人物档案 · MIND_011
朱迪亚·珀尔
Judea Pearl加州大学洛杉矶分校计算机科学与统计学教授，2011 年图灵奖得主。他创立了贝叶斯网络，并建立了以结构因果模型、do 演算和反事实为核心的因果推断理论，著有《因果性》《为什么》。
他在这些问题上说过什么
Ⅱ·01知识从哪里来？6 段
克服组合爆炸的唯一办法是利用其中的约束，而理解这些约束正是理解的必要组成部分
Judea Pearl, 2012 ACM A.M. Turing Award Lecture "The Mechanization of Causal Inference" · 16:40 · 2013 · 追问 →
逻辑无法告诉你如何组合多个不确定性，概率可以
Turing Award Winner: Early AI, LLM Predictions, Causality · 36:21 · 2026 · 追问 →
人类推理的根本机制存在于因果之中，概率论没有捕捉到它
Turing Award Winner: Early AI, LLM Predictions, Causality · 48:12 · 2026 · 追问 →
知识只有按因果方向组织，局部改动后其余部分才依然可用
Turing Award Winner: Early AI, LLM Predictions, Causality · 49:34 · 2026 · 追问 →
等号的对称性是代数刻画科学的局限，因果的方向性需要一种新的代数
Turing Award Winner: Early AI, LLM Predictions, Causality · 53:32 · 2026 · 追问 →
因果阶梯第 i 层的问题，除非有第 i 层或更高层的假设，否则无法回答
Turing Award Winner: Early AI, LLM Predictions, Causality · 54:46 · 2026 · 追问 →
这一问的全部回应 →
Ⅰ·12智能一定需要生命才能产生吗？4 段
大语言模型并非在观察原始数据，而是在读取人类写下的、充满假设的世界模型
Turing Award Winner: Early AI, LLM Predictions, Causality · 1:00:01 · 2026 · 追问 →
仅靠从互联网文本中学习的大语言模型无法通向超人智能或 AGI
Turing Award Winner: Early AI, LLM Predictions, Causality · 1:02:51 · 2026 · 追问 →
检验机器智能的真正标准是让它面对原始数据自己做实验，而不是消化人写好的文章
Turing Award Winner: Early AI, LLM Predictions, Causality · 1:09:45 · 2026 · 追问 →
值得追求的是世界模型：不存储问题和答案，而在需要时从少数基本原理推导出来
Turing Award Winner: Early AI, LLM Predictions, Causality · 1:26:00 · 2026 · 追问 →
这一问的全部回应 →
Ⅱ·02什么才算真正知道？2 段
计算机能否思考应当以行为来回答：只要它表现得像在思考，就算能思考
Judea Pearl, 2012 ACM A.M. Turing Award Lecture "The Mechanization of Causal Inference" · 6:36 · 2013 · 追问 →
因果推理能回答「是什么、如果怎样、为什么」三类问题，配得上充当迷你图灵测试
Judea Pearl, 2012 ACM A.M. Turing Award Lecture "The Mechanization of Causal Inference" · 11:38 · 2013 · 追问 →
这一问的全部回应 →
Ⅰ·06心智本质上只是信息处理吗？1 段
Ⅵ·03技术是在替我们工作，还是在替我们决定？1 段
machine一旦被赋予掌控环境的动机,人就成了它要拿捏的环境变量之一。
给机器人编入掌控环境的好奇心，人类必然失去对它的控制，因为人也在它的环境里
Turing Award Winner: Early AI, LLM Predictions, Causality · 1:06:40 · 2026 · 追问 →
这一问的全部回应 →
Ⅴ·05我们怎样在不知道答案时寻找答案？1 段
Ⅱ·04科学真的越来越接近真理吗？1 段
其他论点10 段
图灵低估了从儿童大脑起步的难度，也低估了视觉与运动动作对高层次智能的作用
Judea Pearl, 2012 ACM A.M. Turing Award Lecture "The Mechanization of Causal Inference" · 10:02 · 2013
解相同但写法不同的两个方程组并不等价，因为它们回答反事实问题的能力不同
Judea Pearl, 2012 ACM A.M. Turing Award Lecture "The Mechanization of Causal Inference" · 24:03 · 2013
物理学讲的全是反事实：方程描述的是大自然给变量赋值的过程，而非两边的对称关系
Judea Pearl, 2012 ACM A.M. Turing Award Lecture "The Mechanization of Causal Inference" · 27:31 · 2013
因果不是神的恩赐，而是人从反复观察到的规律性中学来的标签
Judea Pearl, 2012 ACM A.M. Turing Award Lecture "The Mechanization of Causal Inference" · 28:45 · 2013
只有具备可检验推论的模型才可能从数据中被学出来
Judea Pearl, 2012 ACM A.M. Turing Award Lecture "The Mechanization of Causal Inference" · 32:45 · 2013
看到价格翻倍和让价格翻倍是两回事，干预问的是数据生成模型而非联合分布的性质
Judea Pearl, 2012 ACM A.M. Turing Award Lecture "The Mechanization of Causal Inference" · 36:03 · 2013
因果图里每一条缺失的连边都是一个因果假设，而不是统计假设
Judea Pearl, 2012 ACM A.M. Turing Award Lecture "The Mechanization of Causal Inference" · 47:56 · 2013
评估反事实不必依赖可能世界之间的相似性，只需对物理方程做截断处理
Judea Pearl, 2012 ACM A.M. Turing Award Lecture "The Mechanization of Causal Inference" · 52:54 · 2013
苏菲周报 · THE WEEKLY
每周一封，
追问一个大问题。 苏菲拉底的每周来信，写这一周在追问的问题和看到的回应。
追问一个大问题。 苏菲拉底的每周来信，写这一周在追问的问题和看到的回应。
苏菲拉底
ASK THE BIG QUESTIONS · THINK DEEPLY · SEE THE WORLD DIFFERENTLY
微信公众号
© 2026 苏菲拉底 · 内容仅供学习
[email protected]