APP下载

学贯中西(11):从因果律看人机协同创新

2022-05-30高焕堂

电子产品世界 2022年9期
关键词:因果性规律性因性

高焕堂

1 前言:AI与因果性

近几年来,全球AI精英都很关心AI的一个议题: 当今AI仰赖于大数据的相关性(Correlation)。然而,相关性并不一定表示其具有因果关系(Correlation does not imply causation)。由于当今AI对于因果关系的探索能力,还是非常有限的,仍然非常依赖人类(具有溯因性推理习惯者)来补足。人类具有溯因性推理习惯者,就是通称的创新者(如诸葛亮等),其擅长于溯因推理(Abductive reasoning)——从果追溯其真实的因。

如果AI能够掌握更高阶的因果关系,就可望降低其不确定性的行为、大幅提升可解释性、可信赖度,以及创造性思维能力。这就是目前AI专家们努力的方向,也就是AI将迈向革命性的大未来。所以,有人称之为:因果革命。

2 因果革命

新一代的AI科学家们,正努力强化现在的AI,就是让AI除了大数据相关性之外,能提升探索和掌握因果性的能力。于此建议您可以参阅这本2019年的畅销书(图1)。在这本书里,将因果关系分为三个阶层:观察、行动和想象(图2)。那么,AI的大未来就是让AI能充分掌握深层的因果性。也就是这本书里,所说的:高阶因果关系。

从图2中可以看到了,当今AI所掌握的相关性,仍属于低阶(第1阶)的因果关系,与人类相比仍有极大的距离。AI的大未来,将是逐渐提升到第2阶、第3阶。届时,AI具备了想象、假设和反思的能力。

3 认识溯因推理

从认知学(Cognitive science)的角度来说,人们与所以我就得出一个结论:年轻人应该大多数都在做电子业(但不一定正确),这叫做归纳推理。第二种是演绎推理,就像数学是最典型了,例如两条直线在同一平面上,又没有交叉,则它们必然是并行线。这叫做演绎推理。

第三种推理是溯因推理(Abductive reasoning),像医生就是最典型的。当您去看医生的时候,医生看到您满头大汗,而且有一点发烧、流鼻涕,他就看到这个 “果”,然后倒过来追溯其“因”,他猜您可能是伤风感冒了,所以他就给你药吃。下次再遇到你的时候,他马上会问你:身体有没有好些了呢?这叫做溯因推理。溯因推理是传统IT和当今AI都几乎不具备的能力。人类数千年来,自己都不知道人天生就有这项思考能力。一直到了约100年前,美国哲学家皮尔士(Charles Peirce)才提出来的。

上述的三种推理之中,归纳和演绎推理都是从因推到果,俗稱因果性推理。而溯因推理则是从果推到因,俗称果因性推理。当今的AI非常擅长的是基于相关性的归纳推理,从(原)因推到(结)果,这种规律性,它能在一瞬间就掌握。有一些专家估计,这种能力AI已经达到很高智商(IQ300)了,而人类天才是IQ180。反之,从果推到因,AI就不太内行了。

4 从因果性说明“人机协作”模式

掌握事物本质的因果关系,一直是人类科学研究的目标。然后从复杂的因果关联中,归纳、抽象出简单不变的规律性。人人与生俱来,都会观察事物的因果关系,并进行归纳和预测。例如,常常有人说:好人有好报,多行善多积福。这就是人们从经验中找出的因果关系和规律性(图3)。

由于引发一项(结)果的可能(原)因,也许会很多,且深藏不露,人们常常不易确知。于是,从观察天文地理、人情世故、人性心理等出发,找出相关性,进而归纳出规律性,是一条较为容易之路。例如,孔夫子的 “三人行,必有我师焉”,韩愈的”师者,传道授业解惑也”等等。随着互联网和大数据的日益丰富,加上NN-based的当今AI归纳性推理,更加扩大这条人类5000年来的传统之路。

当今的AI做出了贡献:基于大数据分析找出相关性,作为归纳法的基础,过滤大量数据和复杂关系,迅速归纳出规律性,强化对事物的预测能力。所以AI强化了归纳推理,也强化了因果性推理。然而,AI所掌握的相关性,只是低阶(又称浅层)的因果关系,仍然欠缺深层因果性的支撑,而导致其规律性,并非能归根究柢的规律性。对于未来结果的改变,仍然只是治标而不是治本,未能产生根本性、原创性、革命性的效果。

例如,一个人很沮丧而吃不下饭。AI只会建议去更高雅、菜色更香的餐厅吃饭,而不是安慰她/他失恋的起因。AI只从大数据得知她/他的心情与饭菜有关,甚至有时还误以为是饭菜导致心情沮丧呢!

所以在图1这本书里,作者建议,AI的未来发展要逐步让AI能够掌握更多的真正因果关系。于是AI就更接近人类了。如何让AI具有能力从大数据中观察到的果,或低阶的相关性中,近一步探索其背后深层的真正原因,是AI大未来之路。简而言之,就是让AI具备“溯因性推理”的能力。

然而,AI要迈向第3阶,就必须具备想象、假设和反思的能力,才能从果追溯到真正的因。预估AI还大约还需要数十年的成长时光,才能达到这个境界。所以,眼前的下一步是:人机协同合作。基于当今的NN算法,已经大大赋予AI的归纳性推理能力。基于大数据,已经让AI从复杂的全体事物中,迅速归纳出的规律性。这是仅掌握小数据的人类,所望尘莫及的。简而言之,AI现在具有超强的全体性归纳推理能力了。只是欠缺从果追溯(深层原)因的能力,使得他无法归纳出具有第3阶的因果规律性。

于是,在眼前到未来的数十年之间,人类的溯因性推理能力,可以暂持弥补AI能力的欠缺(图5)。

在这协同合作模式中,人类帮忙追溯到更多真正的因,AI的因果性规律的威力就愈有强大。同时,AI的因果性规律的威力变得愈强大,也帮忙人类溯因推理过程中的去芜存菁作用,让人类更省力更精确找到真正的因。于是,人机协同合作,成为迈向AI大未来的眼前暂时现象。简而言之,目前AI已经非常强大的相关性探索力和归纳性推里能力,我们如何善加利用来强化人类的果因性(即溯因性)推理能力。一旦AI强大归纳推理力,强力搭配人类的果因性推理能力,则像医生、股市、军事等不确定性高的场域(偏于果因性推理),就都可迎刃而解了。熟谙此道的企业将成为AI时代的大赢家了。

5 演练:AI如何纳入人类专家的果因性智慧

AI模型设计的核心思维是:关联性与因果性。例如,Y与Z之间的因果关系是人人皆有的知识(图6)。

一开始,人们使用一种“手段T”来侦测Y(因),就能准确预测Z(果)。后来,人们也发现一样这个因,会产生另一种果“X”。

于是,AI就可以派上用场了。 然而,如果想开始建立一个AI模型来实现“从X预测Z”的低成本新方法,那么我们设计的AI模型会位于哪一个(箭头)位置呢?答案是:在XY箭头的位置上,而且是“X → Y”方向。例如建立一个分类模型(Classifier),其中X是可观测的训练数据(Training data),然后基于人类专家(如医生)的果因(溯因)性智慧,来对因(即Y)进行分类,并贴上分类标签(Label),就可以进行模型训练了。在训练过程中,会拿“T → Y ”来严格检验AI模型 “X → Y ”的预测(分类)效果。一旦训练好了这AI模型,就能发挥AI的魅力:从侦测到的ECG心电图形变化来及时预测,并避免休克。例如,Apple Watch就是这种人机协同创新的著名产品(图8)。

这是结合人类专家的果因性智慧,搭配AI的相关性智慧,协同创造出很棒的因果律产品。

猜你喜欢

因果性规律性因性
林雁健脾益肾针刺法治疗结直肠癌术后癌因性疲乏临证经验
阿尔茨海默症三网动力学因果性分析
What Is the Hidden Card?
睡前音乐疗法对乳腺癌放疗患者睡眠质量和癌因性疲乏的影响
九句因理论的形式语义学
公证改革发展若干规律性认识
新媒体时代下新闻传播的规律性探析
癌因性疲乏研究进展
离散广义系统的因果性
趣味填字