更改

=== 搜索和启发式 ===

=== 搜索和启发式 ===

Pearl 在计算机科学领域的声誉最初不是建立在概率推理（这在当时是一个有争议的话题）上，而是建立在组合搜索上。从1980年开始发表一系列期刊论文，最终于1984年 Pearl 出版了《启发式：计算机问题解决的智能搜索策略》一书。这项工作包括许多关于传统搜索算法的新结果，例如A*算法（发音：A star algorithm），以及在游戏算法方面，将人工智能研究提升到一个新的严谨和深度水平。它还提出了关于如何从宽松的问题定义中自动推导出可接受的启发式的新想法，这种方法导致了规划系统的巨大进步。

Pearl 在计算机科学领域的声誉最初不是建立在概率推理（这在当时是一个有争议的话题）上，而是建立在组合搜索上。从1980年开始发表一系列期刊论文，最终于1984年 Pearl 出版了《启发式：计算机问题解决的智能搜索策略》一书。这项工作包括许多关于传统搜索算法的新结果，例如A*算法（发音：A star algorithm），以及在游戏算法方面，将人工智能研究的严谨和深度提升到一个新水平。它还提出了关于如何从宽松的问题定义中自动推导出可接受的启发式的新想法，这种方法导致了规划系统的巨大进步。

=== 贝叶斯网络 ===

=== 贝叶斯网络 ===

Pearl 认为，对问题进行合理的概率分析会给出直观正确的结果，即使在基于规则的系统行为不正确的情况下也是如此。一个这样的案例与因果推理（从原因到结果）和诊断推理的能力有关（从结果到原因）。“如果使用诊断规则，则无法进行预测，如果使用预测规则，则无法进行诊断推理，如果同时使用两者，则会遇到正反馈不稳定性，这是我们在概率论中从未遇到过的。” 另一个案例涉及“解释消失”现象，即当观察到给定结果时，对导致结果的任何原因的相信程度会增加，但当发现其他原因也能导致观察到的结果时，对之前原因的相信程度就会降低。基于规则的系统不能表现出“解释消失”现象，而它在概率分析中会自动发生。

Pearl 认为，对问题进行合理的概率分析会给出直观正确的结果，即使在基于规则的系统行为不正确的情况下也是如此。一个这样的案例与因果推理（从原因到结果）和诊断推理的能力有关（从结果到原因）。“如果使用诊断规则，则无法进行预测，如果使用预测规则，则无法进行诊断推理，如果同时使用两者，则会遇到正反馈不稳定性，这是我们在概率论中从未遇到过的。” 另一个案例涉及“解释消失”现象，即当观察到给定结果时，对导致结果的任何原因的相信程度会增加，但当发现其他原因也能导致观察到的结果时，对之前原因的相信程度就会降低。基于规则的系统不能表现出“解释消失”现象，而它在概率分析中会自动发生。

Pearl 意识到条件独立的概念将是构建具有多项式多参数的复杂概率模型和组织分布式概率计算的关键。论文“Reverend Bayes on Inference Engines: A Distributed Hierarchical Approach”[2]介绍了由有向无环图定义的概率模型，并推导出了一种精确的、分布式的、异步的、线性时间的树推理算法——我们现在称之为信念传播的算法，turbocodes的基础。随后，Pearl 有一段非凡的创意产出，发表了 50 多篇论文，涵盖一般图的精确推理、使用马尔可夫链蒙特卡罗的近似推理算法、条件独立属性、学习算法等，直到 1988 年出版了《智能系统中的概率推理》。这部具有里程碑意义的著作将珀尔的哲学、他的人类认知理论和他所有的技术材料结合成一个有说服力的整体这引发了人工智能领域的一场革命。在短短几年内，来自人工智能内部逻辑阵营和神经网络阵营的主要研究人员采用了一种概率（通常简称为现代）方法来研究人工智能。

Pearl 意识到条件独立的概念将是构建具有多项式多参数的复杂概率模型和组织分布式概率计算的关键。论文“Reverend Bayes on Inference Engines: A Distributed Hierarchical Approach”[8]介绍了由有向无环图定义的概率模型，并推导出了一种精确的、分布式的、异步的、线性时间的树推理算法——我们现在称之为信念传播的算法，turbocodes的基础。随后，Pearl 有一段时间做出了非凡的创意产出，发表了 50 多篇论文，涵盖一般图的精确推理、使用马尔可夫链蒙特卡罗的近似推理算法、条件独立属性、学习算法等，直到 1988 年出版了《智能系统中的概率推理》。这部具有里程碑意义的著作将 Pearl 的哲学、他的人类认知理论和他所有的技术材料结合成一个有说服力的整体这引发了人工智能领域的一场革命。在短短几年内，来自人工智能内部逻辑阵营和神经网络阵营的主要研究人员采用了一种概率（通常简称为现代）方法来研究人工智能。

Pearl 的贝叶斯网络为多元概率模型提供了句法和演算，就像乔治·布尔为逻辑模型提供句法和演算一样。与贝叶斯网络相关的理论和算法问题是机器学习和统计学现代研究议程的重要组成部分，它们的使用也渗透到其他领域，如自然语言处理、计算机视觉、机器人技术、计算生物学和认知科学。截至2012年，已经出现了大约 50,000 篇以贝叶斯网络为主要关注点的出版物。

Pearl 的贝叶斯网络为多元概率模型提供了句法和演算，就像乔治·布尔为逻辑模型提供句法和演算一样。与贝叶斯网络相关的理论和算法问题是机器学习和统计学现代研究议程的重要组成部分，它们的使用也渗透到其他领域，如自然语言处理、计算机视觉、机器人技术、计算生物学和认知科学。截至2012年，已经出现了大约 50,000 篇以贝叶斯网络为主要关注点的出版物。

2011 年，他获得了ACM的图灵奖，这是计算机工程领域的最高荣誉，以表彰他“通过开发用于概率和因果推理的微积分对人工智能的根本贡献”。

2011 年，他获得了ACM的图灵奖，这是计算机工程领域的最高荣誉，以表彰他“通过开发用于概率和因果推理的微积分对人工智能的根本贡献”。

2015年，ACM fellow

2015年，他获得了 ACM fellow 资深会员称号

== 主要文章及著作 ==

== 主要文章及著作 ==

他就人工智能的各个主题发表了500余篇科学论文（http://bayes.cs.ucla.edu/jp_home.html<nowiki/>）。此外，他在上述感兴趣的领域共出版五本著作：

他就人工智能的各个主题发表了500余篇科学论文（http://bayes.cs.ucla.edu/jp_home.html<nowiki/>）。此外，他在上述感兴趣的领域共出版五本著作：

1984 年，《启发法》 Heuristics, Addison-Wesley, 1984

1984 年，《启发式：计算机问题解决的智能搜索策略》 Heuristics, Addison-Wesley, 1984。

 

1988 年，《智能系统中的概率推理：合理推断网络》 Probabilistic Reasoning in Intelligent Systems, Morgan-Kaufmann, 1988

1988 年，《智能系统中的概率推理：合理推断网络》 Probabilistic Reasoning in Intelligent Systems, Morgan-Kaufmann, 1988

2009 年，《因果关系：模型、论证、推理》 Causality: Models, Reasoning, and Inference, Cambridge University Press, 2000; 2nd edition, 2009.

2009 年，《因果关系：模型、论证、推理》 Causality: Models, Reasoning, and Inference, Cambridge University Press, 2000; 2nd edition, 2009.

2016 年，《统计因果推理入门》 Causal Inference in Statistics: A Primer, (with Madelyn Glymour and Nicholas P. Jewell) Wiley, 2016.

2016 年，《统计因果推理入门》 Causal Inference in Statistics: A Primer, (with Madelyn Glymour and Nicholas P. Jewell) Wiley, 2016.

2018 年，《为什么：关于因果关系的新科学》 The Book of Why: The New Science of Cause and Effect (with Dana Mackenzie), New York: Basic Books, May 2018

2018 年，《为什么：关于因果关系的新科学》 The Book of Why: The New Science of Cause and Effect (with Dana Mackenzie), New York: Basic Books, May 2018

== 相关链接 ==

== 相关链接 ==