大數據為什麼不夠聰明？
比機率更強大的思考工具又是什麼？

　　電腦科學界諾貝爾獎「圖靈獎」得主暨貝氏網路研發先驅Judea Pearl總結畢生研究成果，聯手獲獎的統計學家Dana Mackenzie，提出改變人工智慧及科學界的重要工具！《快思慢想》作者暨諾貝爾獎得主康納曼、《大演算》作者多明哥斯、谷歌網路推廣長文特‧瑟夫、微軟研究實驗室主任艾瑞克‧霍爾維茲等人重磅推薦！

　　▎大數據看似厲害，其實有很大的侷限
　　近幾年大數據當紅，加上它在許多領域的成功運用，其地位與能力備受追捧。與大數據密切相關的統計學，是法蘭西斯・高爾頓與卡爾・皮爾森解答對於遺傳的疑問未果，而開發出來的學科，這門學科創立後興盛數十載，其名言「相關不是因果」影響科學界經常止步於探究「關聯」而非「因果」，並且長期受資料本位的歷史所影響，認為資料無所不能，但是朱迪亞・珀爾希望藉此書告訴讀者，資料本身一點也不智慧。

　　▎要發展出「強AI」，機率思考仍遠遠不夠
　　一九八○年代初，朱迪亞・珀爾認為不確定性是AI所欠缺的最重要的能力，於是運用機率開發出強大的推理工具——貝氏網路，因而獲得有電腦科學界諾貝爾獎之稱的「圖靈獎」。貝氏網路是首先讓電腦以灰階方式思考的工具，至今仍極受人工智慧界倚重，然而到了一九八○年代末，珀爾認為貝氏網路仍沒有填補人工智慧和人類智慧的差距，於是他轉而研究如何教AI學會「因果推論」，本書便是整理了歷代科學家推展因果革命的努力與成果。

　　▎從「求得相關性」的舊階段，邁入「釐清因果關係」的新時代
　　本書最初幾章是有趣的科學史，探討科學家追求因果解釋的過程如何受挫，以致發展出統計學，並讓統計學方法長期引領學界研究。接著書中有大約一半篇幅，作者以實例示範因果語言（圖示模型）如何解決傳統統計學認為無解的難題，逐一揭示「因果階梯」三大分層的能力（越高的層級，認知挑戰越高，越難理出因果關係），並讓讀者了解因果革命路上諸人的努力與進展，以及這些進展的重要性。本書末尾回頭說明因果革命相對於人工智慧各重要發展面向（比如大數據、深度學習、資料探勘、機器學習等），有何勝出之處、能對它們起什麼正面影響，以及最重要的——「因果革命」將會如何改變人工智慧。

　　▎「因果革命」不只影響人工智慧，還影響各研究領域
　　現今機器學習運作時仰賴的是「相關性」，而不是「因果」，如果能成功將因果思考導入電腦，將使電腦變成真正的科學家，使它們成為我們的得力伙伴，提供我們更合理的洞見。由於因果思考可以呈現罪責，電腦能因而具備道德感——「具備道德感的強AI」是因果革命在人工智慧領域的終極追求，作者形容這「是人工智慧給人類的第一個、也是最好的禮物」。
　　因果性研究還釐清了我們多年來對許多知識本質的不解，改變我們對於眾多問題的認識，這些問題牽涉的層面無所不包，舉凡涉及解讀資料以及根據解釋而採取的作法（像是致病因素、醫療資源分配、公共政策擬定等），都能受益。集結眾多領域學人之力才有如今成果的因果革命，亦將回頭影響整個科學界，珀爾形容它「將使科學的體質更加健全，是人工智慧給人類的第二個禮物」。在美國，因果科學已經開始被大學列入課程……