第三届世界人工意识大会——James J. Heckman 主题演讲

2000年诺贝尔经济学奖得主、美国经济学家James J. Heckman院士

非常感谢今天给我这个发言机会。我是经济学家，并不是直接从事人工智能研究的学者，但我一直在使用 AI、研究它的影响，并且我相信，AI 能够以非常重要的方式促进科学中的因果研究。

今天我想讨论三个相互关联的主题。第一，在经济学以及更广泛的科学研究中，我们究竟如何理解“因果性”。第二，为什么因果分析不能被简单归结为传统统计学问题，尽管它常常被如此对待。第三，AI 和机器学习如何帮助我们开展因果研究，尤其是在构建、比较和解释动态结构模型时所发挥的作用。

我还会简要谈到 AI 与机器人在研究中的应用，特别是在涉及人类发展和互动的项目中。我的核心观点很简单：如果我们想真正理解世界、改善世界，光有预测还不够，我们还需要解释、机制以及清晰的因果结构。

好的科学研究，核心在于理解产生结果的机制。无论是医学、物理学，还是经济学，科学研究的目标都不仅仅是发现某个变量与另一个变量同时变动，而是要弄清楚：结果是如何产生的，不同输入因素分别发挥了什么作用，以及什么样的干预能够改变事情的发展方向。

从这个意义上说，好的科学本质上就是因果分析。它追问：究竟是什么因素产生了结果，这些因素通过什么渠道起作用，以及在什么条件下干预会成功或失败。如果我们真的想以有益的方式改变世界，就必须超越表层相关性，去描述支配行为和结果的深层机制。

我想强调的一点是：因果性并不仅仅是一个传统统计学问题。统计方法当然有用，而且在许多场景下不可或缺，但因果推理所需要的，远不只是把方程拟合到观测数据上。它要求我们去思考假设世界、替代性可能以及那些也许从未直接出现在数据中的干预后果。

这意味着，因果研究首先要从一个概念框架出发。我们要先提出关于世界如何运作的抽象模型，然后再用证据去检验这些模型。数据固然重要，但数据本身并不会自动定义因果关系。因果性是一种理解数据的方式，而不是某种天然隐藏在数据之中、等待被自动提取出来的属性。

因果分析的核心，在于对反事实世界的探索。我们会问：如果只改变一个因素，而把其他条件保持不变，会发生什么？如果采用不同的处理方式、做出不同的选择，或处在不同的环境中，结果会怎样？这类问题本质上是思想实验，但它们并不是随意的想象，而是有纪律的思想实验，是严肃因果推理的基础。

这种观点不同于那种狭义理解，即认为因果分析无非就是现场实验或随机试验。我并不是否定这些方法，它们当然很重要。但它们只是更大框架中的一部分。真正完整的因果分析，需要构建可信的假设模型，并将其与现实世界数据进行检验。模型与数据必须相互接触，但我们也必须明确区分：一方面是构思机制，另一方面是利用观测数据去识别和估计该机制。

机器学习能够极大促进因果分析中的一个重要环节：寻找最可信的解释。从哲学上讲，这与“溯因推理”有关，也就是在多种候选解释中识别出最可能的那一个。在现实科学研究中，同一现象往往可能有多种解释。AI 可以帮助我们组织信息、比较模式，并缩小可能机制的范围。

这一点尤其重要，因为现代 AI 使我们能够整合许多过去很难统一使用的信息来源：文本、报纸、网络帖子、语境记录，以及各种非结构化信息，并把它们与常规数值数据结合起来。从这个意义上说，AI 扩展了科学研究可利用的信息基础，使我们能够比过去更有力、更系统地汇聚证据。

但与此同时，AI 并不能替代科学判断。因果假设的提出仍然需要思考、解释和长期积累的知识。AI 是增强研究能力的工具，而不是取代严谨推理的替代品。

当代很多讨论把“好的科学”简化为对某个结果变量的“处理效应”进行估计，这种理解太狭窄了。科学模型和理论的作用，并不仅仅是估计一个平均效应。它们还帮助我们总结既有知识、整合前人研究、解释当前证据，并把新发现放到更广阔的知识体系中去理解。

这种更宽广的视角，对于个性化教育和个性化医疗尤其重要。不同个体对同一种干预的反应并不相同。要理解这种差异，我们必须有结构化框架，必须有能够描述异质性、决策过程、约束条件以及信息随时间演化的模型。AI 可以帮助我们处理这种数据丰富环境中的复杂性，但科学的真正目标仍然是因果理解，而不是单纯预测。

动态视角之所以重要，是因为人们总是在信息不完全的情况下作出决策。在选择发生的那个时点，决策者通常并不知道未来会显现出什么信息。事前与事后的区别在这里至关重要。一个事后看来似乎愚蠢的决定，在事前可能完全是合理的，因为当时可获得的信息就是那样。

因此，因果分析必须把信息、预期以及决策时点纳入考虑。它也必须考虑自愿参与和自我选择。人并不是被动接受“处理”的对象；他们往往会基于预期收益、预期成本以及对未来的判断，主动进入某种环境、项目或关系之中。

我们之所以需要更丰富的因果框架，还有一个重要原因：很多关键结果都是通过社会互动产生的。疾病通过互动传播；能力通过家庭、学校和同伴群体不断积累；社会规范则在影响网络中生成、延续或消失。许多标准的因果框架并不足以充分刻画这些互动效应。

同时，我们还必须区分“内部效度”和更广意义上的适用性。内部效度关注的是：在特定情境中，我们是否真正识别出了正确机制。这当然重要。但更大的科学挑战在于：我们是否足够理解这一机制，以至于能够推理到其他场景、其他人群和其他干预条件。一个因果模型应当帮助我们超越单一数据集所对应的狭窄环境。

我认为，把问题区分为三个任务会非常有帮助。第一是模型创建：构建一个连贯的概念框架，并生成反事实世界。这不仅仅是统计操作，它需要想象力、纪律、先验知识以及科学判断。

第二个任务是识别：即追问，在理想数据条件下，模型所描述的机制是否原则上能够被区分、被恢复出来。第三个任务是估计：利用现实世界中带有测量误差和各种限制的数据，去估计参数并检验模型含义。AI 和机器学习在识别与估计方面，尤其是在高维环境下，能够发挥非常强的作用；但我们必须把它们理解为更大科学架构中的组成部分。

随机对照试验之所以有价值，是因为随机分配能够打破某些依赖关系，从而使某些因果比较更加清晰。但随机化并不是进行因果分析的唯一方式，也并不总是每一个问题上的最佳方式。根据具体情境，我们还可以借助测量系统、潜变量模型、因子模型、工具变量、观察性结构以及动态信息来学习因果关系。

真正的问题在于，不能把任何单一方法抬高为普遍适用的“金标准”。方法只是工具，它的价值取决于所研究的问题、所关注的机制以及手头可获得的证据。健全的因果推理需要的是方法上的灵活性，而不是教条主义。

最后，我想用一个关于亲子互动研究的例子来收束今天的讨论。这个领域本质上就是动态的、交互性的。传统教育评估往往依赖纸笔测试或低频评估，但新技术已经使我们能够观察到更多内容。我们可以在房间里布设传感器，采集多模态数据，并实时研究互动过程。

在深圳以及其他地方正在开展的一些研究中，配备大语言模型的机器人可以与儿童互动，同时生成关于儿童行为的连续记录。这样的系统不仅使我们能够观察儿童与机器人之间的互动，也能帮助我们更好地理解父母、教师以及周边环境所构成的更大互动系统。我们现在仍然没有完全理解这些互动究竟如何起作用，而这恰恰说明我们需要动态模型。AI 为我们提供了强有力的新型测量与交互工具，但真正的解释仍然需要因果结构。

AI 在科学中的未来，不应仅仅被理解为“更好的预测”。它更深层的潜力，在于帮助我们组织信息、构建可信机制，并以更丰富、更精确的方式研究动态因果系统。但科学进步最终仍然依赖于清晰的概念、可信的模型，以及对“什么导致什么”的严谨推理。

如果我们希望真正改善教育、医疗、社会政策以及人的发展，就必须建立一种能够把数据与理论、证据与机制、计算与判断结合起来的框架。在我看来，这才是通向更严肃、也更有用的因果科学之路。非常感谢大家。