面对复杂现象，怎样找个靠谱的解释？

对一个复杂现象能诠释得严丝合缝的，往往反而是那些阴谋论或诉诸超天然身分的理论。

“为什么” 是最常见的问题类之一了。和“是不是”（判定、评价） “是什么”（识别、分类） “什么是”（举例、搜寻）等类问题比拟，对这种 “求诠释” 问题的回覆所涉及到的推理过程更为复杂。这不仅是因为谜底难以找到（所有问题类都有这种环境），更经常是因为“谜底” 太多并且互相矛盾，是以难以抉择。列位读者若是检核当前的舆情热点则不难发现，非论是对汗青事务仍是实际现象，貌似有理的诠释俯拾皆是，但显然不克不及同时都被接管，而有些更是匪夷所思到令你服气人们的想象力。此处还有逻辑可言吗？

诠释和归因

对诠释性问题的回覆不是传统意义下的 “演绎” 推理，这就是说没有一套严酷的法则可觉得一个给心猿意马的现象A找到一个准确的诠释B。一种常见的说法是，把所有不是演绎的推理统称为 “归纳”，但这样一来不免难免勾消了此中分歧推理类型的主要不同。

在推理分类上做出奠定性进献的是皮尔斯（Charles Sanders Peirce）。他最早提出诠释性推理是和演绎、归纳均分歧的根基推理形式。皮尔斯起头称这种推理为hypothesis（假设），后改称abduction。后面这个词在中文中有 “溯因” “归因” “逆推” 等译法，我感觉 “归因” 和 “归纳” 对应，更得当些，是以一般用这个词。在Deduction, Induction, and Hypothesis 一文[1]中，皮尔斯给出的例子是：

演绎(deduction)：从“这些豆子是从这个袋子里掏出来的” 和 “这个袋子里的豆子都是白的” 推出 “这些豆子是白的”；

归纳(induction)：从“这些豆子是从这个袋子里掏出来的” 和 “这些豆子是白的” 推出 “这个袋子里的豆子都是白的”；

归因(hypothesis/abduction)：从“这些豆子是白的” 和 “这个袋子里的豆子都是白的” 推出 “这些豆子是从这个袋子里掏出来的”。

这可以归纳综合当作下面的一般格局：

演绎：从“S是M” 和 “M是P” 推出 “S是P”

归纳：从“S是M” 和 “S是P” 推出 “M是P”

归因：从“S是P” 和 “M是P” 推出 “S是M”

这样一来，归纳和归因别离可以经由过程将演绎的一个前提与其结论换位而获得，是以均可以被算作是 “逆演绎”，而这二者仍有分歧。

皮尔斯指出，尽管归纳和归因都不具有演绎的 “保真性”，它们仍供给主要的推理功能。归纳的功能是 “归纳综合” （也称 “泛化” 或 “一般化”），这就是说尽管 “S是M” 和 “S是P” 不克不及包管 “M是P” 的准确性，但若是这样的S有良多，其累积结果简直会使得我们接管 “是M的也都是P”，那也就是 “M是P” 了。另一方面，归因的功能是 “诠释”，这就是说尽管 “S是P” 和 “M是P” 不克不及包管 “S是M” 的准确性，但“S是M” （作为假说）和 “M是P” （作为布景常识）可以诠释 “S是P” （作为不雅察成果）为什么会发生。这样一来，这两种推理形式各安闲思维勾当中的进献就清晰了，并且它们和演绎所供给的论证功能是互补的，彼此并无矛盾。对上面那个例子来说，若是人们知道一个袋子里的豆子都是白的，简直经常会觉得看到的白豆子是从袋里掏出来的，尽管这显然只是浩繁可能性中的一种。

切当地说，皮尔斯关于演绎-归纳-归因的不雅点包含两个方面：

1. 这三者的形式及其换位关系，

2. 这三者在思维勾当中的功能。

因为前一个方面的工作是在 “词项逻辑” （以亚里士多德三段论为代表）的形式框架中表述的，而跟着数理逻辑的鼓起，词项逻辑的优势地位被谓词逻辑所代替（这是另一个话题了，在此不睁开），皮尔斯在推理类型划分上的思惟遗产本家儿如果在第二个方面被后人担当了。在近年的研究[2]中，演绎-归纳-归因根基上是遵照它们的功能（论证-归纳综合-诠释）来区分的，而其形式化界说则是在谓词逻辑的框架中给出的，好比说若是P(a) 和 Q(a) 别离暗示对象a 具有性质P和Q，并且P(x) → Q(x) 暗示 “凡有性质P的也有性质Q”，那么这三种推理可以归纳综合当作下面的格局：

演绎：从P(a) 和 P(x) → Q(x) 推出 Q(a)

归纳：从P(a) 和 Q(a) 推出 P(x) → Q(x)

归因：从Q(a) 和 P(x) → Q(x) 推出 P(a)

固然归纳和归因仍可以经由过程换位从演绎中获得，这种暗示已经不再有词项逻辑中那种标致的同一性。出于多种考虑，在我本身的推理模子[3]中仍是用了皮尔斯最初的词项逻辑形式，但将其从二值逻辑革新当作多值逻辑，即把 “真假” 算作水平之别，而分歧的推理形式则是以分歧的体例和强度为结论供给证据。这方面我在《证实、证伪、证实、证据：何故为“证”?》（见王培“AI那厮”专栏）之中已有介绍，这里就不再反复了。

诠释“诠释”

以前面的介绍为根本，我们可以诠释一下 “诠释” 之中为什么有那么多问题。作为难兄难弟，归因的麻烦不比归纳的少（见《科学的名誉，哲学的丑闻：怎么对于“归纳”带来的麻烦？》）并且二者不乏 “同病” 之处，好比其结论只能获得相对较低的可托度，而无论前提若何可托。

当会商从界说相对严酷的 “归因” 转到相对迷糊的 “诠释”，问题就更多了。按照今朝一般的理解，给心猿意马现象A，假说B只要不是较着为假，并且可以或许和布景常识K一路（演绎地）推导出A，就算是个可能的诠释。这样一来，对统一个A，诠释B可以有良多个，以至于似乎可以用任何B去诠释A。好比说或人做了一件功德，有人天然会以此作为此人是大好人的证据，而往往也有人会说这事恰好申明了此人的伪善和专心邪恶；若是或人做了一件坏事，有人会以此证实此人是坏人，而同时还有人会为其找出不得已的来由，甚至说其成果 “现实上从久远看来不掉为一桩功德”。

若是你决心不吝一切价格来捍卫某种崇奉，那么不管发生什么都可以据此供给诠释，并进一步撑持这个崇奉。好比说有人认为我们是糊口在外星人构建的一个模拟情况之中。不管发生什么现象，这个诠释老是当作立的。更有人用此类方式显示本身崇奉的某种理论相对于科学理论的优胜性：每个科学理论都有今朝尚不克不及诠释的现象，而这些理论却可以诠释一切。

对于这种事我们能说什么呢？

起首，即使某个诠释听上去匪夷所思，这也未必申明它 “不合适逻辑”。按照前面的申明不难看到，按照对诠释的宽泛界说，在不限制什么可以算作 “布景常识” 的环境下，人们几乎可以用肆意的理论去 “诠释” 肆意的现象，所以说这里最常见的错误不是推理违规，而是肆意引入 “特设性” 前提。好比说在 “外星人具有超出我们理解的能力” 的前提假设下，我们简直可能是糊口在它们设置的一个模拟情况中。按照近似的思绪，我甚至可以对峙认为只有我本人是真实存在的，而宿世界（包罗所有其他人）都不外是一个模拟情况中的幻象罢了。这个结论固然听起来疯狂，倒是完全 “合适逻辑” 的，这就是说你不克不及期望经由过程辩说说服一个抱有这种信念的人，因为你的谈吐也会被诠释当作模拟的一部门。

对统一个现象的诠释不是独一的，这不申明每个诠释都有同样的合理性，而恰好是要求我们对它们进行比力，而选择那些相对而言较好的。在这里， “好” 不仅仅意味着能自圆其说。对一个复杂现象能诠释得严丝合缝的，往往反而是那些阴谋论或诉诸超天然身分的理论。一个常见的曲解就是，能诠释的现象越多的理论就越好，越 “科学”，其实尽可能多地诠释各类现象只是对一个理论的期望之一，而不是独一的期望。对步履的指导性和概念简单性也都是主要的。当一个理论以牺牲指导性或简单性为价格来增添诠释力的时辰，在和其它理论的竞争中未必能占廉价。若是一个理论既可以诠释某个事务的发生也可以诠释其未发生，那就对我们的行为缺乏指导意义（我们到底要若何筹办应对？），这种诠释力（或者说 “准确性”）也就不具有现实价值了。这也就是波普尔的 “证伪本家儿义” 中的合理当作分，只是指导性所导致的查验对一个理论一般不会有 “立判存亡” 之效，而仅是在必然水平上加强或削弱这个理论的竞争力。

简单性也是影响一个理论的竞争力的主要身分。好比说 “我们是糊口在外星人构建的一个模拟情况之中” 这个假说，我们简直没法子证实它是错的，但和认为 “我们是糊口在一个真实宿世界中” 比拟，这个更复杂的假说并未带来诠释力和指导性上的任何益处，是以不值得当真看待。据说拉普拉斯在回覆拿破仑为什么他的书中不提天主的质问时回覆 “陛下，我不需要那个假设”，也是这种立场。我在《意识是脑中涌现的吗？》之中提到还原论的问题也和这一点有关。为一个心理层面上的现象供给神经元层面（甚至原子层面）的诠释尽管在原则上仍有可能，也并非一无可取，但和一个心理层面上的诠释比拟往往缺乏竞争力。

在人工智能系统中实现诠释性推理的关头，就是把相关结论的真实性、简单性、有用性等都得当地量化处置，并遵照当前环境在各类诠释中进行合理选择。这也就是说，仅仅在 “是否可能” 的程度上评价分歧的诠释是不敷的，而必需能看出哪个诠释证据更多，更简单，对将来行为更有指导性。这样一来，那些貌同实异的诠释就会逐渐在系统中被更靠谱的裁减失落。当然，实现这种功能的根基前提就是系统有包罗演绎、归纳、归因等形式在内的推理功能。今朝对机械进修系统缺乏 “诠释功能” 的攻讦，很大水平上也是因为用函数迫近的方式 “进修”，当然可以识别出一个照片中的物体是只猫，但却不会像我们那样说 “我认为那是只猫，因为……” ——不管你的来由是什么，必然不是统计较法获得这个结论的来由。这也就是说现有的本家儿流进修算法不是不克不及供给诠释，而是不克不及供给我们期望的那种诠释，因为其结论的生当作过程和我们有底子性分歧。在这种环境下，用死记硬背或过后重构的法子供给诠释是不敷的。只有像人那样思虑才能供给人能理解的诠释。

因果性诠释

诠释可以进一步分当作分歧的种类，此中主要的一种就是为某个事务找原因。因果常识的成立本家儿要靠归纳，而我关于归纳的根基不雅点在《怎么对于“归纳”带来的麻烦？》一文中已经介绍了，就是不把这种常识看尴尬刁难 “客不雅纪律” 的反映，而看尴尬刁难 “本家儿不雅经验” 的总结。归因则是用这种常识来 “找原因”。

前面关于诠释的一般结论完全合用于因果性诠释这种特别环境。这就是说，对一个特心猿意马的事务，原则上是没有 “真正的原因” 这种工具的，这就和牛顿-拉普拉斯式的因果不雅底子分歧了。但尽管如斯，在若干候选原因之间进行比力仍然是需要而且可能的，这就是说扣问某事务的原因仍是个有意义的问题，而在良多环境下大大都人仍是会赞成某个谜底是 “准确的”。

和其它类型的诠释分歧，在因果诠释中一般要求 “因” 发生在 “果” 之前，所以这种诠释会给展望将来事务供给依据。如前所述，对一个因果诠释的评价也基于其准确性、指导性和简单性。

在绝大大都应用情况下，说 “A的原因是B” 要求二者都是可反复的事务类型，而前者的发生会导致我们对后者的预期。这个因果信念的准确水平取决于响应预期被后来的不雅察证实的比例。和决议论因果不雅分歧，一次掉败的预期凡是不会证伪一个因果信念，而是经常被诠释为其它（B之外的）身分的影响，这是因为“A的原因是B” 这样的结论根基上都是对现实环境的简化，其实A的发生仍有赖于C、D、E等诸事务，尽管它们没有都被一一列出。这就和简单性要求相关了。从原则上甚至可以说一个事务的原因是在其之前发生的所有事务的总和，但这个无比准确的结论显然不克不及用来帮忙我们进行展望，是以对 “原因” 的简化描述及其由此发生的反例就当作为不成避免的了。人们凡是是在准确性和简单性之间找一个均衡，即只列出那些会对结论的准确性发生重大影响的前提前提，而忽略那些只是偶然出问题的。

对一个不成反复的事务而言，确定其原因更是没有同一的尺度。难怪对重大汗青事务的原因的争论永远不会终止。但不是说这种问题没有意义。现实上，关于汗青中因果关系的会商都或明或暗地办事于展望将来事务这一目标，也就是所谓的“以史为鉴”。是以，关于 “A的原因” 的探寻现实上都是关于 “近似于A的事务” 的原因的，而对这个事务类的分歧界心猿意马往往是这类争论的根源。

关于原因认心猿意马的另一反复杂性在于，“原因” 的概念在分歧范畴中的切确寄义是有不同的。儿童心理学的研究表白，因果常识缘起于婴儿对自身行为后果的熟悉，是以 “因” 老是 “我的行为”。跟着认知能力的成长，可以充任 “原因” 的事务逐渐被推广到其他认知本家儿体（人或动物）的行为，以至于无本家儿体的天然事务。这申明 “因果” 在不雅念上不仅与 “展望” 有关，并且与 “节制” 有关。这里的 “可控” 不仅包罗 “可以使其现实发生或不发生”，也包罗 “可以设想其发生或不发生”。在分歧的范畴中，因为可控身分分歧，“因果” 的用法也分歧。列位不妨想想在物理学、医学、汗青学、法学中所探寻的 “原因” 都是什么样的。在相关会商中经常被说起的“因果性” 和 “相关性” 之别，也常因为前者隐含着 “可控” 尔后者无此要求。

回到人工智能上来，此刻风行的贝叶斯收集模子根基上只是在给心猿意马的因果信念之上做推理，而无法提出或抛却因果信念，是以仍是不敷的，更不必提那些连 “因果性” 和 “相关性” 都不区分的 “进修算法”。但这不申明人工智能在这方面必心猿意马“低人一等”。前面会商到的各类身分并非不成能在计较机系统中呈现。这就是说，诠释（包罗因果诠释）的生当作和评价都是有逻辑可循，而且可以在计较机系统中实现的，尽管这不料味着系统对每个事务或现象都能找到独一准确的诠释。我们在这个偏向上的具体工作可见参考文献[4]，就不在这里谈手艺问题了。

撰文 | 王培（美国天普大学计较机与信息科学系）

参考文献

[1] Charles Sanders Peirce, Deduction, Induction, and Hypothesis, in The Essential Peirce (Edited by Nathen Houser and Christian Kloesel）Volume 1 (1867-1893), Pages 186-199, Indiana University Press, 1992

[2] Peter A. Flach and Antonis C. Kakas (Editors), Abduction and Induction, Kluwer Academic Publishers, Dordrecht, 2000

[3] Pei Wang, Abduction in non-axiomatic logic, Working Notes of the IJCAI Workshop on Abductive Reasoning, Pages 56-63, Seattle, Washington, August 2001

[4] Pei Wang and Patrick Hammer, Issues in temporal and causal inference, Proceedings of the Eighth Conference on Artificial General Intelligence, Pages 208-217, Berlin, July 2015

特别提示

版权申明：接待小我转发，任何形式的媒体或机构未经授权，不得转载和摘编。转载授权请在「返朴」公家号内联系后台。

《返朴》，科学家领航的好科普。国际闻名物理学家文小刚与生物学家颜宁配合出任总编纂，与数十位分歧范畴一流学者构成的编委会一路，与你配合求索。存眷《返朴》介入更多会商。二次转载或合作请联系fanpusci@163.com。