级Judea Pearl的这部著作，核心围绕“因果关系之梯”的三个层级来描述，他说：“我在机器学习方面的研究经历告诉我，因果关系的学习者必须熟练掌握至少三种不同层级的认知能力：观察能力（Seeing）、行动能力（Doing）和想象能力（Imagining）。”
第一层级（关联）：观察能力，指发现环境中规律的能力。第二层级（干预）：行动能力，指预测对环境刻意改变后的结果，并根据预测结果选择行为方案。第三层级（反事实）：想象能力，指想象并不存在的世界，并推测观察到的现象原因为何。
第一层级“关联”和第二层级“干预”主要针对当前的弱人工智能，包括对现有贝叶斯网络在深度学习领域的拓展、前门标准实践、do演算等核心算法；而第三层级“反事实”，Judea Pearl认为反事实能力基于基于人的想象力和假设，是人类独有的思考能力，也是令人工智能达到人类智能的关键命门。
现在基于统计的机器学习方法，其理论缺陷便在于此：由于缺乏反事实这一层级的信息，使得无论总结经验还是预测未来，都缺乏理据。Judea Pearl说：“如果在我睡觉的时候，我的家庭机器人打开了吸尘器，我会告诉它：‘你不该吵醒我。’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。”
所以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。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'。”
针对当前的新冠疫情，Judea Pearl于2020年4月2日在其博客上发布了一项相关研究，目标是“如何将有限的医疗资源提供给最需要的病人”。通过这个研究案例，我们也可以一窥“反事实”的推理过程：一组分别针对男性和女性的随机对照试验结果表明，男性在接受治疗的情况下，有57%的几率康复，而在不接受治疗的情况下，只有37%的几率康复。
另一方面，女性在接受治疗的情况下，康复率为55%，在不接受治疗的情况下，康复率为45%。我们可能会得出这样的结论：男性的治疗效果比女性更佳。但事实并没有这么简单。
当然，反事实算法仅是Judea Pearl多年来因果理论研究的一部分，关于他整个因果推理体系的数理框架，体现在他设计的结构化因果模型（Structural Casual Models，SCM）之中，这是Pearl为了突破现有机器学习对于因果推断的理论限制、推动一场全新的“因果革命”而打造的核心引擎。
Judea Pearl在2020年5月31日更新于博客的一篇近期访谈中，认为SCM灵活地整合了当今统计模型的主要优点和方法，特别是结合了图模型和潜在的输出逻辑，其中图用来编码“我们所知道的”，逻辑用来编码“我们想要知道的”，然后用数学工具将这两类数据进行结合。
Judea Pearl笃信“绝对能开发出具有自由意志的机器人”，其路径便是“因果推理代替关联推理”，他并不担心可能存在的“机器人作恶”问题：“我们能够制造出有能力辨别善恶的机器，它至少应该和人类一样可靠，而且有望比人类更可靠。我们对道德机器的首要要求是它能够反省自己的行为，其涉及反事实分析。一旦我们编写完使机器实现自我觉察的程序，我们就能赋予机器以同理心和公平感，因为这些程序建基于相同的计算原则。
”