因果革命：人工智慧的大未來
The Book of Why: The New Science of Cause
and Effect
這本書不好消化，但能讓已經入門的人獲得更深刻的理解，也讓人越看越謙卑：
1.人的智力有限，愚昧卻無限
2.自以為的真知灼見，其實在大師面前只不過是小菜一碟
3.不是不落因果，而是不昧於因果
第九章 中介：找尋機制
日常口語「為什麼」的兩種問法
1.直接，看到結果想知道原因，e.g., 他看起來健康，為什麼會得到心臟病？
2.間接，想知道已知結果和已知原因之間的關連，吃柑橘類水果可以預防壞血病，中間的機制是？
想知道的「為什麼」是中介mediation
e.g., A藥物之所以能夠控心臟病是因為它能控制血壓
A藥物=>血壓=>心臟病
「反事實」目前在科學界中最風行的應用是中介分析，中介（或中介變項）是把處理效應傳遞給結果的變項，中介分析的目的是釐清直接效應和間接效應。這類問題不僅在科學上相當重要，也有實際的影響
壞血病：錯誤的中介變項
1747年林德船長的壞血病研究
然而1875與1894英國北極圈遠征隊，1903與1911的兩次南極遠征隊，全都深受壞血病荼毒。 人們其實沒有搞清楚：柑桔如何能預防壞血病
當時的觀點：
柑橘類水果=>酸性=>壞血病
為求航行長期保存酸性成分，船員把檸檬榨汁然後再加熱殺菌…(=破壞維生素)
另外食用新鮮肉類的水手往往沒有得到壞血病，只有吃肉乾與罐頭的會，
因果邏輯是：肉類不新鮮=>細菌=>壞血病
所以當探險隊出發時，大家只有檢查肉類是否腐壞。
輕忽+自負(不知道自己不知道)導致悲劇
中介不只是個抽象的數學問題
自然與養育：芭芭拉‧布克斯的悲劇人生
Barbara Burks
一己之力發明路徑分析，對抗優生學派，也是首次路徑分析用在社會科學領域，一直沒有取得理想教職，訂婚之後陷入嚴重憂鬱，最後從紐約華盛頓橋躍下身亡，年僅40歲。(欸，相較之下自己的不得志不足掛齒)
她的研究題目是：先天自然遺傳和後天教養，對於子女智商的影響
她在1926年提出的研究架構
雙箭頭代表共同因果(雞生蛋蛋生雞)或是因果方向不確定
找一群是撫養子女的家庭(204個，這些孩子只有受到後天教養的影響)
另一群105個一般家庭作為對照
結果顯示雙親IQ對於孩子智商的變異只有35%約1/3的影響
如果親代智商高於平均值15%，子代的智商只有高出平均約5% (Regression to mean?!)
Barbara的洞見(與遭遇的難題)：
如果我們設定常數變項，而這些變項不是部分或完全由我們將測量其真實關係的兩個因子之ㄧ所造成，而是由其他可影響這兩個獨立因子的遠端因素所造成，則難以估算衡量原因對於結果的影響。
衝突的情況
直接與間接效應的估算
尋找語言（柏克萊錄取率悖論）
半個世紀之後，統計學家依然難以表達直接與間接效應的概念，當然更不可進行估算
1972 加州大學柏克來分校
發現
申請研究所的男性有44%錄取，女性只有35%錄取，擔心違反性別歧視
研究結果發現辛浦森悖論的樣貌
每個系所的女生錄取率越來越高，但整體而言女性錄取率卻下降
申請人文學科的女性比率高於男性，但人文科系錄取名額少
但另一方面，女性申請理工科系人數少，但理工科系錄取名額多，錄取率高
研究建議以科系作為分層，因果圖如下：
「學系」只是中介變數，針對中介變數執行條件化其實是不正確的(中介誤謬 Mediation Fallacy)，重點是「性別」對於「結果(錄取率)」的直接效應為何。
黛西、小貓和間接效應
某人養了一隻狗-黛西，黛西不聽話
有天來了三隻小貓，這段期間黛西很規矩(被嚴密看管)，小貓離開後，黛西恢復不聽話
請問小狗黛西行為是受到
1.直接被關籠子的影響(間接效應)
2.受到主人看管的影響(直接效應)
看看小貓不在時，如果嚴格看管，看看小狗黛西的行為
線性理想世界裡的中介
整體效應=直接效應+間接效應
然而以上想法不適用在調節moderation的狀況下（線性模型不容許存在交互作用），難處在於很難區分最終整體效應，多少是源自直接效應？多少原自於間接效應？
間接效應=整體效應 – 直接效應(觀察有無M的差別)
陳述與估算方式二
透過路徑係數乘積法
直接效應=X=>Y的路徑係數
間接效應= X=>M的路徑係數* M=>Y的路徑係數
陳述與估算方式三
實驗操弄法
直接效應=控制中介變項M不變時，X對Y的(效應)
間接效應=控制X不變時，同時增加M，使M成為X增加一單位M將達到的量，此時Y的增加(或變化)量= X透過M對Y的間接效應
陳述與估算方式四
簡潔的數學方程式
前半部是X對M的效應(條件機率值)* 後半部M對Y的效應(條件機率值)
 |
| 竟然可以看得懂這個式子，真是太神奇了 |
中介案例分析
大學學代數：計畫及副作用
取消高三補救課程，改修大學預備課程，如何評估計畫成效？
甲說：有，數學分數在三年內進步7.8分，有75%學生的成績高於政策修改前的平均分數
乙說不見得：有干擾因子
1.先前課程已修改，不該拿課程修改前後比較(兩者基準不同)
2.此一先修課程一執行，本來落後的學生更挫折，逃學+成績更低落；可以教先修課程的老師可能無法兼顧程度較差的學生
因果圖
1.課程修改讓成績提升2.7分(直接效應)
2.但是教學環境改變反而讓成績減少2.3分(間接效應)
結論是：課程改變(增加授課份量)是好的，但是教學方式與環境要改變=>本來落後的還是要補課(=授課分量加倍)
吸菸基因：中介和交互作用
本來費雪的邏輯- 抽菸導致肺炎只不過是一種假象(背後有干擾因素)
因果圖
後來基因定序終於找到Mr. Big(費雪)猜想的干擾因素 (基因rs16969968)
因果圖修改
- 吸煙基因不會明顯提高吸菸量
- 吸煙基因不會經由與吸煙無關的路徑導致肺癌
- 具備吸煙基因+吸煙的族群，罹患肺癌的機率與風險會明顯提高
- 基因與當事人是否吸煙的交互作用，決定了罹患肺癌的機率與風險
第十章
大數據、人工智慧與大問題
機器與人工智慧無法回答人類最常問的問題- 為什麼？
因果模型與大數據
如何透過因果模型增加研究的外部效度，乃至於評估資料能否進行meta analysis
展現以往學術研究難以想像的奇蹟
欸，相見恨晚，可惜我用的統計軟體太舊，沒有辦法進行類似估計
強AI和自由意志
貝氏網路能夠處理真實世界當中矛盾與不確定的資料，可是無法解釋或理解原因和結果，在貝氏網路中，資料朝因果與診斷理個方向流動：出現煙霧，則發生火災的機率提高，或火災也提高煙霧出現的可能性，無法判別因果方向。
透過卷積式類神經網路進行深度學習的人工智慧，不以嚴謹或透明的方式處理不確定性，也不包含運作環境的明確資訊，而是放任架構與路徑係數自由演變，在視覺與語音辨識方面已經相當成功
AlphaGo大敗人類棋手，只不過設計人員也說不出AlphaGo的棋力為什麼這麼強
對於人類而言，運作不透明=無法理解與進行溝通
所謂的深度學習其實侷限於因果階梯的第一階，只是所謂的弱AI；要進入強AI，必須讓因果觀念與模型從奢侈品變成必需品，e.g., 讓機器理解採取其他行動的陳述
做了X=x，得到Y=y
如果採取不同行為X=x’ ，得到不同或更好的結果Y=y’
有充足的資料與因果模型，就能讓人或機器做出不同的選擇
其次機器的問題與挑戰在於：動機
能夠讓機器擁有不同作為的選擇權嗎？≒自由意志與動機？！
雖然對於哲學家、腦神經科學而言，人類所謂的自由意志與動機不過是一種幻覺
乃於當事人事後的穿鑿附會與詮釋。
推想自己的信念、意圖與需求的能力始終是人工智慧研究的挑戰
人的智慧與學習不過是
1.(觀察與探究)外在世界與各種人事物
2.本身對於外在世界因果模型的詮釋與程式(是否正確不重要)
3.記憶意圖與外在事件回應的關連(評估行動成效)
4.調整自己內在的預設程式=自由意識與負起責任
人工智慧的大哉問
1.我們已經打造出會思考的機器嗎？
Not yet.
2.我們能否打造出會思考的機器？
Yes, We Can
但是機器的思考方式(運算)不同於人的思考方式(邏輯)
能夠打敗人類棋手的AlphaGo=通過圖靈測驗
目前機器大概只能幫忙運算與爬上因果關聯的第二階
3.我們會打造出會思考的機器嗎？
Yes, 很難阻止人類思考與嘗試
4.我們應該打造會思考的機器嗎？
It depends on whether can we打造出能夠分辨善惡的機器
具道德感的強AI，不只會成為我們的好伙伴，還能成為我們師法的對象，教導我們更明晰、因果上更合理的正義感，這則是人工智慧給人類的第一個、也是最好的禮物。
欸，對於自己能夠(行有餘力)看書、理解這本書(當然不是全部)與作者看待因果關聯的洞見 心懷感激。
沒有留言:
張貼留言