學貫中西(11):從因果律看人機協(xié)同創(chuàng)新

1   前言：AI與因果性

近幾年來，全球AI 精英都很關(guān)心AI 的一個議題：當今AI 仰賴于大數(shù)據(jù)的相關(guān)性(Correlation)。然而，相關(guān)性并不一定表示其具有因果關(guān)系(Correlation does not imply causation)。由于當今AI 對于因果關(guān)系的探索能力，還是非常有限的，仍然非常依賴人類( 具有溯因性推理習慣者) 來補足。人類具有溯因性推理習慣者，就是通稱的創(chuàng)新者（如諸葛亮等），其擅長于溯因推理(Abductive reasoning)——從果追溯其真實的因。

如果AI 能夠掌握更高階的因果關(guān)系，就可望降低其不確定性的行為、大幅提升可解釋性、可信賴度，以及創(chuàng)造性思維能力。這就是目前AI 專家們努力的方向，也就是AI 將邁向革命性的大未來。所以，有人稱之為：因果革命。

圖1

2   因果革命

新一代的AI 科學家們，正努力強化現(xiàn)在的AI，就是讓AI 除了大數(shù)據(jù)相關(guān)性之外，能提升探索和掌握因果性的能力。于此建議您可以參閱這本2019 年的暢銷書( 圖1)。在這本書里，將因果關(guān)系分為三個階層：觀察、行動和想象( 圖2)。那么，AI 的大未來就是讓AI 能充分掌握深層的因果性。也就是這本書里，所說的：高階因果關(guān)系。

從圖2 中可以看到了，當今AI 所掌握的相關(guān)性，仍屬于低階( 第1 階) 的因果關(guān)系，與人類相比仍有極大的距離。AI 的大未來，將是逐漸提升到第2 階、第3階。屆時，AI 具備了想象、假設和反思的能力。

圖2

3   認識溯因推理

從認知學(Cognitive science) 的角度來說，人們與生俱來都有三種邏輯推理。第一種是歸納推理(Inductive reasoning)，第二種是演繹推理(Deductive reasoning)。歸納推理，就例如我們觀察到很多人做電子業(yè)都賺大錢，所以我就得出一個結(jié)論：年輕人應該大多數(shù)都在做電子業(yè)( 但不一定正確)，這叫做歸納推理。第二種是演繹推理，就像數(shù)學是最典型了，例如兩條直線在同一平面上，又沒有交叉，則它們必然是并行線。這叫做演繹推理。

第三種推理是溯因推理(Abductive reasoning)，像醫(yī)生就是最典型的。當您去看醫(yī)生的時候，醫(yī)生看到您滿頭大汗，而且有一點發(fā)燒、流鼻涕，他就看到這個“果”，然后倒過來追溯其“因”，他猜您可能是傷風感冒了，所以他就給你藥吃。下次再遇到你的時候，他馬上會問你：身體有沒有好些了呢？這叫做溯因推理。

溯因推理是傳統(tǒng)IT 和當今AI 都幾乎不具備的能力。人類數(shù)千年來，自己都不知道人天生就有這項思考能力。一直到了約100 年前，美國哲學家皮爾士(Charles Peirce) 才提出來的。

上述的三種推理之中，歸納和演繹推理都是從因推到果，俗稱因果性推理。而溯因推理則是從果推到因，俗稱果因性推理。當今的AI 非常擅長的是基于相關(guān)性的歸納推理，從( 原) 因推到( 結(jié)) 果，這種規(guī)律性，它能在一瞬間就掌握。有一些專家估計，這種能力AI已經(jīng)達到很高智商(IQ300) 了，而人類天才是IQ180。反之，從果推到因，AI 就不太內(nèi)行了。

圖3

4   從因果性說明“人機協(xié)作”模式

掌握事物本質(zhì)的因果關(guān)系，一直是人類科學研究的目標。然后從復雜的因果關(guān)聯(lián)中，歸納、抽象出簡單不變的規(guī)律性。人人與生俱來，都會觀察事物的因果關(guān)系，并進行歸納和預測。例如，常常有人說：好人有好報，多行善多積福。這就是人們從經(jīng)驗中找出的因果關(guān)系和規(guī)律性( 圖3)。

由于引發(fā)一項( 結(jié)) 果的可能( 原) 因，也許會很多，且深藏不露，人們常常不易確知。于是，從觀察天文地理、人情世故、人性心理等出發(fā)，找出相關(guān)性，進而歸納出規(guī)律性，是一條較為容易之路。例如，孔夫子的“三人行，必有我?guī)熝伞?，韓愈的”師者，傳道授業(yè)解惑也”等等。隨著互聯(lián)網(wǎng)和大數(shù)據(jù)的日益豐富，加上NN-based 的當今AI 歸納性推理，更加擴大這條人類5000 年來的傳統(tǒng)之路。

圖4

當今的AI 做出了貢獻：基于大數(shù)據(jù)分析找出相關(guān)性，作為歸納法的基礎，過濾大量數(shù)據(jù)和復雜關(guān)系，迅速歸納出規(guī)律性，強化對事物的預測能力。所以AI 強化了歸納推理，也強化了因果性推理。然而，AI 所掌握的相關(guān)性，只是低階( 又稱淺層) 的因果關(guān)系，仍然欠缺深層因果性的支撐，而導致其規(guī)律性，并非能歸根究柢的規(guī)律性。對于未來結(jié)果的改變，仍然只是治標而不是治本，未能產(chǎn)生根本性、原創(chuàng)性、革命性的效果。

例如，一個人很沮喪而吃不下飯。AI 只會建議去更高雅、菜色更香的餐廳吃飯，而不是安慰她/ 他失戀的起因。AI 只從大數(shù)據(jù)得知她/ 他的心情與飯菜有關(guān)，甚至有時還誤以為是飯菜導致心情沮喪呢!

所以在圖1 這本書里，作者建議，AI 的未來發(fā)展要逐步讓AI 能夠掌握更多的真正因果關(guān)系。于是AI 就更接近人類了。如何讓AI 具有能力從大數(shù)據(jù)中觀察到的果，或低階的相關(guān)性中，近一步探索其背后深層的真正原因，是AI 大未來之路。簡而言之，就是讓AI 具備“溯因性推理”的能力。

然而，AI 要邁向第3 階，就必須具備想象、假設和反思的能力，才能從果追溯到真正的因。預估AI 還大約還需要數(shù)十年的成長時光，才能達到這個境界。所以，眼前的下一步是：人機協(xié)同合作?；诋斀竦腘N算法，已經(jīng)大大賦予AI 的歸納性推理能力?；诖髷?shù)據(jù)，已經(jīng)讓AI 從復雜的全體事物中，迅速歸納出的規(guī)律性。這是僅掌握小數(shù)據(jù)的人類，所望塵莫及的。簡而言之，AI 現(xiàn)在具有超強的全體性歸納推理能力了。只是欠缺從果追溯( 深層原) 因的能力，使得他無法歸納出具有第3 階的因果規(guī)律性。

于是，在眼前到未來的數(shù)十年之間，人類的溯因性推理能力，可以暫持彌補AI 能力的欠缺( 圖5)。

圖5

在這協(xié)同合作模式中，人類幫忙追溯到更多真正的因，AI 的因果性規(guī)律的威力就愈有強大。同時，AI 的因果性規(guī)律的威力變得愈強大，也幫忙人類溯因推理過程中的去蕪存菁作用，讓人類更省力更精確找到真正的因。于是，人機協(xié)同合作，成為邁向AI 大未來的眼前暫時現(xiàn)象。簡而言之，目前AI 已經(jīng)非常強大的相關(guān)性探索力和歸納性推里能力，我們?nèi)绾紊萍永脕韽娀祟惖墓蛐? 即溯因性) 推理能力。一旦AI 強大歸納推理力，強力搭配人類的果因性推理能力，則像醫(yī)生、股市、軍事等不確定性高的場域( 偏于果因性推理)，就都可迎刃而解了。熟諳此道的企業(yè)將成為AI 時代的大贏家了。

圖6

5   演練：AI如何納入人類專家的果因性智慧

AI模型設計的核心思維是：關(guān)聯(lián)性與因果性。例如，Y與Z之間的因果關(guān)系是人人皆有的知識( 圖6)。

一開始，人們使用一種“手段T”來偵測Y( 因)，就能準確預測Z( 果)。后來，人們也發(fā)現(xiàn)一樣這個因，會產(chǎn)生另一種果“X”。

圖7

于是，AI 就可以派上用場了。 然而，如果想開始建立一個AI 模型來實現(xiàn)“從X 預測Z”的低成本新方法，那么我們設計的AI 模型會位于哪一個( 箭頭) 位置呢？答案是：在XY 箭頭的位置上，而且是“X → Y”方向。例如建立一個分類模型(Classifier)，其中X 是可觀測的訓練數(shù)據(jù)(Training data)，然后基于人類專家( 如醫(yī)生) 的果因( 溯因) 性智慧，來對因( 即Y) 進行分類，并貼上分類標簽(Label)，就可以進行模型訓練了。在訓練過程中，會拿“T → Y ”來嚴格檢驗AI 模型“X → Y ”的預測( 分類) 效果。一旦訓練好了這AI 模型，就能發(fā)揮AI 的魅力：從偵測到的ECG 心電圖形變化來及時預測，并避免休克。例如，Apple Watch 就是這種人機協(xié)同創(chuàng)新的著名產(chǎn)品( 圖8)。

圖8

這是結(jié)合人類專家的果因性智慧，搭配AI 的相關(guān)性智慧，協(xié)同創(chuàng)造出很棒的因果律產(chǎn)品。

（本文來源于《電子產(chǎn)品世界》雜志2022年9月期）