貝氏網路（Bayesian network）
/ BAY-zee-un NET-wurk /
貝氏網路是一種以箭頭為連接的機率圖模型——一張影響的流程圖。每個點是一個變數，從一個點指向另一個點的箭頭，表示「這個直接影響那個」。每個點還附著一張小表，給出它在「所有指向它的點」的每一種組合下各自的可能性。這些局部小表合在一起，便縫合成整個系統行為的一幅完整畫面。
箭頭常誘人作因果解讀——灑水器和下雨都會讓草地變濕——這份直覺，正是這類網路如此流行的原因之一。但這裡有一個關鍵的誠實之處：貝氏網路中的箭頭，本身並不構成因果的證明。同一批資料，通常也能被箭頭反指的網路同樣描述。圖捕捉的是統計依賴的模式；要把它變成真正的因果論斷，需要額外的假設或實驗，而不只是一張圖。
它們為何重要：貝氏網路讓你能朝任意方向推理。知道草是濕的，你可以反問它多半是否下過雨；知道下了雨，你可以預測草會變濕。這種「從結果倒推回原因」，恰恰是診斷、查障、風險評估所需要的，貝氏網路也曾驅動過醫學、工程與決策支援領域中頗具影響力的系統。它們的局限一如往常：搭建結構、填滿那些表，需要真功夫的專業知識或資料；而隨著網路變大，精確推理也會變得昂貴。
經典的「濕草地」網路：下雨和灑水器都指向草地變濕；下雨還指向灑水器（下雨天灑水器不太會開）。你走出門，發現草是濕的。這張網路讓你算出：現在下雨變得更有可能——而且，既然下雨已經解釋了草為何變濕，灑水器開過的可能性反而略微下降了。這種微妙的「解釋抵銷」效應，會自動地從數學裡浮現出來。
「解釋抵銷」：一旦下雨解釋了濕草地，另一個競爭的原因（灑水器）就變得不那麼可能了。
最常見的誤解：以為貝氏網路裡的箭頭就意味著因果。它們本身並不意味著——箭頭編碼的是條件依賴，而許多不同的箭頭朝向，都能同樣好地擬合同一批資料。因果的解讀，需要圖本身無法提供的假設或實驗。