简介
“即使人群特征相似的人在某一时刻选择了相似的消费计划，也不代表他们下次还是会做出相似的决定。”那么，消费者购买背后真正的驱动因素是什么呢？当企业有能力以量化的方式理解这一点时，他们就可以以更准确和智能的方式做出决策，并最终实现目标增长。
【/S2/】7月2日，由零犀牛科技和极智俱乐部联合打造的“因果学派”论坛成功举办，加速人工智能学术界和产业界在因果科学领域的融合与探索。零犀牛科技正在创新和商业化其基于因果AI的技术理论。通过人机结合的方式，不断深入实际业务问题，致力于解决本质问题。零犀牛科技首席科学家张莉从AI的发展历程出发，分享了因果AI在企业实际应用中从理论到工程可以有效解决的具体问题和关键价值。
丁伊山| 整理
1。人工智能发展的局限性
AI是一种能够融合人类经验，具有一定容错能力和用户理解能力，即使在样本量很小的情况下也能达到一定预测的技术。所以AI可以带来很多可行的探索方向。
人工智能是20世纪50年代在达特茅斯会议上提出的。AI的不同流派，联结主义和象征主义，分别代表了人们对世界的不同认知。比如象征主义认桌子，有桌面和桌腿的东西叫桌子，所以定义“有这些符号的桌子”。然而，连接主义是不同的。联结主义认为认知需要不断的训练和学习，你可以通过大量的训练来认识表格。比如孩子在不同的图片里看到很多桌子，不断被告知是桌子。随着时间的推移，他们可以区分这些表。Web 1.0，2.0，知识库，专家系统都是从象征主义衍生出来的。本质上，深度学习是从连接主义进化而来的。
图1人工智能的发展
我们也可以从另一个角度来看待AI的发展:从计算智能、感知智能，到认知智能。
智能阶段主要是在上世纪人工智能第一次陷入“寒冬”时提出的。当时的“莫拉维克悖论”认为，人类特有的高阶智能只需要很少的计算能力，而无意识技能和直觉则需要很大的计算能力。比如解微分方程，因为它的规则很清晰，而且是在特定的领域执行，所以对于计算机来说非常简单。但如果机器实现人的无意识感官行为，比如“听、说、读、写”的感知能力，就需要很大的计算能力。
深度学习在感知上给了人们很多希望和信心，但准确预测的代价是大量的能量消耗。而且深度学习中基于关联性的理论，在知识获取上很难更高效，对认知智能的作用还是有限的。有两个典型的悖论:辛普森悖论和伯克森悖论。在刘力教授的分享中，他用生动的例子阐述了辛普森悖论。
随着AI在行业中的应用，行业对“认知智能”的需求更加迫切。认知智能不仅需要对图像和世界的基本感知，还需要对既定任务的解释和推理，从而帮助人类做出决策。这个过程需要更多的知识介绍，因果理论的出现可以帮助我们更好的解决这个问题。因果推理可以屏蔽许多不相关的特征，例如，通过控制变量，在其他变量之间创建条件独立性，从而赋予机器关注有效信息、忽略无效信息的能力。
2。什么是因果AI？
图2因果阶梯
因此，人们逐渐意识到需要将因果知识整合到数据中来构建算法模型。因果AI不是算法而是一套计算框架，可以和各种模型连接，比如机器学习模型、统计模型、心理模型等。。图灵奖获得者图林根·珀尔(Thuringia Pearl)提出了著名的因果阶梯，将数据分为相关性、干预性和反事实性三个等级。底层是以深度学习为代表的相关性。第二层介绍了一系列与干预相关的数学公式，如前门调整、后门调整、Do运算符、工具变量等。在顶层，是个体的反事实推断，让AI反思。他认为实现强人工智能的方式一定是因果推理而不是关系推理，最终实现反事实思维。
基于上述讨论，我们得出结论，因果人工智能实践需要具备三个要素:
建立因果图。主观也好，客观也好，只要提出因果图，就可以被数据证伪。
相关数据。主要通过数据拟合，预测不干预时干预的效果。这也是因果推理和AI可以结合的原因之一。
反事实推理。通过比较计算结果，找出获得效果的最有效途径，并预测行动的效果。
3。因果AI如何赋能智能服务？
图3“保留”价值挖掘
目前，互联网的潜在增量正在慢慢耗尽。事实上，许多公司已经开始关注“留存”而不是“流量”的价值。在探讨挖掘“留存”价值所需的行动时，可以用冰山做比喻。表面上看，企业可能做了用户分层，针对不同人群制定了销售策略和销售环节，制定了精细化的价格组合等。但其实在表象背后，我们其实是在问“为什么”。其实这也是因果思维的一种表现。这种思考可以帮助我们找到显性问题背后的深层深层本质原因，找到这个稳定不变的本质问题，以此来应对千变万化的千人千面的问题。商业问题抽象为科研问题，是Out-Of-Distribution，OOD)问题。面对与训练数据不同的真实世界数据时，模型的性能如何才能和训练的一样好？
目前，在互联网的交互框架中，只允许用户和消费者进行“有限的表达”，如设计好的标准问题、按钮、案例、关键词点击等。，从而猜测主观诉求，然后希望通过猜测你喜欢什么来留住用户。而受限表达和炒作的主观诉求往往无法满足每一个潜在用户的需求，必然会有预留量的损失和浪费。在商业中，为了实现大规模的、标准化的真实“任务目标”，允许用户或消费者做出开放的表达，并有能力将服务提供者和商品结合起来进行因果表征，扩展因果图，然后对这种开放的表达进行大规模的处理，通过量化计算优化匹配，找到对其最佳的匹配策略。这些技术如何实现？
同时可以看一下零犀牛科技的一个具体商业例子，下面的页面给出了一个非常高维的总结:
图3追溯服务的因果
首先，在获得用户的客观特征后，企业服务商的表征也会被量化，这一点其实很重要。比如在一个沟通过程中，为什么一些一线的服务商或者销售人员能够更快的了解到用户和消费者想要什么，需要什么，从而更有效的与他们建立积极正面的关系？通过量化服务商的表征，将背后的“因果图”扩展到不同的细微场景，让更多一线工作者有更直观的操作标准。
然后，他们可以将用户或消费者的特征、服务提供者的表征与商品的特征结合起来，进而做出最优匹配策略。比如，面对不同类型的机器人，我们可以有效地计算出一个用户分类，计算出不同类型机器人跟进时的交易概率增益差异，根据交易概率增益独立划分机器人版本，从而为每个用户选择合适的机器人。
综上所述，零犀牛科技是基于因果AI的核心技术理论在做商业实践；其次，它们基于人机一体化模式实现了有效的着陆路径；最后，他们是第一个切入销售场景的，可以以直接通关的效果为合作伙伴服务。
总体而言，因果AI可以为两个非常重要的因果问题带来更具创造性的解决方案:out-Out-Of-Distribution，OOD)问题、开放表达下的用户表示问题和策略匹配问题。在随后的分享中，刘力教授生动地讲述了因果表征的研究，并试图从因果关系的角度回应如何更好地理解和解决实际应用中的问题。崔鹏教授对推荐系统中的分布外泛化问题进行了探讨，并详细描述了两条技术路径，为寻求解决相关研究问题的读者提供了一定的参考和帮助。
因果学派
因果学派是由极智会因果社区和零犀牛科技联合发起的因果科学和CausalAI前沿论坛。旨在释放因果科学在产业中的潜力，促进产学研的协同与融合，实现产学研一体化体系。
