【機器習得】因果關係·概率推理·自動建模 

生物界的一個重要特點，就是生物能夠適應環境。高等智力的生命體，更是除了能適應環境外，還能反過來改變環境使之適應自己。而生命體要做到這一點，就要求本身對外部事物的性質，特別是對亊物之間許許多多錯綜複雜的各種關係，要具有深刻的認識、理解和把握。在這諸多的關係中，對人類調控客觀世界時最重要的一種，就是因果關係。

這就是說，假如要得到某個果，只要知道它的因，並對之進行操控，就可以達到目的。因此，發現並理解因果關係是人類認知的一個重要特點。但是，怎麼發現和確定因果關係呢？

自古以來，人們就經常把邏輯蘊含，來作為確定因果關係的一種推理工具。確實，在某些情況下，邏輯蘊含可以用來表達因果關係，比如if A ^（A -> B），then B。但是，蘊含關係並不是因果關係。

那麼，有什麼樣的嚴密的形式系統，能保證使人們對因果關係，進行準確無誤的探索思辯描述和驗證呢？

因果關係，其實超越了簡單的邏輯的範疇。現在人們更多地從概率的角度來認識它。為什麼一定要牽涉到概率呢？

那就讓我們從最簡單的邏輯蘊含開始吧。假如用邏輯蘊含來表達因果關係，它的條件通常是一些帶有有限數目的、可以包含了並、或、非的，充要條件。現在，假定這些條件的數目，趨於無限地多但又不等於無窮大，而且還包含了許多的，充分卻不必要的，條件，這正好附合了因果關係中的隨機的定義。也附合了邏輯實證主義者們所謂的主觀概率的lNUS條件的定義。

為什麼呢？這牽涉到因果關係中對隨機的定義，直觀地說，就是有數不清的影響因素，但其中沒有一個或幾個因素，能對發生的後果起決定作用，即它們絕不是充要條件，也不一定是充分條件，或者必要條件，而是它們之間不同組合的合力，影響了事件的發生。由於這些不同因素的出現，各服從於自己的分布頻率，所以，最後該結果的產生，服從於其中許多某些因素產生了影響的合力，而這些合力共同構成了充分條件。因此，這類因果關係是隨機分布的，必須以數學中概率來進行演算和推理。

西方有好幾個關於因果關係概率論的理論流派。提出lNUS條件的主觀概率派只是其中之一。另外還有幾個主要流派：頻率派、傾向派、模式特徵派。還有什麼反亊實條件派、干涉論、馬爾可夫條件論、等等。但他們對因果關係的概率定義，卻大同小異：因（Cause）提高了果（Effect）發生的概率（Probability）。
即：P(E|C)>P(E|~C)。

形式上講，因果關係的概率模式，包括一個多變量的集V，和在V集上的概率分布P，以及一個包括了V集當中各變量間的因果關繫結構的圖G。一旦有了在某個領域內的這種因果關係的模式，它就成為這一領域的一個理論，因為藉助這個模式，人們就能夠，理解描述解釋預測和操控在這個領域的各種現象。這就是概率推理。

那麼，如何能讓機器習得，能夠自動地得到這種因果關係的理論模型呢？這就是自動建模，是當前人工智能研究的一個熱門課題。

所謂自動建模，就好比機器習得是一個黑箱，一頭把大數據輸入，另一頭就出來那個帶因果關係的模型。比如輸入美國股市所有的相關數據，黑箱的輸出端就是一個股市預測模型。對該模型進行某個股票的查詢，就能得到有關該股各種預測的信息。

其實，己經有很多自動建模的算法，但大都是基於線性回歸等等的路徑分析之類的，往往過於overfitting。近十年來比較流行的用於腦神經模式測試的DCM（Dynamic Causal Modeling)就是用了這類方法。最近還有家startup，叫Nutonian的，號稱給定數據，能用各種不同算法算出一批模型，然後再用一套評估算法，向用戶推薦其中最佳的模型。

此外，近年來很熱門的，馬爾可夫鏈貝葉斯網絡算法，由於其很難確定各因素間互相獨立的問題，因此也容易overfitting。但由於該算法能利用蒙特卡羅採樣從實際數據（V={C,E}）和概率分布（P)中，轉換出圖論模式(G)，它還是應該代表了近期發展的方向。

然而，關於如何解決該算法中的common cause, screening-off, directionality, asymmetry, population relativity, contextual unanimity等等諸問題，由於篇幅關係，只能以後詳談了。