逻辑与概率：确定推导、不确定判断与证据

逻辑和概率都参与推理，但它们首先处理的是两类不同问题：

逻辑研究：接受某些前提以后，哪些结论必须成立、可能成立或不能成立。

概率研究：当结果尚未确定或信息不完整时，应当给不同事件或命题分配多大权重。

逻辑约束“什么能够从什么推出”，概率度量“在当前信息下应当多大程度相信什么”。

两者不是互相竞争的解释。概率计算需要逻辑帮助它确定命题、事件、条件和相互关系；逻辑推导进入现实问题时，也经常需要概率处理不完整证据和不确定前提。

本文只聚焦两者的接口：逻辑蕴含为何不同于条件概率，确定推导怎样与程度化的证据支持相接。需要单独了解推导体系，可读逻辑；需要深入概率解释与贝叶斯更新，可读概率与贝叶斯。

本文所说的“逻辑”是什么？

“逻辑”是一个比日常使用更宽的学科概念。它可以研究演绎推理、归纳推理、模态、时间、义务、多值系统以及可撤销推理等不同形式。

为了说明逻辑与概率最基本的区别，本文首先以经典演绎逻辑为参照。

经典逻辑关心命题、真值以及前提和结论之间的有效推导关系。一个论证在逻辑上有效，意味着不存在这样一种解释：所有前提都是真的，而结论是假的。Stanford Encyclopedia of Philosophy: Classical Logic

例如：

所有人都会死。
苏格拉底是人。
所以苏格拉底会死。

只要两个前提为真，结论就不可能为假。这里检查的是推导结构，而不是统计频率。

可以写成：

前提集合 D ⊨ 结论 C

符号 ⊨ 表示：在所有使前提 D 为真的解释中，结论 C 也为真。

有效推理不等于真实结论

逻辑首先评价推理形式，不能替代对前提的事实检验。

所有鱼都会飞。
鲤鱼是鱼。
所以鲤鱼会飞。

这个论证的形式有效，但第一个前提不符合事实。因此，需要区分：

有效性：如果前提为真，结论是否必然为真；
前提真实性：前提是否符合实际情况；
可靠论证：推理有效，而且前提为真。

所以，一个完整判断至少要经过：

概念是否清楚
→ 前提是否得到事实或证据支持
→ 推导是否有效

概率经常进入第二步：现有证据为一个前提或假设提供多大支持。

概率是什么？

概率是定义在事件或命题之上的量，通常位于 0 和 1 之间。但“概率是什么”并没有唯一的哲学解释。

它可能表示：

可重复事件的长期频率；
物理系统产生某种结果的机会或倾向；
现有证据对一个命题的支持程度；
一个主体对命题为真的置信程度；
统计模型给出的预测分布。

这些解释共同使用概率演算，却不一定在谈同一种现实对象。Stanford Encyclopedia of Philosophy: Interpretations of Probability

例如：

明天下雨的概率是 70%。

这句话可能表示气象模型在相似条件下的频率预测，也可能表示根据现有证据形成的置信度。无论采用哪一种解释，它都没有断言明天必然下雨。

逻辑与概率分别回答什么？

维度	逻辑	概率
核心问题	结论是否由前提推出？	在当前条件下，结果有多大可能？
主要对象	命题及其推导关系	事件、随机变量或命题的不确定性
典型表达	如果 A，那么 B	在 A 条件下，B 的概率是 70%
结论强度	必然、可能、不可能	0 到 1 之间的程度
典型方法	证明、反例、有效性检查	统计估计、条件概率、贝叶斯更新
常见错误	矛盾、无效推导、偷换概念	忽略基准率、错误条件化、错误模型
面对新信息	增加、删除或修改前提	更新概率分布

可以把这种分工概括为：

逻辑：约束推理结构
概率：表达不确定程度

真值不是概率值

在经典逻辑中，一个明确命题在给定解释下为真或为假。

真
假

概率则可以表达程度：

P(A) = 0.2
P(A) = 0.7
P(A) = 0.99

这不意味着命题的真值变成了连续数值。

“明天下雨的概率是 70%”描述的是结果确定以前的不确定状态。到了明天，在地点、时间和降雨标准已经明确的情况下，“下雨”这个命题仍然要么符合事实，要么不符合事实。

因此至少要区分三个层次：

层次	问题
真值	实际情况是否符合命题？
证据支持	当前证据在多大程度上支持命题？
主体置信度	某个主体在多大程度上相信命题？

证据支持和主体置信度可能用概率表示，但它们都不等于命题本身已经“部分为真”。

概率为 1 不一定是逻辑必然

逻辑必然表示：在所有满足前提的可能解释中，命题都成立。

概率为 1 则表示：在某个概率模型中，该事件拥有全部概率质量。

两者不能直接等同。

在标准概率模型中，如果 D 在逻辑上蕴含 C，并且 P(D) > 0，那么：

D ⊨ C
→ P(C | D) = 1

但反过来不成立：

P(C | D) = 1
⇏ D ⊨ C

概率为 1 的事件仍然可能不是逻辑真理。在连续概率分布中，一个单点可以具有概率 0，但仍然属于可能取值。概率 0 因而不自动表示逻辑矛盾，概率 1 也不自动表示逻辑必然。

可以谨慎地概括为：

逻辑不可能 → 在尊重该逻辑关系的概率模型中概率为 0
概率为 0 ⇏ 逻辑不可能

逻辑必然 → 在尊重该逻辑关系的概率模型中概率为 1
概率为 1 ⇏ 逻辑必然

逻辑蕴含不等于条件概率

逻辑蕴含可以写成：

A ⊨ B

它表示，只要 A 为真，B 就不可能为假。

条件概率可以写成：

P(B | A) = 0.9

它表示，在 A 条件下，B 获得 90% 的概率。这里仍然允许 A 成立而 B 不成立。

因此，高条件概率表示强概率联系，不表示必然推出。

这个区别也解释了为什么下面的推理在演绎逻辑中无效，却可能在概率上提供支持：

如果下雨，地面会湿。
地面湿了。
所以刚才下雨了。

这是“肯定后件”的形式。地面还可能因为洒水、漏水或者清洁而变湿，所以“地面湿”不能逻辑证明“下雨”。

但如果：

下雨时地面几乎总会湿；
没下雨时地面很少变湿；
下雨本身并非极端罕见；

那么观察到地面湿，可以提高“刚才下雨”的概率。

同一条证据可以做到：

不能演绎证明假设
但可以提高假设的概率

演绎推理与概率归纳

演绎推理追求必然的真值保持：

前提为真
→ 结论必然为真

概率归纳表达证据对结论的支持程度：

证据 D
→ 结论 C 获得程度为 r 的支持

可以写成：

P(C | D) = r

归纳逻辑研究的正是这种关系：前提不必保证结论，却可以使结论变得更可信。现代概率归纳经常使用条件概率和贝叶斯关系表示证据怎样支持相互竞争的假设。Stanford Encyclopedia of Philosophy: Inductive Logic

因此，“逻辑处理确定性，概率处理不确定性”只是第一层概括。更准确地说：

经典演绎逻辑处理必然推导；
概率演算约束不确定程度；
归纳逻辑研究证据如何以不同强度支持结论。

概率为什么需要逻辑？

概率计算以前，必须先确定事件和命题的结构：

哪些事件互相排斥；
哪些事件可以同时发生；
哪个事件包含另一个；
条件究竟是什么；
一个命题的否定是什么；
所有可能结果是否已经覆盖。

例如：

A = 用户点击广告
B = 用户通过该广告完成购买

如果业务定义规定，通过该广告购买必须经过被记录的点击，那么：

B → A

概率也必须满足：

P(B) ≤ P(A)

如果数据报告显示广告购买人数高于广告点击人数，首先需要检查事件定义、归因窗口、数据来源和采集遗漏，而不是立即寻找一个新的概率公式。

逻辑先检查事件结构是否自洽，概率才在这个结构中分配数值。

贝叶斯公式怎样连接逻辑与概率？

贝叶斯公式可以写成：

P(H | E) = P(E | H) × P(H) / P(E)

其中：

H 是假设；
E 是证据；
P(H) 是看到证据以前对假设的判断；
P(E | H) 是假设成立时出现该证据的概率；
P(H | E) 是观察证据以后对假设的更新判断。

贝叶斯推理不是：

观察到 E
→ H 必然为真

它表达的是：

观察到 E
→ 比较 E 在不同假设下有多容易出现
→ 重新分配对各个假设的相信程度

逻辑帮助我们定义假设、证据、互斥关系和推导条件；概率帮助我们表示更新前后的置信程度。贝叶斯认识论进一步把条件化理解为新证据出现后调整置信度的一种理性规范。Stanford Encyclopedia of Philosophy: Bayesian Epistemology

概率关系也不等于因果关系

逻辑、概率和因果分别回答不同问题：

关系	主要问题
逻辑关系	接受前提以后，结论是否必须成立？
概率关系	在给定条件下，结果有多大可能？
因果关系	如果改变一个因素，结果是否会随之改变，为什么？

例如：

“正方形必然有四条边”主要是概念和逻辑关系；
“下雨时地面变湿的概率较高”是概率关系；
“降雨使地面获得水分，从而导致地面变湿”是因果解释。

高概率联系不自动证明因果。共同原因、选择偏差、测量方式和反向作用都可能产生统计关联。因果判断还需要时间顺序、反事实、干预、机制或其他识别条件。关于这些方法的完整讨论，参见《因果是什么？从原因、推理到理由》。

从概率到行动还缺什么？

即使概率已经计算正确，它也不能单独决定行动。

逻辑：推理是否成立
概率：结果有多可能
价值：不同结果有多重要
风险：最坏结果是否能够承受
权限：谁有权作出这个决定
决策：最终选择哪种行动

成功概率更高的方案不一定值得执行。它可能收益很小、成本过高、最坏结果不可承受，或者把风险转嫁给没有授权的其他人。

概率提供决策输入，不替代价值和责任。

在 AI 中怎样理解逻辑与概率？

大语言模型通常根据上下文为后续 token 分配概率，再按照解码策略生成输出：

已有上下文
→ 后续 token 的概率分布
→ 选择 token
→ 形成文本

一个句子被高概率生成，只说明它在模型和当前上下文中更容易出现。它不直接证明句子：

符合事实；
推导有效；
与前文没有矛盾；
正确理解了用户意图；
获得了执行授权。

完整 AI 系统还需要使用逻辑、规则和验证程序检查：

输入是否满足前置条件；
数据结构是否有效；
多个陈述能否同时成立；
工具调用是否符合权限；
结果是否通过外部验证。

因此：

概率模型在多个可能输出之间分配权重；逻辑与规则约束哪些推导和行动可以被接受。

一个回答可能语言概率很高，却在逻辑上矛盾；也可能推导形式有效，却建立在错误事实或错误概率输入之上。

如何检查一段不确定推理？

可以按以下顺序分析：

明确命题。 每个关键词究竟指什么？
列出前提。 哪些内容被当作已经接受？
检查逻辑。 结论是否必然推出，还是只得到一定程度支持？
检查事实。 前提来自观察、数据、定义还是假设？
检查概率含义。 数字表示频率、物理机会、证据支持还是主观置信度？
检查条件。 P(B|A) 中的 A 是否被正确说明？
寻找替代解释。 同一证据是否也容易由其他假设产生？
检查因果跳跃。 是否把相关或预测直接写成了原因？
检查行动标准。 概率之外还需要考虑什么价值、风险和权限？
说明更新条件。 什么新证据会改变当前判断？

对逻辑与概率关系的最终解释

可以分别定义：

逻辑研究命题、概念和推理之间的形式约束，说明在接受某些前提时，哪些结论必然成立、可能成立或不能成立。

概率是在结果尚未确定或信息不完整时，对事件可能性、证据支持程度或主体置信程度进行量化的体系。

两者的关系可以整理为：

逻辑建立命题和推理结构
→ 概率在结构中表达不确定性
→ 证据用于更新概率
→ 因果解释变化怎样产生
→ 价值和风险进入决策
→ 行动产生新的证据

逻辑不能替代概率，因为现实中的信息经常不完整；概率也不能替代逻辑，因为数字不能修复矛盾的定义、遗漏的可能性和无效的推导。

更准确的认识不是在逻辑与概率之间二选一，而是在确定推导与不确定判断之间保持清楚的边界。

参考

如果这篇对你有用，可以订阅 RSS。

内容以署名方式开放引用，请回链原文。