·94· 智能系统学报 第16卷 结果的因素。 因素空间承认狭义因果论和广义因果论，在 关联性存在于概念，是很多知识，包括本能、 因素层面上讨论因果关系。因素是表征事物和区 经验、规范和常识等的集合。它可以独立于数据 别事物的特征要素，因果关系可能存在众多因素 通过人或是人工智能直接得到，是对象状态或属 的影响。这将导致同因不同果，或者同果不同 性层面的事物。比如甲的A状态增加，乙的B状 因，甚至因果相同时经历完全不同的发展过程。 态增加，因此它们是关联的。最通俗的例子是鸡 这使因果关系存在多样性，即使在表面上是相似 鸣和天亮的关系。鸡鸣可推天亮，天亮可推鸡 的。所以因果分析应基于数据的狭义因果论和基 鸣。前者说明鸡鸣是鸡的本能因素，天亮则是条 于状态的广义因果论，即从因素的关联性和相关 件因素：可以说成天亮是原因，鸡鸣是结果。后 性两方面寻找对结果最有影响的因素，进而找到 者则不能说成鸡鸣是原因，天亮是结果。但因素 基本原因。 空间在广义上承认后者的因果关系，即广义因果 3故障因果分析的4个驱动层次 关系。后者在人工智能方面可能更具效用，是人 们对自然界规律的总结。人们不会关心天亮了鸡 图灵奖得主珀尔于2018年出版的《为什么 为什么打鸣，而会关心鸡打鸣预示着天亮。因此 一关于因果关系的新科学》6中提到：因果性 关联性取决于知识和概念层面的意义。基于状态 研究有3个层次：1)研究关联与相关，是统计学 和因素层面的关联性是广义因果论。 和人工智能现行的广义因果性研究：2)干预研 相关性在于具体的数据层面，是通过数据分 究，当有第3方因素影响时，研究剔除该因素后 析得到的不同类型数据之间的关系。最简单的例 两者之间的关系；3)反事实推理，认为数据是事 子，在线性代数中2组数据有联系称为线性相 实记录，机器学习把学习和推理局限在事实世 关。正如上节提到的交通事故与时间存在正态分 界，但人脑思维能跳出事实进行假想。基于作 布关系，即为两者相关。相关性分析往往用于比 者对故障数据及因果分析，特别是智能分析的 较复杂和数据量较大且经验不足情况下的两事物 研究的认为故障因果分析可分为4个层次，它 关系分析。如上节使用数理统计方法的不足一 们是数据驱动、因素驱动、数据-因素驱动、数据 样，只能得到数据分布的相关性。可能根本不具 -因素-假设驱动。如图1所示1819，左侧为系统 有因果关系或者有中间事件传递了因果关系。基 运动空间和系统映射论的表示，右侧为4个层次 于数据层面得到的相关性是狭义因果论。 关系。 获取可测 数据平面 相关数据 同时考虑 自然！系统向数据 系统 平面投影 人工智能数据分析数据驱动因素分析因素驱动 自然系 系统（陕射）调整因素第1层次 第1层次 的结构 映射) 调整因素 系统向因素 调整因素 数据+因素驱动 平面投影 (常3层次 人的智慧假设 同时考虑 调整因素 因素平面 数据+因素+假设驱动 调整已知可调节因素 (第4层次) 图14个层次的关系 Fig.1 Relationships of four levels 3.1数据驱动 出来的。如果系统数据恒定则很难被认知，比如 目前各门类科学一般以数据作为基础建立理 存在于宇宙中的微波背景辐射。这类数据一直存 论体系。在提出各种理论的同时也需要找到相应 在，人类无从分辨。或者另一情况，系统散发数 的数据进行验证，因此数据成为现代科学发展的 据且不断变化，但人的现有技术无法探测。这对 基础。但正如第1节所述，数据本身就是难以解 于人而言系统是不存在的，因为没有对应的数 决的问题。因为系统存在是通过数据的波动表现 据。如黑洞，光无法逃离因此看不到，但它确实结果的因素。 关联性存在于概念，是很多知识，包括本能、 经验、规范和常识等的集合。它可以独立于数据 通过人或是人工智能直接得到，是对象状态或属 性层面的事物。比如甲的 A 状态增加，乙的 B 状 态增加，因此它们是关联的。最通俗的例子是鸡 鸣和天亮的关系。鸡鸣可推天亮，天亮可推鸡 鸣。前者说明鸡鸣是鸡的本能因素，天亮则是条 件因素；可以说成天亮是原因，鸡鸣是结果。后 者则不能说成鸡鸣是原因，天亮是结果。但因素 空间在广义上承认后者的因果关系，即广义因果 关系。后者在人工智能方面可能更具效用，是人 们对自然界规律的总结。人们不会关心天亮了鸡 为什么打鸣，而会关心鸡打鸣预示着天亮。因此 关联性取决于知识和概念层面的意义。基于状态 和因素层面的关联性是广义因果论。 相关性在于具体的数据层面，是通过数据分 析得到的不同类型数据之间的关系。最简单的例 子，在线性代数中 2 组数据有联系称为线性相 关。正如上节提到的交通事故与时间存在正态分 布关系，即为两者相关。相关性分析往往用于比 较复杂和数据量较大且经验不足情况下的两事物 关系分析。如上节使用数理统计方法的不足一 样，只能得到数据分布的相关性。可能根本不具 有因果关系或者有中间事件传递了因果关系。基 于数据层面得到的相关性是狭义因果论。 因素空间承认狭义因果论和广义因果论，在 因素层面上讨论因果关系。因素是表征事物和区 别事物的特征要素，因果关系可能存在众多因素 的影响。这将导致同因不同果，或者同果不同 因，甚至因果相同时经历完全不同的发展过程。 这使因果关系存在多样性，即使在表面上是相似 的。所以因果分析应基于数据的狭义因果论和基 于状态的广义因果论，即从因素的关联性和相关 性两方面寻找对结果最有影响的因素，进而找到 基本原因。 3 故障因果分析的 4 个驱动层次 图灵奖得主珀尔于 2018 年出版的《为什么 —关于因果关系的新科学》[16] 中提到：因果性 研究有 3 个层次：1) 研究关联与相关，是统计学 和人工智能现行的广义因果性研究；2) 干预研 究，当有第 3 方因素影响时，研究剔除该因素后 两者之间的关系；3) 反事实推理，认为数据是事 实记录，机器学习把学习和推理局限在事实世 界，但人脑思维能跳出事实进行假想。基于作 者对故障数据及因果分析，特别是智能分析的 研究[9-15] ，认为故障因果分析可分为 4 个层次，它 们是数据驱动、因素驱动、数据−因素驱动、数据 −因素−假设驱动。如图 1 所示[18-19] ，左侧为系统 运动空间和系统映射论的表示，右侧为 4 个层次 关系。 因素平面 数据平面 系统向数据 平面投影 系统向因素 平面投影 调整已知可调节因素 自然 系统 数据分析 因素分析 同时考虑 调整因素 人的智慧假设 同时考虑 调整因素 调整因素 调整因素 di fi 自然系统 的结构 (映射) 获取可测 相关数据 人工智能 系统 (映射) 数据驱动 (第 1 层次) 因素驱动 (第 1 层次) 数据+因素驱动 (第 3 层次) 数据+因素+假设驱动 (第 4 层次) 图 1 4 个层次的关系 Fig. 1 Relationships of four levels 3.1 数据驱动 目前各门类科学一般以数据作为基础建立理 论体系。在提出各种理论的同时也需要找到相应 的数据进行验证，因此数据成为现代科学发展的 基础。但正如第 1 节所述，数据本身就是难以解 决的问题。因为系统存在是通过数据的波动表现 出来的。如果系统数据恒定则很难被认知，比如 存在于宇宙中的微波背景辐射。这类数据一直存 在，人类无从分辨。或者另一情况，系统散发数 据且不断变化，但人的现有技术无法探测。这对 于人而言系统是不存在的，因为没有对应的数 据。如黑洞，光无法逃离因此看不到，但它确实 ·94· 智 能 系 统 学 报 第 16 卷