能自动避开障碍物的无人驾驶的汽车，在无聊时供我们“调戏”的智能手机语音助手，能比亲朋好友还懂我们所爱的推荐算法…不知道你是否已经注意到，人工智能技术早已渗透进我们的生活的方方面面，我们现在身处的时代，正以前所未有的速度接近下一次技术革命，而开启下一次技术革命大门的钥匙就藏身于人工智能的广阔蓝海中。
机器学习，也得先打好基础。面对自动开启关闭的家用电器、和智能音箱对谈的时候，也许你会对于它们的贴心智能大呼不可思议，机器是如何读懂我们想法的呢？事实上，我们目前的人工智能基本都是基于机器学习技术实现的。
机器学习，顾名思义，就是让机器具有学习的能力，而学习能力正是普通机器与人工智能的分水岭。让我们回到1765年詹姆斯·瓦特改良蒸汽机的时代，无论春夏秋冬，这台开启了人类第一次工业革命的机器只会日以继夜地重复着一个动作，任何人看到这台机器的时候都不会把它与“智能”二字联系起来。随着科技的进步，人们设计了许多更为复杂的机器，但它们仍然不具备基本的智能。
这种情况一直持续到20世纪50年代，计算机理论发展迅速，机器学习终于登上了历史的舞台。机器学习的基本思想其实并不复杂，我们通过对算法输入大量数据进行训练，让算法生成模型来实现对其潜在规律的揭示和对未来情况的预测。
这个过程和我们的学习过程是一样的，一开始，我们的机器就像一张白纸，一无所知，正如同第一天之前我们也不知道洒水车会来，但这不重要，当我们试图给具有机器学习能力的机器输入数据的时候，一切都变得与众不同了，假设上面故事的主角是一个十分懒惰的人，他不愿意自己去动脑筋思考洒水车什么时候来，于是他希望让机器学习帮助自己预测洒水车的行为，他把每一天洒水车的行为数据输入到算法中，这个过程我们称之为“训练”，通过大量的数据训练，我们的机器学习算法对于洒水车行为的预测将会越来越准。
有了数据之后，我们还需要选择合适的“学习方法”才能让AI学得更快更好。你可能已经或多或少听到过一些与机器学习有关的名词，但却一头雾水，比如监督学习，强化学习等等，实际上这些都是描述机器学习过程中不同的训练方法，往往适用于不同的情况。
机器学习：并非无懈可击。看到这里，也许你想问：“那么，机器学习是否意味着我们离人工智能时代已经近在咫尺了呢？”很可惜，我们距离真正的强人工智能还有很大的差距，这是因为当前的基于数据的人工智能算法在很多时候是具有很大局限性的。
实现因果逻辑，机器还需努力。贝叶斯网络的创始人，图灵奖得主朱迪亚·珀尔认为，让人工智能实现本质飞跃的关键就藏在每一个人的大脑中，上天赐予我们人类的最为强大的武器——因果逻辑。
珀尔把因果思维分成三个等级：第一个等级是关联，与之对应的是观察的能力，这是我们目前的基于数据的弱人工智能所处于的级别；第二个等级是干预，对应控制变量实施行动的能力，即能够借助干预来获得认知；第三个等级是反事实，对应想象的能力。
幸运的是，我们所有人都处在第三层级，想象给予了我们通过想象构建反事实——即虚构的世界的能力来建构认知，例如著名的电梯思想实验引导爱因斯坦在一个世纪前将狭义相对论推广到具有加速度的非惯性系中。
珀尔认为，从机器学习上升到因果学习的一个重要渠道是引入“干预”(do)算子，P(A|B)与P(A|do B)完全不同的。其缘由在于，“干预”与“观测”本质上有根本的不同，例如：观测到公鸡打鸣和强制让公鸡打鸣是完全不同的两件事，我们目前的算法可以很容易回答公鸡打鸣和太阳升起这两件事之间的相关性，可是它却很难正确回答强制让公鸡打鸣时是否也会太阳升起。