在日常生活中人们已经随处看到或者感受到人工智能和机器学习算法对于自身的影响。比如，推荐算法引导餐厅的客流量；再比如，GPS导航能够让道路出现拥堵；再比如，电商的推荐让某种商品大卖等等。这些都是算法的结果并不简简单单是某种意义的预测（“Prediction”），而是对其所在的预测环境产生了印象，进而这种环境对预测肯定会有进一步的影响。

学术界给这种现象去了一个名字，叫Performative Prediction，并且开始有了比较系统的研究。在The Conference on Uncertainty in Artificial Intelligence （UAI 2024）上，来自德国Tübingen AI Center的Celestine Mendler-Dünner以及来自Stanford University的Tijana Zrnic做了一个关于这个方向的教程An introduction to Performative Prediction（http://t.cn/A6EMnUs9）。

整个教程可以算是把Performative Prediction方向的基础，也就是什么是Performative Prediction，特别是Performative stability和Performative optimality的异同，以及我们在平时的工作中经常使用的Retraining（也就是部署了某个算法之后，重新根据新的数据来训练并且再部署）也算是简单的Performative Prediction算法等等展开了比较详细的介绍。最后，当然开提及了一些这个方向的前沿知识。教程可以说是通俗易懂。