朱迪亚·珀尔获 2011 年图灵奖

背景

智能系统需要知道的关于世界的信息，大多是不确定的。把知识当作非真即假的系统，一旦证据缺失或含有噪声就会失灵；可是改用概率处理不确定性，又会遇到另一重困难：变量的取值组合数随变量个数急剧膨胀，朴素的模型根本没法写下来、存下来，也没法计算。朱迪亚·珀尔（Judea Pearl）的工作正是针对这两方面的问题，2011 年的 A.M. 图灵奖（A.M. Turing Award）承认的也是这一点^[1]。

获奖

ACM 把 2011 年的 A.M. 图灵奖授予朱迪亚·珀尔^[1]。授奖词给出的理由是：他通过发展一套用于概率推理和因果推理的演算，为人工智能作出了基础性贡献^[1]。这句话指向两件不同的事：一套在不确定性下进行推理的演算，以及一套关于因果关系的演算。

贝叶斯网络

珀尔发明了贝叶斯网络（Bayesian network）。这是一种用于定义复杂概率模型的数学形式，他同时给出了在这类模型上进行推理的主要算法^[1]。贝叶斯网络把一组变量画成图的节点，用箭头记录哪些变量直接影响哪些变量；于是每个节点只需要一张以父节点为条件的小概率表，而不必为所有取值的组合准备一张巨大的表。正因为图把问题的结构写了进去，模型可以保持紧凑，推理可以高效进行，新证据到来时也能据此更新。

他 1988 年出版的《Probabilistic Reasoning in Intelligent Systems》一书，在人工智能领域引发了一场变革^[1]。这本书主张：不确定性应当用概率来处理，而不是靠临时凑出的可信度系数和手写规则；它还给了研究者一套可以直接使用的表示方法和算法。

从概率到因果

只靠概率，只能描述事情一起发生的频率，说不出有人干预时会发生什么。他 2000 年出版的《Causality》一书提出了 do 演算（do-calculus），这是一个完整的数学框架，用于建立因果模型并从数据中分析因果关系^[1]。该框架引入了一种明确的记号来表示干预，也就是追问：如果把某个变量人为地设定为某个值，结果出现的概率会是多少；它同时给出了变换这类表达式的规则。借助这些规则，研究者可以判断自己关心的因果效应能否仅凭手上现有的数据算出来、又该怎么算，而不是把统计上的相关直接当成因果结论。

在加州大学洛杉矶分校与奖金去向

他是加州大学洛杉矶分校（UCLA）的计算机科学教授，也是该校认知系统实验室（Cognitive Systems Laboratory）的创办者和主任^[1]。在研究之外，珀尔还宣布，他要把图灵奖奖金的一大部分捐出，用于支持 Daniel Pearl Foundation 的项目^[1]。

影响

授奖词点出了这两条线索的共同之处：它们都是「演算」，都是能把关于证据、关于原因的问题精确提出来、并按规则给出答案的形式系统。贝叶斯网络让人工智能有了一种实用方式来表示和推理不确定的知识；do 演算则给了它一套语言，用来区分仅仅被观察到的东西和被导致的东西。二者合在一起，推动这一领域从「以确定的真假操纵符号」的系统，走向能够量化不确定性、并进一步推理行动后果的系统。