《The Book of Why》经典读后感有感

　　《The Book of Why》是一本由Judea Pearl / Dana Mackenzie著作，Allen Lane出版的Hardcover图书，本书定价：GBP 25.00，页数：400，特精心从网络上整理的一些读者的读后感，希望对大家能有帮助。

　　《The Book of Why》精选点评：

　　●感觉写得不好. 如果要了解causal inference还是看标准的教材吧

　　●好抽象，看不下去了。。。好多历史

　　●在过去不到三十年的时间里，人们对因果关系这个问题的理解取得了突破式的进步，可以说是发生了一场“因果革命”。珀尔这本书，就是向“聪明的外行”介绍这个新学说。

　　●好书，很感兴趣的topic，比之前翻得两本Pearl的书还是好懂多了。因果关系这种我们平时最习以为常的东西却远远了解得不够，想起之前一个同学做得就是qft里面的因果律，这个话题远远不只是哲学上的，许多日常的案例都会用到这些。

　　●Causality是数学脑科学智能科学都逃不过的终极问题，能写得简洁就够好了，能写得清楚那就是奇妙了

　　●计算机领域的书一般来说都是挺务实的，但近年来的AI热带出一些挺虚浮的书，让我感觉很不好。

　　●本人知识浅薄，逼着自己读了一半，实在读不下去了…

　　●阐述了“如何构建 Graphical Model 中的 Graph”很重要，但是并没有回答“如何自动构建 Graph”。

　　●读完这本书，想清楚了很多之前总觉得模模糊糊的问题，第一次感觉到可以把以前东一榔头西一棒槌学的东西都联系起来。对我来说非常有启发的一本书。需要再读两遍。

　　●Brilliant! It is a popular causal inference book for novices, involving the source of causal revolution and the development process of causal diagram. A succict, intriguing and provocative book，it should be must read for who concerns the contemporary developments in computer science, statistics or Artificial Intelligence.

　　《The Book of Why》读后感(一)：期待下do算子的具体应用吧

　　看朋友圈有同学推荐，说这本书让他中了CVPR的oral，不禁让我想也照猫画虎弄篇文章出来。趁今天下午有空，花了大概两个小时粗读了下这本书。核心思想在introduction就讲差不多了，后面很多内容都是在讲故事，所以很快就都略过了。整本书所有的内容都是围绕这do算子来展开，同时也对人工智能研究今后整体发展的脉络，给出了一个很高屋建瓴的框架。是一本不错的科普读物。

　　特别喜欢中文版的一个翻译：人工智能领域的研究者可划分为“讲究派”（“neats”，系统要透明有理论保证）和“将就派”（“scruffies”，管用就行）。作为一个“将就派”里的蝼蚁，看完并没收到什么启发（和CVPR oral大佬的差距）。预计do算子的主战场还是会在cognition而非recognition。在新兴的visual reasoning，结合现有的recognition成果，或许还是能把之前这些do算子整出新花样。

　　《The Book of Why》读后感(二)：因果推断?

　　eal勾勒了我们关于因果推断的三个层次的理解：

　　1. 关联：通过观察进行。看到x怎么影响我对y的理解？出门看到乌鸦，今天的干的差事会顺利吗？

　　2. 干预：通过行动进行。我做了x之后，y会怎么样？忘记吃药，抑郁症是否爆发？

　　3. 反事实：通过想象进行。如果我做了x, y会怎么样？如果我今天吃了要，还会抑郁症发作吗？

　　tba

　　《The Book of Why》读后感(三)：因果关系的新科学

　　这本书着实烧脑，是讲因果关系的新科学，我实在不能用简明的语言来描述，要举的案例也有点冗长，我只能告诉你几个大的框架： 1 三级因果思维，原来我们的思想还能分出个三个层次，分别是观察，干预和想象，现在的人工智能还只达到第一级，大数据阶段[发呆] 2 回归均值，你知道姚明的女儿以后会长多高吗，在这你可以得到答案，很有趣[得意] 3 因果模型，这个世界本应该是客观的存在，但我们只能主观去认识，脑洞大开[惊讶] 4 贝叶斯方法，你有没有发现，自己很没谱，说好的坚定不移变成了听风就是雨，你的观点随着事实在改变，哈哈/::> 5 判断力六层级，我们生活用的是1-3层级，科研用的是4-5，现在冒出了个6，有意思[调皮] 6 判断逻辑，作者正在做的事情就是把常识逻辑化，逻辑机械化，这样就可以教给AI了，说的好像是门机器语言哈[白眼] 7 为什么，能问为什么的人，时常是摸着石头过河，他们不但熟悉这个世界，他们还试图理解这个世界，你能说你懂这个世界，反正我不懂[晕] 8 自由意志，人有自由意志吗，这么浅显的问题科学家都还没搞明白[流汗]作者的学生现在正试图，把因果关系逻辑化后教给AI，这样AI就可以拥有自由意志了，听起来就恐怖/::!

　　《The Book of Why》读后感(四)：随便留个记号

这本书在某个程度上解答了我对迄今AI进展究竟如何的疑问。之前对相关性和因果关系之间的异同只知道一点点概念，读过这本书以后也（只能说是）增加了印象。

发现自己在工作中曾经好几次简单粗暴地用data missing的线性假设法推论数据，在不知道理论的情况下。此外，发现自己还曾在不知道理论的情况下，认为淘宝等购物网站等“猜你喜欢”的算法其实与“买了本商品的人还在看这些商品”的算法并无太大差别，背后并没有心理学或其它规则，有的仅是从大量抓取的数据中建立的相关性模型。

原来alphaGo是卷积神经网络结构。并且媒体报道“专家原以为战胜人类还需要20年，但现实中战胜人类只用了5年”云云，并不是说专家加快了研发速度，更有效率地解决了难题，而是：专家也不知道AlphaGo是怎样战胜人类的所以无法准确地预测其发生时间。

书中关于自由意志的简短讨论让我觉得非常有趣：

But that opens up new questions: Granted that free will is (or may be) an illusion, why is it so important to us as humans to have this illusion？ Why did evolution labor to endow us with this conception？ Gimmick or no gimmick, should we program the next generation of computers tohave this illusion？ What for？ What computational benefits does it entail？

假如自由意志无用，那以进化论的观点，这玩意儿应该不重要啊？为什么人类那么看重这件事呢？自由意志是否有算法上的益处，所以应当给予计算机自由意志的幻觉？

　　《The Book of Why》读后感(五)：珀尔：“数据非常愚蠢”，领会因果关系才是理解世界的关键

　　2016年，在大数据的帮助下，人工智能（AI）围棋软件AlphaGo在系列赛中以4:1战胜了世界围棋顶尖高手李世石，震惊了全人类。

　　当时网络上有人戏谑道：“人工智能赢了不可怕，至少说明它还不懂得韬光隐晦，如果它假装输给人类，那才更加可怕。”这句看似戏言的话，却暗藏了人工智能当前最大的发展瓶颈：只会学习和处理数据，却不懂得像人类一样去思考和模拟存在于数据之外的其他可能性。

　　正因如此，人工智能领域先驱、2011年图灵奖得主朱迪亚·珀尔在本书中直言不讳地写道：“数据非常愚蠢”。 珀尔认为，当前的人工智能学习系统几乎完全以统计模式运行，这在理论上严重限制了AI的发展。

　　作为本书的核心内容之一，作者把认知能力分为三个等级，而统计行为仅处于最底层的“观察”级别。所谓“观察”即是根据数据（经验）积累来寻找不同变量之间的相关性，同时观察者无需对变量施加任何影响。例如，AI只需分析销售数据即可得出超市中饼干与巧克力之间的销量存在一定相关性，这就是最基础的认知能力。

　　但如果将饼干的售价提高一倍（假设之前从未发生过），巧克力的销量会发生什么变化呢？基于大数据分析的AI并不能准确地回答这个问题，因为从过往的销售数据中无法得出客户见到饼干涨价后的行为。这时候想要了解涨价后的销售情况，AI就必须主动对变量进行“干预”，进行分组测试，根据测试结果来预判饼干涨价对巧克力销量的影响。“干预”能力是AI摆脱被动接受数据，转而主动创造数据的关键一步。

　　最高级别的认知能力则是“想象”，即设想一个与现实不同的情景，比如假如昨天把巧克力的售价降低一半，饼干的销量会发生什么变化，然后预测它的结果。“想象”能力是如此的重要，在人类简史作家尤瓦尔·赫拉利眼里，数万年前正是这种想象不存在事物的能力，引发了人类的认知革命，从而创造了今天的人类文明。

　　在珀尔眼里，人类的认知能力之所以能超越“观察”，达到“干预”和“想象”的级别，是因为我们天生拥有一颗善于发现并理解“因果关系”的大脑，这也是我们目前仍领先AI的地方。不过严格来说，如同对“时间”或“意识”的理解一样，在哲学、科学界对于什么是“因果关系”至今仍未有一致的定论。

　　幸运的是，作为一名计算机科学家，珀尔并不需要挑战“因果关系是什么？”这一世纪难题，他只需用计算机能理解的语言描述在哪种情况下，不同变量之间可以被认为存在“因果关系”而不仅仅是相关性即大功告成。简而言之，作者的雄心在于破解因果关系背后的数学逻辑，然后建立一个可算法化的因果推理模型，并让计算机学会这个模型，由此即能创造出懂得如何思考和推理的“人工智能科学家”。这个AI科学家将如同超级加强版的爱因斯坦一样，了解如何设计新的实验，发现未知现象，找到悬而未决的科学困境解释，并不断地从学习中提炼出更多崭新的知识。

　　书中提到的“结构因果模型（SCM）”正是珀尔想要与我们分享的最新研究成果，该模型由概率图模型、结构方程模型（SEM）和反事实算法组成。概率图模型是SCM主要的数学基础，由作者于1985年提出的贝叶斯网络构成。贝叶斯网络又被称为信念网络，用以计算多个变量间的联动概率，有助于理解数据之间的内在联系。比如，当你想分析气温和饼干、巧克力销量三者有何关联时，贝叶斯网络就能派上用场。

　　想要进一步确认因果关系，仅靠贝叶斯网络是不够的，需要用反事实算法进行干预，控制其中一个或多个变量，再去观察结果，这也是科学研究的开端。除了直接干预之外，反事实算法还可以预测干预及模拟未干预时的结果，而结构方程模型则以清晰的语义将概率图模型与反事实算法相关联。

　　在现实世界里，一个变量周边可能存在着无数混淆因素，想要抵消这类因素的影响必须做随机对照试验（RCT）。作者为此设立了判断规则，规定哪些变量应该被控制，哪些可以被无视。

　　珀尔的研究成果在于，只要你将两个变量置入他的结构因果模型，并列出模型要求的所有相关因素，而又根据规则排除了其他混淆因素，此时如果两个变量之间依然存在协同变化，那你就有充分的权利得出结论，两者之间存在因果关系。

　　作者此书的目的是描述如何构建“强”人工智能，一个可以理解因果关系、懂得思考并能和我们直接无障碍交流的，甚至可以说是拥有自由意志的智能机器人。珀尔认为，这是一个可实现的目标，而且并不需要担心“强”人工智能会损害人类利益，“因为因果推理模型将使AI能够反思它们自身的错误，找出软件的弱点，充当道德实体，帮助我们作出决策”，通过在AI上模拟人类的思维方式，可以让我们更加了解自己。

　　对于一艘没有目标的船而言，所有风向都是逆风，在这本书里，珀尔凝聚了毕生的研究成果，用相对通俗的语言，在层层迷雾中为人工智能的未来发展指明了方向。

　　任何对人工智能发展、大数据分析、深度学习等话题感兴趣的阅读爱好者，都不应该错过这本人工智能大师珀尔的集大成之佳作。

　　（注：本书评首发于《2018第一财经·摩根大通年度金融书籍》，本人为原作者）