Думай «почему?». Причина и следствие как ключ к мышлению

В структурных моделях мы делаем очень похожие вещи, хотя больше украшаем их математическими деталями. Мы оцениваем выражения вроде «если бы X был X» так же, как обрабатываем интервенции do (X = x), удаляя стрелки в диаграмме причинности или уравнение в структурной модели. Это описывается как минимальное изменение причинно-следственной диаграммы, необходимое, чтобы гарантировать равенство X и x. В этом отношении структурные контрфактивные модели совместимы с идеей Льюиса о максимально похожем возможном мире.

Структурные модели также предлагают решение загадки, о которой Льюис умалчивал: каким образом люди представляют возможные миры и вычисляют ближайший, когда число этих возможностей слишком велико для человеческого мозга? Специалисты по компьютерным наукам называют это проблемой представления. Предполагается, что у нас есть некий крайне экономичный код, чтобы иметь дело с таким количеством миров. Могут ли структурные модели в той или иной форме быть этим коротким путем? Думаю, это весьма вероятно по двум причинам. Во-первых, структурные причинно-следственные модели работают, и у них просто нет конкурентов с такими же чудесными свойствами. Во-вторых, они были созданы на основе байесовских сетей, которые, в свою очередь, были смоделированы на базе сделанного Дэвидом Румельхартом описания, как сообщения передаются в мозгу. Нетрудно предположить, что 40 тысяч лет назад люди адаптировали механизмы, которые уже существовали в мозге для распознавания образов, чтобы использовать их для причинно-следственных рассуждений.

Философы, как правило, оставляют психологам право делать утверждения о том, как работает человеческий разум. Это объясняет, почему вышеперечисленные вопросы не рассматривались до недавнего времени. Однако исследователи искусственного интеллекта не могли ждать. Они хотели создать роботов, которые были бы способны общаться с людьми об альтернативных сценариях, доверии и вине, ответственности и сожалении. Это все контрфактивные представления, для которых исследователи ИИ должны были найти механизмы, чтобы у них появился минимальный шанс создать так называемый сильный ИИ — интеллект, подобный человеческому.

Такова была моя мотивация, когда я начал изучать контрфактивный анализ в 1994 году (вместе с моим студентом Алексом Балке). Неудивительно, что алгоритмизация контрфактивных суждений произвела больший фурор в мире ИИ и когнитивной науке, чем в философии. Философы склонны рассматривать структурные модели как один из вариантов применения логики возможных миров, представленной Льюисом. Осмелюсь предположить, что их роль гораздо более велика. Логическая пустота представления — это метафизика. Диаграммы причинно-следственных связей с простыми правилами следования стрелкам или удаления стрелок должны быть близки к тому, как наш мозг представляет контрфактивные суждения.

Этому утверждению пока суждено оставаться недоказанным, но в результате долгого процесса контрфактивные суждения утратили мистический флер. Мы понимаем, как люди справляются с ними и готовы вооружить роботов возможностями, аналогичными тем, которые наши предки приобрели 40 тысяч лет назад.

Потенциальные результаты, структурные уравнения и алгоритмизация контрфактивных утверждений

Всего через год после выхода книги Льюиса и независимо от него Дональд Рубин начал работать над серией статей, в которой представлены потенциальные результаты как язык для постановки вопросов о причинности. Рубин, в то время статистик службы тестирования в образовании, в одиночку нарушил молчание о причинно-следственных связях, которое сохранялось в статистике на протяжении 75 лет, и легитимировал концепцию контрфактивности в глазах многих ученых-медиков. Важность этого достижения нельзя переоценить. Исследователи получили гибкий язык для выражения почти любых каузальных вопросов, которые они могли бы задать и о группе людей, и об отдельных индивидах.

В каузальной модели Рубина потенциальный результат для переменной Y — это просто «значение, которое Y принял бы для отдельного u, если бы X было присвоено значение x». Здесь очень много слов, поэтому часто удобнее записать эту величину более компактно: Y_X = _X (u). Нередко мы сокращаем это до Y_X (u), если из контекста очевидно, какой переменной присваивается значение X.

Чтобы оценить смелость такого рода записи, стоит отвлечься от символов и подумать о том, что за ними стоит. Записывая символ Y_X, Рубин утверждал, что Y определенно приобрел бы какое-то значение, если бы X был равен x, и этот факт объективно реален в той же степени, что и значение, которое Y получил на самом деле. Если вы не согласны с этим допущением (а я уверен, что Гейзенберг с ним не согласился бы), то не сможете использовать потенциальные результаты. Также обратите внимание, что потенциальный, или контрфактивный, результат определяется на уровне отдельного человека, а не группы.