内容简介
 
大数据为什么不够聪明？
比机率更强大的思考工具又是什么？
 
电脑科学界诺贝尔奖「图灵奖」得主暨贝氏网路研发先驱Judea Pearl总结毕生研究成果，联手获奖的统计学家Dana Mackenzie，提出改变人工智慧及科学界的重要工具！《快思慢想》作者暨诺贝尔奖得主康纳曼、《大演算》作者多明哥斯、谷歌网路推广长文特‧瑟夫、微软研究实验室主任艾瑞克‧霍尔维兹等人重磅推荐！
 
▎大数据看似厉害，其实有很大的侷限
近几年大数据当红，加上它在许多领域的成功运用，其地位与能力备受追捧。与大数据密切相关的统计学，是法兰西斯・高尔顿与卡尔・皮尔森解答对于遗传的疑问未果，而开发出来的学科，这门学科创立后兴盛数十载，其名言「相关不是因果」影响科学界经常止步于探究「关联」而非「因果」，并且长期受资料本位的历史所影响，认为资料无所不能，但是朱迪亚・珀尔希望借此书告诉读者，资料本身一点也不智慧。
 
▎要发展出「强AI」，机率思考仍远远不够
一九八○年代初，朱迪亚・珀尔认为不确定性是AI所欠缺的最重要的能力，于是运用机率开发出强大的推理工具——贝氏网路，因而获得有电脑科学界诺贝尔奖之称的「图灵奖」。贝氏网路是首先让电脑以灰阶方式思考的工具，至今仍极受人工智慧界倚重，然而到了一九八○年代末，珀尔认为贝氏网路仍没有填补人工智慧和人类智慧的差距，于是他转而研究如何教AI学会「因果推论」，本书便是整理了历代科学家推展因果革命的努力与成果。
 
▎从「求得相关性」的旧阶段，迈入「厘清因果关系」的新时代
本书最初几章是有趣的科学史，探讨科学家追求因果解释的过程如何受挫，以致发展出统计学，并让统计学方法长期引领学界研究。接著书中有大约一半篇幅，作者以实例示范因果语言（图示模型）如何解决传统统计学认为无解的难题，逐一揭示「因果阶梯」三大分层的能力（越高的层级，认知挑战越高，越难理出因果关系），并让读者了解因果革命路上诸人的努力与进展，以及这些进展的重要性。本书末尾回头说明因果革命相对于人工智慧各重要发展面向（比如大数据、深度学习、资料探勘、机器学习等），有何胜出之处、能对它们起什么正面影响，以及最重要的——「因果革命」将会如何改变人工智慧。
 
▎「因果革命」不只影响人工智慧，还影响各研究领域
现今机器学习运作时仰赖的是「相关性」，而不是「因果」，如果能成功将因果思考导入电脑，将使电脑变成真正的科学家，使它们成为我们的得力伙伴，提供我们更合理的洞见。由于因果思考可以呈现罪责，电脑能因而具备道德感——「具备道德感的强AI」是因果革命在人工智慧领域的终极追求，作者形容这「是人工智慧给人类的第一个、也是最好的礼物」。
因果性研究还厘清了我们多年来对许多知识本质的不解，改变我们对于众多问题的认识，这些问题牵涉的层面无所不包，举凡涉及解读资料以及根据解释而采取的作法（像是致病因素、医疗资源分配、公共政策拟定等），都能受益。集结众多领域学人之力才有如今成果的因果革命，亦将回头影响整个科学界，珀尔形容它「将使科学的体质更加健全，是人工智慧给人类的第二个礼物」。在美国，因果科学已经开始被大学列入课程……
 
▎我们强烈建议这些人士阅读这本书：
（1）资料科学家与大数据研究者，以及对大数据深感兴趣的人
（2）统计学家、数学家，电脑科学相关从业人员与学习者
（3）对经济趋势与科研发展有兴趣的一般大众
（4）希望培养科学素养，了解最新科学方法的学子
 
▎各章内容简介请参阅〈目录〉的引文。