在算法和数据主导的应用场景中，以人类行为为基础的因果关系规则体系是否仍然适用不无疑问。算法设计者可能并非某个专业领域的专家，但是其设计的学习算法却能击败该专业领域的顶尖者，AlphaGo 击败世界围棋高手即为明证。“程序员给出的只是学习规则，但真正作出决策的是基于大数据训练后的算法本身，而这一结果与程序员的意志并无直接因果关联。”[166]
相关关系是因素与结果之间的关系，是一种变量关系。算法利用相关性而非因果性将输入的数据转化为输出数据或新算法。相关关系是因果关系量化的结果。人工智能时代，建立在数据分析基础上的决策和行为是否还可以通过因果关系进行解释？“大数据时代最惊心动魄的挑战，就是社会将需要从对因果关系的某种痴迷中蜕出，而代之以简单的相关关系。在大数据基础上建立起来的模型没有关于‘为什么’的理解，只有‘是什么’。”[167]换言之，因果关系与相关关系的区别在于，因果关系具有确定性而相关关系具有不确定性。“因果关系必须具有状态描述与状态之间的必然联系，而从相关性到因果性的逻辑链条并不完备，相关性具有不确定性。”[168]因果关系的确定性与智能机器（人）行为的可预期性相一致，符合人们追求稳定社会生活的需要；而相关关系的不确定性则使智能机器（人）的决策和行为可能出现人们无法预料的后果，难以发挥法律规则的教育、惩戒和引导作用。以相关关系替代因果关系可能陷入不可知论，规则无效的观点随之产生。例如，智能驾驶汽车通过感知设备收集数据和信息并基于算法在海量数据分析的基础上作出决策或行为。相互关联的数据整体而非单个数据与行为或决策之间存在对应关系。“信息的数据化使因果关系量化获得关系强度和正负性质的同时，丧失了原来的必然性和方向性。”[169]行为与结果之间的关系变得复杂而模糊。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
