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？

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：

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：

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：

1. 明确命题。 每个关键词究竟指什么？
2. 列出前提。 哪些内容被当作已经接受？
3. 检查逻辑。 结论是否必然推出，还是只得到一定程度支持？
4. 检查事实。 前提来自观察、数据、定义还是假设？
5. 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？
6. 检查条件。 P(B|A) 中的 A 是否被正确说明？
7. 寻找替代解释。 同一证据是否也容易由其他假设产生？
8. 检查因果跳跃。 是否把相关或预测直接写成了原因？
9. 检查行动标准。 概率之外还需要考虑什么价值、风险和权限？
10. 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

• Stanford Encyclopedia of Philosophy: Classical Logic
• Stanford Encyclopedia of Philosophy: Logical Consequence
• Stanford Encyclopedia of Philosophy: Interpretations of Probability
• Stanford Encyclopedia of Philosophy: Inductive Logic
• Stanford Encyclopedia of Philosophy: Bayesian Epistemology

它回答的不是“下一次一定会发生什么”，而是：

如果把各种可能结果及其概率一起考虑，这个分布的概率加权中心在哪里？

从随机变量开始

期望值不直接属于一个模糊的“事件”，而是属于随机变量。

随机变量是把随机结果映射为数值的函数。例如，抛一枚硬币后，可以定义：

正面 → X = 1
反面 → X = 0

如果硬币是公平的，那么：

P(X = 1) = 0.5
P(X = 0) = 0.5

对离散随机变量，期望值定义为：

E[X] = Σ xᵢ P(X = xᵢ)

在硬币例子中：

E[X] = 1 × 0.5 + 0 × 0.5 = 0.5

一次抛币不可能得到 0.5 个正面。期望值是分布的均值，不必是随机变量真正能取到的值。

期望值不是最可能的结果

假设一个游戏有两种结果：

期望收益是：

E[X] = 0.1 × 100 + 0.9 × 0 = 10

但是：

• 一次的实际结果只会是 100 元或 0 元；
• 最可能的结果是 0 元；
• 10 元不是任何一次必然出现的收益；
• 期望值不承诺单次结果会接近它。

因此需要区分：

一个分布的期望值可以很好，但最常出现的结果仍然可能很差。

期望值等于长期平均吗？

教材常把期望值解释为“长期平均”。这是有用的直观，但需要补充条件。

期望值首先是根据概率分布定义的数学量。在满足相应条件时，如果同类试验被大量重复，观测平均才可以趋近期望值。

这个语境通常默认：

• 试验能够重复；
• 概率机制没有在重复过程中改变；
• 各次观测具有合适的独立性或稳定性；
• 相关期望存在且是有限的。

人生选择、重大手术、一次性投资和不可逆决策，往往不能被同一个人在同样条件下无限重复。这时，期望值仍然可以描述概率分布，但“长期一定能回到平均”不再是个人决策的充分理由。

期望值为什么有用？

期望值把多个不确定结果压缩成一个可比较的数。它尤其适合：

• 重复次数较多的决策；
• 多个彼此分散的项目组合；
• 保险、库存、排队和实验设计；
• 需要把概率与金额、数量或损失结合的问题；
• 对不同方案进行第一层筛选。

期望还具有线性。对适当的随机变量：

E[aX + bY] = aE[X] + bE[Y]

这意味着可以先分别计算多个部分的期望，再把它们组合起来。线性本身不要求这些随机变量彼此独立。

为什么不能只看期望值？

考虑两个方案：

两个方案的期望值相同，但风险结构完全不同。

一个完整决策还需要检查：

1. 波动：结果会离期望值多远？
2. 尾部风险：小概率下会不会出现极大损失？
3. 破产风险：一次失败会不会使主体无法继续参与？
4. 时间：收益何时出现，期间是否需要承担成本？
5. 可逆性：决策失败后能否撤回或重试？
6. 机会次数：这是否是能够分散的多次决策？
7. 概率误差：概率是已知的，还是从有限数据中估计出来的？

期望值只保留了分布的一个特征。两个形状完全不同的分布可以拥有相同的期望值。

从期望值到期望效用

金钱和结果对人的实际价值不一定线性增长。

对一个资源充足的人，损失 1 万元可能只是普通波动；对一个现金流已经断裂的人，同样的损失可能意味着无法继续生活或经营。

决策理论因此不只计算结果的期望值，还可以对每个结果赋予效用：

E[U(X)] = Σ P(X = xᵢ)U(xᵢ)

这里的 U(x) 表示结果对特定主体的价值，而不只是结果的名义数额。

期望效用理论是不确定决策的规范性模型：它说明在一组偏好和信念满足相应条件时，如何使选择保持一致。它不是人类心理的完整描述。

卡尼曼和特沃斯基的前景理论就是对期望效用作为实际选择描述模型的批评和替代。他们的实验工作表明，人对获得、损失、确定结果和仅有概率的结果，并不总是按照简单的期望效用方式处理。

概率从哪里来？

任何期望值都依赖于一个更基础的问题：用来加权的概率是什么？

概率可能表示：

• 可重复机制的长期频率；
• 物理系统的倾向或机会；
• 证据对某个判断的支持程度；
• 一个主体的信念程度；
• 由统计模型估计得到的预测分布。

这些解释并不完全相同。数学公式可以是正确的，输入的概率却可能来自错误模型、过少样本或过时数据。

因此：

期望值的精确度不会超过结果划分、数值估计和概率输入的可信度。

现实决策中怎样使用期望值？

可以按下面的顺序分析：

1. 列出选项。 当前真正可以选择的行动是什么？
2. 列出结果。 每个选项可能导致哪些结果？
3. 检查遗漏。 是否把重要的间接后果排除在外？
4. 估计概率。 概率来自机制、数据、经验还是主观判断？
5. 为结果赋值。 计算的是金额、时间、生命、满意度，还是其他价值？
6. 计算期望值。 把结果按概率加权求和。
7. 检查分布。 不只看均值，还看波动、分位数和尾部。
8. 检查承受力。 主体能否活着等到长期平均？
9. 做敏感性分析。 如果概率或价值估计改变，结论是否立即反转？
10. 按新证据更新。 期望值是当前模型的输出，不是永久答案。

对“期望值”的最终定义

可以把期望值定义为：

期望值是随机变量各个可能取值按其概率加权得到的均值，用来表示概率分布的中心位置。

它不是：

• 下一次的保证；
• 最可能的结果；
• 一定能被实际取到的数值；
• 对风险的完整描述；
• 自动正确的决策答案。

期望值的力量在于，它把概率与结果放进同一个计算。它的边界也在这里：一个加权平均无法单独告诉我们，一次失败有多严重、主体能否承受，以及用来计算的概率是否值得信任。

参考

• OpenStax: Mean or Expected Value and Standard Deviation
• Stanford Encyclopedia of Philosophy: Interpretations of Probability
• Stanford Encyclopedia of Philosophy: Decision Theory
• Stanford Encyclopedia of Philosophy: Normative Theories of Rational Choice: Expected Utility
• Kahneman and Tversky: Prospect Theory: An Analysis of Decision under Risk

人会感知问题、判断事实、想象未来，也会形成愿望和目标。但这些活动不会自动产生行动。一个人只有在若干可能方向之间作出取舍，使其中一个方向获得行动优先权，才进入决策。

可以先给出一个定义：

决策，是主体面对一个需要回应的处境，在多个可能行动、价值冲突或不确定后果之间，形成并承诺一条行动方向的过程及其结果。

决策最关键的变化是：

多个仍然开放的可能
→ 判断、比较与取舍
→ 一个方向获得行动优先权
→ 进入计划和执行

这里的承诺不表示决定永远不能修改，而是主体暂时结束部分犹豫，开始按照这个方向配置注意力、时间、资源和行动。新证据、环境变化和执行失败，都可能要求重新决策。

决策不等于什么？

很多与决策相邻的概念会在同一过程中出现，但它们回答的问题不同。

其中最容易被混淆的是判断与决策。

这个方案成功的概率较高。

这是判断。

在现有证据和风险限制下，选择执行这个方案。

这是决策。

从前一句不能直接推出后一句。即使成功概率已经知道，行动者仍要考虑收益、损失、替代方案、风险承受能力以及伦理边界。

一个完整决策包含什么？

需要回应的处境

为什么现在需要作出回应？如果没有需要改变的状态、冲突或分岔，就没有明确的决策问题。

问题框架

同一现实可以被表达成不同问题：

• 要不要继续这个项目？
• 怎样降低项目失败的概率？
• 哪个目标值得优先保留？
• 是否应该把资源转移到其他项目？

框架决定哪些选项和证据会进入分析。后续计算即使精确，也无法补救一个被错误定义的问题。

主体与权限

谁能够让决定生效？谁只提供建议？谁承担后果？个人、家庭和组织的决策结构不同。讨论形成共识并不自动等于形成有效决定，还需要授权、程序和责任机制。

目标、价值与约束

目标说明希望达到什么状态，价值说明它为什么值得，约束说明哪些手段、风险和代价不可接受。

困难决策经常不是缺少数据，而是多个价值无法同时满足，例如收益、安全、自由、公平、速度和关系之间发生冲突。

可行选项

“成功”和“失败”是可能结果，不是行动选项。“继续”“停止”“缩小范围”“先试验”“延期并获取信息”才可能是选项。

不行动、延迟、委托和维持现状也会产生后果，因此也应进入选项集合。

后果、因果与概率

决策需要判断：如果采取行动 A，哪些结果会因此改变？这需要因果模型，而不只是相关性。

概率表示结果有多可能，却不能说明结果有多值得。把概率与价值混为一谈，是决策中最常见的错误之一。

取舍规则

行动者可能选择：

• 最大化期望收益；
• 避免无法承受的损失；
• 保护不可替代的价值；
• 选择最坏情况下仍可接受的方案；
• 先进行低成本、可逆的试验；
• 达到“足够好”的门槛后停止搜索。

不同规则可能产生不同答案。规则本身也需要理由，不能把公式当作没有价值前提的结论。

承诺、执行与反馈

决定使一个选项获得行动优先权，但还要转化成计划、资源、权限和实际执行。现实结果随后进入下一轮：

决定
→ 执行
→ 观察结果
→ 比较预期
→ 修正信念、目标或规则
→ 新的决定

决策理论研究什么？

决策研究至少有三个不同目标。

描述性决策理论

心理学研究注意力、记忆、情绪、默认项、框架、社会影响和启发式怎样塑造实际选择。APA 将 decision making 概括为在两个或更多方案之间进行选择的认知过程。APA Dictionary of Psychology

描述一种行为常见，不能证明它合理。

规范性决策理论

规范理论研究信念、偏好和选择应当满足哪些一致性要求。经典的期望效用模型是：

EU(A) = Σ P(Oᵢ | A) × U(Oᵢ)

其中，P(Oᵢ | A) 表示采取行动 A 后结果 Oᵢ 的概率，U(Oᵢ) 表示结果的效用。规则要求比较不同行动的期望效用。Stanford Encyclopedia of Philosophy：Expected Utility

效用在现代决策理论中常表示偏好结构，不必等于金钱或快乐。模型也不会自动告诉我们有哪些选项、概率是否可信、价值能否统一换算，以及谁承担代价。

处方性决策方法

处方性方法把规范标准与人的现实限制连接起来，例如：

• 把事实、推断、概率、价值和未知分开；
• 寻找被当前框架遗漏的选项；
• 设置停止、退出和复查条件；
• 使用外部基准而不只依赖内部感觉；
• 通过小规模试验降低关键不确定性；
• 记录决策时的信息，避免事后只按结果评价。

有限理性：为什么不能永远寻找最优？

现实中的人没有无限信息、时间、注意力和计算能力。有限理性不是简单地说“人不理性”，而是研究有限主体怎样在具体环境中使用可承受的程序。

Herbert Simon 提出的“满意化”思路，不要求遍历所有可能方案并找到绝对最优，而是在搜索成本与结果质量之间取舍，达到足够好的门槛后停止。Stanford Encyclopedia of Philosophy：Bounded Rationality

所以，还要评价：

继续获得信息的预期价值
是否高于
搜索、等待与错失机会的成本

花无限时间寻找最优答案，本身可能成为一个糟糕决定。

人实际怎样偏离形式模型？

人的风险选择会受到参照点、损失感受、表述方式和概率权重影响。Kahneman 与 Tversky 的前景理论用这些因素解释了部分系统性选择模式。2002 年诺贝尔经济学奖材料将这项贡献概括为把心理学研究引入不确定条件下的经济判断和决策。Nobel Prize 2002

不过，“偏差”不能成为给所有不同于公式的决定贴标签的工具。必须先确认所采用的规范标准适用于当前问题，并考虑信息成本、环境结构和行动者的真实目标。

决策为什么不只是计算技术？

事实不能单独推出行动

事实和概率描述世界可能怎样，却不能单独说明什么值得追求。决定必然引入目标、价值或规范前提。

价值不一定可以统一换算

一个选项可能更赚钱，另一个更自由；一个更安全，另一个更符合承诺。把所有价值压缩成一个数字能够帮助比较，也可能掩盖无法替代的差异。

真实选择不只取决于选项数量

表面上存在多个选项，不代表主体具有同等能力选择。贫困、信息控制、权力关系、成瘾、习惯和制度设计都会改变可行选项和责任条件。

程序本身可能具有价值

在集体决策中，即使结果有效，程序也可能不公正。谁能发言、谁有否决权、信息是否公开、受影响者是否参与，都可能成为决定正当性的一部分。

好决策与好结果必须分开

一个合理决定可能因低概率事件产生坏结果；一个草率决定也可能因为运气获得好结果。复盘必须回到作出决定时能够获得的信息，而不能用后来发生的事情重写过去。

怎样检查一个决定？

1. 真正需要决定的问题是什么？
2. 是否因为错误框架而解决了错误问题？
3. 不行动、延迟和先试验是否也是选项？
4. 哪些是事实，哪些是推断、概率、价值和未知？
5. 行动与结果之间是否有合理的因果解释？
6. 优化什么、保护什么、愿意放弃什么？
7. 最坏结果能否承受，决定能否逆转？
8. 谁获得收益、承担风险并拥有决定权？
9. 决定是否已经进入计划、资源和行动？
10. 什么新证据会触发重新决策？

决策在思维与行动之间的位置

处境与需求
→ 认知和思维形成表征
→ 判断事实、因果与概率
→ 价值和立场规定什么重要
→ 目标与意图形成行动方向
→ 决策处理具体分岔和取舍
→ 计划与战术组织行动
→ 行动产生结果
→ 反馈修正下一轮决策

这不是固定的单向流水线。决策可以形成意图，既有意图也会约束后续决策；行动结果还可能改变原来的目标。

好决策不是保证得到好结果，而是在当时可获得的信息、价值和限制下，形成可解释、可执行、可承担并且能够修正的行动承诺。

延伸阅读

• 思维模型是什么？人怎样简化现实并指导行动
• 思维是什么？人如何形成理解、判断与行动

参考资料

• APA Dictionary of Psychology：Decision Making
• Stanford Encyclopedia of Philosophy：Normative Theories of Rational Choice—Expected Utility
• Stanford Encyclopedia of Philosophy：Descriptive Decision Theory
• Stanford Encyclopedia of Philosophy：Bounded Rationality
• Nobel Prize 2002：Psychological and Experimental Economics

因果讨论的是一个基础问题：

一个事物的发生、变化或者消失，为什么会使另一个事物随之发生变化？

可以先给出一个工作定义：

如果一个因素的存在、缺失或者变化，通过一定条件和过程，使另一个结果的发生方式、发生概率或者具体形态发生变化，那么这个因素对结果具有因果作用。

可以简化为：

原因 → 作用过程 → 结果

原因不一定是一个瞬间发生的事件。它也可能是一种物理状态、一项长期条件、一次行为、一种心理状态、一套制度或一种社会结构。结果也不一定是确定发生的事件，它还可能表现为风险、程度或者发展方向的变化。

吸烟会增加肺癌风险，并不意味着每个吸烟者都会患肺癌。吸烟仍然具有因果作用，因为在其他相关条件相近时，它改变了肺癌发生的概率。

所以，因果不只表示“有 X 就必然有 Y”。它更一般地表示：

改变 X，会使 Y 的发生情况产生差异。

“原因”和“结果”不是事物的永久身份

语言会把过程切分成原因和结果，但现实变化通常是连续的：

睡眠不足
→ 神经与认知状态变化
→ 注意控制能力下降
→ 操作失误增加
→ 事故风险上升

在这条链条中，认知状态变化是睡眠不足的结果，又是注意力下降的原因。操作失误既是注意力下降的结果，又可能成为事故的原因。

因此，一个事物究竟是原因还是结果，取决于正在研究哪一段关系：

X → Y → Z

对于 Y 而言，X 是原因；对于 Z 而言，Y 又是原因。因果不是给事物贴上永久标签，而是在说明一个具体过程中的作用方向。

因果不等于时间先后

原因通常先于结果，但先发生不代表就是原因。

公鸡打鸣以后太阳升起，不能推出公鸡打鸣使太阳升起。时间顺序只能排除一部分不可能的关系：一个后来才出现的事件，通常不能成为此前事件的物理原因。但时间顺序本身不足以证明因果。

从“X 先发生”走向“X 是原因”，还需要进一步说明：

• X 与 Y 不是偶然相邻；
• 不存在同时产生 X 和 Y 的第三个因素；
• 改变 X 确实会改变 Y；
• X 与 Y 之间存在能够说明作用过程的机制。

因果不等于相关

两个变量经常一起变化，只能说明它们相关。概率上，如果：

P(Y | X) ≠ P(Y)

那么知道 X 是否发生，会改变我们对 Y 的概率判断；X 与 Y 并不独立。这仍然只描述分布关系，没有说明关系为什么出现。

相关背后至少可能存在五种结构。

例如，携带打火机的人患肺癌的概率可能更高，但打火机不是主要原因。吸烟同时影响携带打火机和肺癌风险，吸烟就是这里的共同原因或混杂因素。

选择过程还可能凭空制造关系。假设病情严重和缺乏家庭照护都会提高住院概率。如果研究只纳入已经住院的人，相当于先按照两者的共同结果筛选样本；在这个样本中，病情严重程度和家庭照护可能出现总体人群中没有的关联。这类问题通常称为碰撞变量或选择偏差。

样本过小、反复比较、指标定义改变和共同测量误差，也可能制造表面相关。

相关不是没有价值。它是需要解释的观察结果，却不是因果已经得到证明的结论。

因果也不等于预测

一个变量可以准确预测结果，却不是可以改变结果的原因。

气压计读数可以帮助预测天气，但调节气压计指针不会改变天气。公鸡打鸣可以预测日出，但阻止公鸡打鸣不会阻止太阳升起。

预测关心：

知道 X 以后，能否更准确地判断 Y？

因果关心：

如果主动改变 X，Y 是否会随之变化？

这一区别在数据分析和人工智能中尤其重要。模型可能依靠代理变量准确预测结果，但如果代理变量不是原因，依据它采取干预就未必有效。

例如，频繁联系客户支持可能准确预测用户流失，但真实结构可能是产品问题同时导致求助和流失：

产品问题 → 联系客服
产品问题 → 用户流失

关闭客服渠道可能降低“联系次数”，却不会消除产品问题，甚至会使流失更加严重。预测变量适合提前识别风险，不自动等于应该被改变的因果变量。

一个结果通常没有唯一原因

日常语言喜欢寻找“根本原因”，仿佛复杂结果背后总有一个最深、最真实的原因。但现实结果通常由多种条件共同形成。

一场火灾可能涉及可燃物、氧气、热量、人员行为、建筑材料、消防设施和管理制度。点火行为可能是触发因素，易燃材料是促成条件，消防系统失效扩大了结果，管理制度则可能是更远的结构性原因。

需要区分不同类型的原因：

必要条件不等于充分条件。氧气是普通燃烧的必要条件之一，但只有氧气并不会自动发生火灾。现实中的许多原因既非严格必要，也不足以单独产生结果，而是与其他条件组成一套足以产生结果的组合。

“哪个是原因”也与问题目的有关。事故调查、医疗干预、历史解释和责任追究可能关注同一因果网络中的不同节点。

原因怎样组合？

多个原因并不只是简单相加。

多因一果

X₁ + X₂ + X₃ → Y

一个产品失败可能同时涉及需求判断错误、分发不足、成本过高和竞争环境变化。

一因多果

X → Y₁, Y₂, Y₃

一项制度调整可能同时影响价格、行为激励、组织关系和长期预期。

因果链与因果网络

X → M₁ → M₂ → Y

中间的 M 是传递作用的环节，也称中介。现实系统还会有多条路径交叉，形成因果网络。

替代原因与抢先发生

两个原因可能分别足以造成同一个结果。即使移除其中一个，另一个仍会产生结果。也可能有两个过程都在启动，但其中一个先完成作用，另一个没有真正进入最终路径。

这些情况说明，简单的“没有 X 就没有 Y”能够识别许多原因，却不能覆盖所有因果结构。

原因不一定决定结果

在医学、心理学、社会科学和日常生活中，原因经常以概率方式起作用：

P(Y | X) > P(Y | ¬X)

这表示观察到 X 时，Y 的概率高于没有 X 时。但观察差异可能来自混杂因素，所以条件概率仍不能直接等于因果概率。

更接近因果问题的是：

P(Y | do(X)) > P(Y | do(¬X))

do(X) 表示主动把 X 设置为某个状态，而不是只观察哪些对象自然具有 X。Judea Pearl 的因果模型用这一差别区分“看到 X”与“改变 X”。Probabilistic and Causal Inference: The Works of Judea Pearl

概率因果意味着：

• 原因可以只提高风险；
• 原因存在时，结果不一定发生；
• 原因不存在时，结果也可能由其他路径产生；
• 单个案例不能完整证明或否定总体因果关系。

一个服药的人没有康复，不能单凭这一例证明药物无效；一个没有服药的人自然康复，也不能证明药物没有作用。因果作用可能表现为总体康复概率的改变。

因果关系和寻找原因是两件事

因果关系讨论现实世界：

什么因素实际参与产生了什么结果？

因果推断讨论人的认识：

我们凭什么相信这个因素是原因？

所以：

因果关系 ≠ 因果推断

真实原因可能已经存在，但我们尚未发现。我们也可能提出一个看似合理的解释，最后却发现它不符合真实情况。

因果是研究对象，“找原因”则是认识因果的方法。它涉及逻辑、认识论、统计方法和实验设计。

我们怎样从结果寻找原因？

人通常先看到结果，再向过去寻找可能原因。看到地面湿了，可以提出下雨、洒水车、水管破裂或有人泼水等假设。这个过程需要多种推理共同完成。

溯因：提出解释性假设

观察到 Y → 提出可能的 X

溯因也被称为“对最佳解释的推论”。它依靠解释能力提出假设，但一个解释生动、简洁，并不代表它已经得到证明。Stanford Encyclopedia of Philosophy: Abduction

演绎：从假设推出预测

如果假设水管破裂，可以推出积水应接近管道、关闭阀门后水流应减弱等预测。

如果 X 成立，就应观察到 Z

没有观察到 Z，假设可能需要修改；观察到 Z，也不能立即证明 X，因为其他假设可能产生相同预测。

归纳：从多个案例形成一般判断

归纳从重复案例中形成规律，但结论超出了已经观察的样本。它需要继续面对样本代表性、环境变化、共同原因和选择偏差。

排除竞争解释

因果调查不能只收集支持原假设的证据。更重要的问题是：

什么证据能够区分这个解释与其他解释？

贝叶斯更新

获得证据 E 后，可以更新对原因假设 H 的相信程度：

P(H | E) = P(E | H)P(H) / P(E)

贝叶斯方法能够比较原因假设，却不能仅凭概率计算确定因果结构。因果方向、变量关系和模型假设仍需独立论证。

完整的因果调查可以写成：

观察结果
→ 提出原因假设
→ 推出可检验预测
→ 比较竞争解释
→ 收集证据或实施干预
→ 更新判断
→ 修正因果模型

反事实：如果没有这个原因呢？

反事实因果从一个问题开始：

如果当时没有发生 X，Y 还会发生吗？

如果没有 X 时，Y 不会发生或者发生概率明显下降，X 更可能对 Y 具有因果作用。

困难在于，同一个对象在同一时刻只能经历一种情况。一个患者不能同时既服药又不服药，一个企业不能同时既执行某项战略又不执行。

因此，只能通过随机分组、相似对象、自然实验、历史比较、统计模型或结构因果模型，估计那个没有实际发生的结果。

反事实理论抓住了原因制造差异的直觉，但会在替代原因、过度决定和抢先发生等案例中遇到困难。Stanford Encyclopedia of Philosophy: Counterfactual Theories of Causation

干预：改变它以后会怎样？

观察研究问：

自然具有 X 的对象，其结果怎样？

干预研究问：

如果主动改变 X，结果会怎样？

例如，接受治疗的人病情可能平均更严重，因为严重患者更容易接受治疗。要判断治疗效果，需要减少病情程度等原有差异造成的干扰。

随机对照实验通过随机分配，使两组在平均意义上更可比较。但实验也会受到样本、测量、执行、周期和外部适用范围的限制。观察研究也不必然无效，关键在于研究设计是否识别并处理了主要竞争解释。

机制：原因怎样产生作用？

发现改变 X 会改变 Y，还没有完整回答“为什么”。机制研究展开中间过程：

X → M₁ → M₂ → Y

例如：

长期睡眠不足
→ 执行功能下降
→ 注意控制变差
→ 错误率提高

机制能够说明作用发生在哪个环节，帮助判断关系能否迁移到其他环境，也能找到更精确的干预点。

但一个听起来合理的机制仍然只是假设。人很容易在结果发生后编造流畅故事，机制本身同样需要证据。

三种方法回答不同问题：

因果方向与推理方向

现实中的因果方向可能是：

下雨 → 地面湿

人的推理方向却可能是：

观察地面湿 → 推测下过雨

从结果推测原因，不代表结果制造了原因。地面湿是认识下雨的证据，不是下雨的原因。

因果方向 ≠ 推理方向

医生从症状诊断疾病、工程师从故障寻找问题、历史学家从材料解释事件，都在从结果回溯原因。错误不在于从结果出发，而在于把“某个解释能够说明结果”直接当成“它已经被证明是真实原因”。

把结果当作原因

“把结果当原因”至少包含四种情况。

因果倒置

真实关系是 Y → X，却被判断成 X → Y。

病情严重导致更多治疗，却被理解为治疗导致病情严重；产品受欢迎产生更多评论，却被理解为评论数量完全造成了受欢迎。

反馈循环

结果可能进入下一阶段，成为新的原因：

Xₜ → Yₜ → Xₜ₊₁

压力导致失眠，失眠又增加下一阶段的压力。产品受欢迎带来评论，评论形成社会认同，又推动后续销量。加入时间以后，“到底是谁导致谁”的静态争论会变成可以分析的循环关系。

从成功结果倒推原因

“成功者普遍早起”不能直接推出“早起导致成功”。研究可能只选择了成功者，遗漏早起却未成功的人；成功也可能反过来改变生活安排；还可能存在自律、职业和健康等共同原因。

事后合理化

结果发生后，人会按照结果重写此前的故事。成功以后，冒险被称为远见；失败以后，同样的冒险被称为鲁莽。

这涉及后见之明偏差、结果偏差和叙事偏差。一个好决定可能遇到坏结果，一个坏决定也可能因运气获得好结果。

决策质量 ≠ 最终结果

评价决策需要回到当时的信息、目标、概率和约束。

原因与证据

原因回答：

什么产生了结果？

证据回答：

我们凭什么相信某个判断？

“因为下雨，所以地面湿了”中的下雨是原因。“因为地面湿了，所以我认为刚才下过雨”中的地面湿是证据。

证据越符合某项假设，不代表该假设就是唯一原因。评价证据还要问：其他原因能否产生同样证据？如果假设不成立，这项证据是否也很常见？

原因与理由

中文里的“因为”还会混合原因和理由。

动机理由

因为我认为继续工作会损害健康，所以我辞职了。

这是行动者据以行动的考虑。它通过信念、欲望、情绪和意图进入心理过程，并可能成为行动的原因。

规范理由

长期损害健康，是一个支持辞职的理由。

它回答的不是这个人实际上因为什么行动，而是什么事实使这项行动值得做或者更合理。

解释理由

他长期失眠、压力过大，所以在会议中失控。

这些因素使行为变得可以理解，却不证明行为正确：

能够解释 ≠ 能够辩护

陈述出来的理由

一个人公开说出的理由，可能是真实动机、多种动机中的一部分、更容易被接受的表达、自我辩护或事后合理化。

说出的理由 ≠ 实际动机 ≠ 正当理由

当代行动哲学通常至少区分规范理由、动机理由和解释理由：它们分别回答什么支持行动、行动者据何行动，以及什么能够解释行动。Stanford Encyclopedia of Philosophy: Reasons for Action

Donald Davidson 进一步主张，以理由解释行动也可以是一种因果解释：当一个人的信念和欲望确实推动了行动时，他据以行动的理由也构成行动的原因。Stanford Encyclopedia of Philosophy: Donald Davidson

目的与未来结果

“我为了减肥而跑步”表面上像是未来变瘦导致现在跑步。但尚未发生的未来结果，不能直接返回过去产生现在的物理作用。

实际过程是：

希望变瘦
+ 相信跑步有帮助
+ 形成行动意图
→ 现在开始跑步

需要区分：

• 目的：希望实现什么；
• 预期：相信行动会产生什么；
• 意图：已经形成怎样的行动承诺；
• 计划：准备怎样实现目的；
• 行动原因：哪些当前状态实际推动行为；
• 实际结果：后来真正发生了什么。

未来结果本身不是现在行动的原因。行动者现在对未来结果的想象、评价和期待，才可能成为行动原因。

自我实现的预言也是如此：不是未来结果返回过去，而是现在的预期改变了当前行为，当前行为又提高了预期结果发生的可能性。

概率与贝叶斯在因果中的位置

概率处理不确定性，因果处理作用关系。

贝叶斯公式帮助回答：看到当前证据以后，哪个原因假设更值得相信？它更新的是认识主体对原因的信念，而不是直接证明现实中的因果作用。

贝叶斯更新 = 修正对原因的相信程度
因果验证   = 检验现实中的作用关系

概率能够表达判断有多可信、风险改变了多少；因果模型则要进一步说明变量之间怎样作用，以及改变一个因素是否会改变结果。

哲学怎样理解因果？

哲学中的因果理论并不是重复同一个答案，而是在处理因果的不同侧面。

亚里士多德：原因也是解释方式

亚里士多德区分质料因、形式因、动力因和目的因。这里的“原因”比现代自然科学中的动力因更宽，更接近回答“为什么”的不同解释方式：由什么构成、以什么结构存在、由什么推动变化、为了什么。

现代自然科学主要研究可检验的作用过程，但在生物、行动和制度研究中，结构、功能和目的仍然具有解释意义。

休谟：我们是否观察到了必然联系？

休谟指出，我们直接观察到的是一个事件发生，随后另一个事件发生，以及类似顺序反复出现。我们并没有像观察颜色那样直接观察到“必然联系”。

这使因果问题转变为：因果是世界中的必然联系，还是人从重复经验中形成的期待？这一质疑推动了规律、概率和反事实等不同理论。

康德：因果使客观经验成为可能

康德认为，因果不只是从经验中归纳出来的习惯。人要把连续感觉组织成客观事件，就必须区分“我的观察顺序改变了”与“对象本身发生了变化”。因果范畴参与了这种经验组织。

现代因果理论

这些理论不必被理解成只能选择一个。它们分别揭示因果的稳定性、差异制造、作用过程和可干预性。

心学与禅宗可以帮助理解什么？

心学和禅宗不能代替经验科学中的因果验证，但可以帮助澄清人的认识和行动。

心学关注意、知与行，可以用来思考信念、价值判断、意图和行动怎样连接，也提醒我们：一个人公开说出的理由，不一定等于实际推动行为的心理原因。但要证明某种心理状态普遍导致某种行为，仍需经验研究。

禅宗及佛教的缘起思想强调现象依赖条件而生。这可以提醒我们不要把复杂过程压缩成一个脱离环境的唯一原因，也不要把语言划分出来的对象误认为完全孤立、自足的实体。

但缘起、修行和宗教业果包含自己的哲学与宗教承诺，不能直接当作已经得到现代实验科学确认的因果模型。科学因果分析仍要求明确变量、证据、机制、干预和可检验范围。

怎样实际分析一个因果问题？

面对“为什么会这样”，可以依次进行以下检查：

1. 明确结果：需要解释的结果究竟是什么？
2. 标记时间：原因、过程和结果分别何时发生？
3. 列出候选原因：包括直接、背景、结构性和共同原因。
4. 画出因果结构：哪些变量是中介、混杂、反馈或结果？
5. 提出反事实：没有这个因素，结果可能怎样？
6. 寻找区分性证据：什么证据能排除竞争解释？
7. 寻找干预或对照：改变这个因素后，结果是否变化？
8. 检查机制：作用通过什么过程传递？
9. 区分原因与理由：现在说的是物理作用、行动动机、证据还是正当性？
10. 保留不确定性：结论成立于哪些假设和适用范围？

最后的结论未必是“X 就是 Y 的原因”，也可能是：

在当前证据和假设下，X 可能通过 M 提高 Y 发生的概率；Z 仍是尚未完全排除的混杂因素。

这种表达没有削弱结论，而是准确说明结论的可靠范围。

一个产品实验怎样分开逻辑、概率与因果？

假设产品团队想知道：推送提醒是否提高任务完成率。

第一步是检查逻辑和数据定义。只有存在完成时间戳，任务才被计为完成；进入实验的用户必须在提醒发出前拥有尚未完成且符合条件的任务。否则，分母、事件和时间窗口并不一致。

第二步可以观察概率关系：

收到提醒的用户完成率：60%
未收到提醒的用户完成率：40%

这说明两组概率不同，但还不能证明提醒造成了差异。活跃用户可能更愿意开启通知，也可能本来就更容易完成任务。

第三步才是因果识别。在符合条件的用户中随机分配“一次提醒”和“不提醒”，保持结果定义与观察窗口一致，再比较两组完成率。随机分配的目的，是让已知和未知的背景差异不再系统地集中于某一组。

同时需要检查机制：

提醒
→ 用户注意到任务
→ 打开应用
→ 查看任务
→ 完成任务

如果完成率提高，却没有相应的打开、查看或完成路径证据，就要寻找其他解释。即使实验显示平均效果，也仍需说明作用范围和副作用：效果持续多久，是否只是提前完成时间，提醒频率是否造成厌烦，关闭通知的人是否增加，以及不同用户群体是否存在差异。

因此，一个有边界的结论应当写成：

在本次符合条件的用户、提醒方式和观察窗口内，随机分配一次提醒使任务完成率提高了某个幅度；结果是否能迁移到其他频率、用户和时间范围仍需验证。

结论

因果所讨论的核心问题是：

一个因素的存在、缺失或变化，如何通过一定条件和过程，使另一个结果发生变化？

因果不等于时间先后、统计相关、准确预测、一个合理故事、行动者说出的理由，或者结果发生后的解释。

完整的因果理解包含：

时间顺序
+ 概率差异
+ 反事实比较
+ 主动干预
+ 作用机制
+ 竞争解释

寻找原因则需要：

溯因提出假设
+ 演绎推出预测
+ 归纳发现规律
+ 实验检验差异
+ 贝叶斯更新信念
+ 机制研究解释过程

因果关系属于世界中事物之间的作用结构；因果推断属于人认识这种结构的方法。

真正成熟的因果分析，不是为所有结果寻找一个简单的“根本原因”，而是建立一个能够被检验、干预和修正的因果模型。它需要说明：哪些因素参与产生了结果，通过什么过程产生作用，在什么条件下成立，改变什么可能改变未来，以及我们目前为什么有理由相信这一判断。

• 概率讨论：不确定性如何被表达和理解。
• 贝叶斯公式讨论：获得新证据后，应当怎样调整原来的概率判断。
• 贝叶斯主义则更进一步：把概率理解为一种可修正的相信程度，并把贝叶斯更新视为理性学习的方法。

因此，讨论从概率开始。

本文重点解释概率数值意味着什么、贝叶斯公式怎样连接条件概率，以及新证据如何改变判断。逻辑与概率专门比较证据支持与必然推导；逻辑则讨论推导本身的有效性。

一、概率到底是什么？

最朴素的回答是：

概率是对不确定性的量化。

但这句话还没有真正解决问题。因为“不确定性”可能来自两个完全不同的地方。

第一种不确定性来自世界。

例如抛一枚硬币，在它落地之前，我们不知道正面还是反面。这里可能存在物理过程本身的随机性。

第二种不确定性来自我们的知识。

例如一枚硬币已经落地，只是被杯子盖住。结果实际上已经确定，但我们不知道。这里的不确定性存在于我们的认识之中。

因此，当我们说：

A发生的概率是80%。

至少可能在说三件不同的事：

1. A在同类重复事件中大约出现80%。
2. 产生A的物理过程具有某种80%的倾向。
3. 根据当前证据，我对“A会发生”的相信程度是80%。

这三种“概率”使用同一套数学，却未必描述同一种存在。

二、概率的数学定义

现代概率论通常从三个基本对象开始：

• 样本空间 Ω：所有可能结果构成的集合。
• 事件 A：我们关心的一组结果。
• 概率函数 P：给事件分配0到1之间的数。

例如，掷一枚普通骰子：

Ω = {1, 2, 3, 4, 5, 6}

“掷出偶数”这个事件是：

A = {2, 4, 6}

如果假定六个结果等可能：

P(A) = 3/6 = 1/2

柯尔莫哥洛夫在1933年建立的公理化概率论，要求概率函数满足三个基本条件：

1. P(A) ≥ 0：概率不能是负数。
2. P(Ω) = 1：所有可能结果的总概率为1。
3. 互不相容的事件可以相加。

例如，一次掷骰子不可能既得到1又得到2，所以：

P(得到1或2)
= P(得到1) + P(得到2)
= 1/6 + 1/6
= 1/3

这套公理告诉我们概率应该怎样运算，却没有告诉我们：

公式里的P在现实中究竟代表什么。

这是数学与哲学的分界。

数学研究概率之间必须满足什么关系；概率哲学研究这些数值到底意味着什么。斯坦福哲学百科：概率的解释

三、概率的几种哲学解释

1. 古典解释：等可能结果的比例

这是我们最熟悉的概率定义：

概率等于有利结果数除以所有等可能结果数。

例如骰子出现偶数的概率：

有利结果：{2, 4, 6}
所有结果：{1, 2, 3, 4, 5, 6}

概率 = 3/6 = 1/2

它特别适合扑克牌、骰子和抽签。

但它隐藏了一个问题：什么叫“等可能”？

如果我们用“等可能”定义概率，又用“概率相等”解释等可能，就会形成循环：

为什么六个面等可能？
因为每个面的概率相同。

为什么概率相同？
因为六个面等可能。

现实中的骰子还可能重量不均、边角磨损，甚至存在落在棱上的可能。因此，古典解释只适用于能够合理建立对称性的场景。

2. 频率解释：大量重复中的比例

频率主义把概率理解为：

某个结果在大量同类重复试验中的长期相对频率。

例如，在相同条件下生产100万件产品，其中约2万件存在缺陷，可以说缺陷概率约为2%。

这种解释的优势是可以通过观察检验。它不需要讨论个人相信什么。

但它遇到一个困难：如何解释只发生一次的事件？

例如：

某位候选人明天当选的概率是70%。

明天的这次选举只会发生一次。我们不能在完全相同的世界里重复举行十万次选举。

频率主义可以寻找“同类选举”，但怎样定义“同类”又成为问题。年份、候选人、经济环境、选民结构都不相同。

所以，单次事件概率很难单纯还原为长期频率。

3. 倾向解释：事物产生结果的物理倾向

倾向解释认为，概率是系统自身的一种物理属性。

例如，一枚结构均匀的硬币与特定抛掷装置共同形成一种物理倾向，使正反两面接近各有一半机会。

这种解释试图回答：

为什么长期频率会稳定下来？

因为产生结果的系统本身具有某种倾向。

但“倾向”很难被脱离频率而独立观察。如果我们问“怎么知道这枚硬币有50%的正面倾向”，最终仍然常常要靠重复实验。

4. 逻辑或证据解释：证据支持结论的程度

这种解释把概率理解为：

证据E在多大程度上支持假设H。

例如：

根据现有地质资料，未来十年发生某类地震的概率是多少？

这里的概率既不是一个人的随意信心，也不只是过去地震的简单频率，而是在问：现有证据给这个判断提供了多强的合理支持。

它比较接近科学推理中的“根据证据，这个解释有多可信”。

问题在于：是否存在唯一客观的证据支持度？

两个理性的人掌握相同资料，是否必须给出完全相同的概率？他们可能采用不同模型、变量和背景知识，因此仍得到不同结果。

5. 主观或贝叶斯解释：相信程度

主观概率把概率理解为：

一个主体在当前信息下，对某个命题的相信程度。

这里的“主观”不等于随便猜。

如果一个人的相信程度被称为概率，它至少应保持内部一致。例如，他不能同时认为：

P(A) = 0.8
P(非A) = 0.5

因为A与非A的概率之和应当为1。

主观贝叶斯主义认为，不同的人可以因为先验知识不同而拥有不同概率；但获得新证据后，他们应当按照一致的规则更新判断。

概率由此成为一种“部分相信”：

0   = 完全不相信
0.5 = 两边证据相当
1   = 完全相信

实际哲学中的观点比这个刻度复杂，尤其不鼓励轻易给经验命题分配绝对的0或1。

四、概率的哲学核心：它属于世界，还是属于认识？

可以把主要争论压缩成两个方向：

世界的不确定性
    ↓
物理机会、频率、倾向

以及：

认识的不确定性
    ↓
证据支持度、相信程度

前者通常称为本体意义上的概率：概率描述世界怎样运行。

后者通常称为认识意义上的概率：概率描述在证据有限时，我们有多大理由相信某件事。

例如，一枚硬币已经落地，但结果被遮住：

• 从世界状态看，正反结果已经确定。
• 从观察者知识看，可能仍然各有50%的可信度。

因此，“概率是多少”是不完整的问题。更完整的问题应当是：

对什么事件而言？根据哪些信息？采用什么模型？这个概率表示物理机会、长期频率，还是证据下的相信程度？

五、条件概率：概率不是脱离信息存在的数字

条件概率表示：

在已经知道B的条件下，A发生的概率。

写成：

P(A | B)

定义是：

P(A | B) = P(A ∩ B) / P(B)

条件非常关键。

例如：

• P(一个人感冒)：随机选一个人，他感冒的概率。
• P(一个人感冒 | 他正在发烧)：已知他发烧时，感冒的概率。
• P(一个人发烧 | 他感冒)：已知他感冒时，发烧的概率。

后面两项看起来相似，却是两个完全不同的问题。

这正是贝叶斯公式要处理的地方。

六、贝叶斯公式是什么？

贝叶斯公式写作：

P(H | E) = P(E | H) × P(H) / P(E)

其中：

• H：假设，hypothesis。
• E：证据，evidence。
• P(H)：先验概率。
• P(E|H)：似然。
• P(E)：证据概率。
• P(H|E)：后验概率。

它表达的是：

在看见证据E之后，我们应该怎样更新对假设H的判断。

可以把它读成：

更新后的判断
=
证据与假设的匹配程度
×
原来的判断
÷
证据本身出现的概率

七、贝叶斯公式是怎么来的？

它不是凭空发明出来的复杂公式，而是由条件概率直接推出来的。

根据条件概率：

P(H | E) = P(H ∩ E) / P(E)

同样：

P(E | H) = P(E ∩ H) / P(H)

所以：

P(E ∩ H) = P(E | H) × P(H)

将它代入第一个公式：

P(H | E) = P(E | H) × P(H) / P(E)

这就是贝叶斯公式。

因此，作为数学公式，它没有神秘性。它只是从两个方向观察同一个联合事件：

假设成立，并且证据出现

Penn State 概率论课程：Bayes’ Theorem

八、贝叶斯公式真正反转了什么？

我们经常容易知道：

如果H是真的，出现E的可能性有多大？

即：

P(E | H)

但我们真正想知道的通常是：

既然已经出现E，H为真的可能性有多大？

即：

P(H | E)

两者不能直接互换。

例如：

如果一个人患有某病，检测呈阳性的概率是90%。

这是：

P(阳性 | 患病) = 90%

它不等于：

P(患病 | 阳性) = 90%

因为没有考虑这种病原本有多罕见，也没有考虑健康人误报阳性的概率。

九、一个完整例子：阳性不等于患病概率90%

假设：

• 人群患病率为1%。
• 患病者检测阳性的概率为90%。
• 未患病者误报阳性的概率为5%。

现在有一个人检测呈阳性。他真正患病的概率是多少？

假设有10,000人：

患病者：100人
其中检测阳性：90人

未患病者：9,900人
其中误报阳性：495人

所有阳性人数：

90 + 495 = 585

阳性者中真正患病的人数：

90 / 585 ≈ 15.4%

所以：

P(患病 | 阳性) ≈ 15.4%

尽管检测对患病者有90%的阳性率，看到阳性以后真正患病的概率仍只有约15.4%。

因为这种病本来很少见。大量健康人即使只有5%误报，绝对人数也会超过患病者。

这个例子揭示了贝叶斯推理的核心：

新证据的意义，取决于它与原有基准概率共同作用。

这也是为什么不能只看一条“很像”的证据。

十、先验、似然和后验分别是什么？

先验：看到新证据之前的判断

P(H)

先验不一定是主观猜测。它可以来自：

• 历史数据；
• 同类事件频率；
• 已有理论；
• 上一轮推断结果；
• 专家判断；
• 在证据不足时人为采用的初始分布。

例如，在客服系统中，过去60%的“帮我看看方案”最终被确认为评审请求，这可以成为先验参考。

但先验永远有适用范围。过去用户的分布不一定适合当前用户。

似然：假设成立时，证据有多容易出现

P(E | H)

假设用户确实希望“直接修改”，他说出“帮我直接改好”的概率可能较高。

似然回答的是：

这个假设能多好地解释目前看到的证据？

似然不是假设本身的概率。

后验：看到证据之后的新判断

P(H | E)

后验综合了：

• 原来有多相信H；
• H对新证据的解释力；
• 其他假设是否也能产生相同证据。

这一轮的后验，还可以成为下一轮推断的先验：

先验
  ↓ 新证据1
后验1
  ↓ 新证据2
后验2
  ↓ 新证据3
后验3

所以贝叶斯思想描述的是一种持续学习过程，而不只是一次计算。

十一、贝叶斯公式与贝叶斯主义不是一回事

这是最需要区分的地方。

贝叶斯公式是一条数学定理。只要使用普通条件概率，它就成立。频率主义者也承认这条公式。

贝叶斯统计是一套统计方法。它为未知参数或假设设置先验，通过数据和似然得到后验。

贝叶斯认识论则是一种哲学立场：

人的相信可以有程度；理性的相信程度应符合概率公理；获得新证据后，应通过条件化更新自己的相信。

因此，从公式走向哲学，需要增加几个前提：

1. 概率可以表示相信程度。
2. 相信程度应当满足概率公理。
3. 新证据应当以某种贝叶斯方式更新相信。
4. 决策可以结合后验概率与结果价值进行。

这些都不是单凭贝叶斯公式证明出来的。

十二、贝叶斯主义在哲学上解决什么问题？

它主要处理一个古老问题：

人在不能确定真假的情况下，怎样进行理性判断？

传统逻辑通常处理确定性关系：

如果所有人都会死，
苏格拉底是人，
那么苏格拉底会死。

但现实中的多数推理不是确定性的：

这个症状可能由疾病A引起；
也可能由疾病B引起；
新的检测结果更支持A；
所以我应该提高对A的相信程度。

贝叶斯主义把“学习”理解为相信程度的变化：

原有认识 + 新证据 → 更新后的认识

它为归纳推理、科学确认、诊断和决策提供了统一语言。

十三、贝叶斯主义面临的哲学问题

1. 先验从哪里来？

两个人面对同一证据，可能因为先验不同而得到不同后验。

例如：

甲原来认为H的概率是1%
乙原来认为H的概率是50%

即使使用相同似然，新证据之后，他们仍可能得出不同结论。

客观贝叶斯主义希望通过对称性、最大熵或理性原则限制先验；主观贝叶斯主义允许先验因个人信息不同而不同，只要求内部一致并接受证据更新。

争论在于：允许多少主观差异，概率推理仍能被称为理性？

2. 候选假设可能不完整

这是AI意图推断中最关键的问题。

假设系统只有两个候选：

H₁：用户想让AI评审
H₂：用户想让AI改写

贝叶斯公式会把两者后验归一化，使总和等于1。

但用户真正的意思可能是：

H₃：用户只是想借方案展开讨论

如果H₃根本没有进入候选集合，那么无论计算多精确，系统都只是在两个错误选项之间分配概率。

因此：

后验概率只在模型建立的可能世界里成立。

模型之外的可能性不会自动被公式发现。

3. 先验为零的假设无法被挽救

如果：

P(H) = 0

那么无论新证据多强：

P(H | E) = 0

这意味着，一旦把某个假设视为绝对不可能，后续证据就无法使它复活。

因此，在经验问题中轻易赋予0或1非常危险。这相当于关闭了继续学习的可能。

4. 证据不是中性的

我们通常把证据E当作已经给定的事实，但现实中：

• 证据可能测量错误；
• 证据可能被选择性呈现；
• 不同理论可能用不同方式描述同一现象；
• 用户的回答可能受到提问方式影响。

例如AI问：

你是想让我直接修改，对吗？

这不是完全中性的澄清。它可能诱导用户接受模型提供的解释。

所以，多轮对话中的“新证据”有时也是系统和用户共同制造出来的。

5. 高后验概率仍不等于真

假设某个假设的后验概率达到95%，它仍然可能是假的。

贝叶斯公式表达的是：

在当前候选、先验、似然和证据之下，这个假设获得了多大支持。

它不是把“有充分理由相信”变成“客观上已经为真”。

这里必须区分：

认识上的合理性
≠
世界中的真实性

十四、贝叶斯怎样连接到AI意图推断？

假设系统考虑三个候选：

H₁：用户希望解释概念
H₂：用户希望把内容保存下来
H₃：用户希望写成公开文章

当用户说：

给我详细讲讲概率和贝叶斯。

这条新证据会提高H₁的权重。

当用户又说：

把这两段沉淀成固定知识。

这会提高H₂的权重。

如果用户说：

我要发在小报童上。

这会提高H₃的权重。

整个过程可以用贝叶斯方式理解：

原有候选解释
＋
新的语言证据
→
更新候选解释的可信度

但这里要格外谨慎：

• 大模型通常直接预测下一个token，并不等于内部存在一张明确的“用户意图贝叶斯表”。
• 除非系统真的定义了候选、先验和似然，否则“贝叶斯更新”更多是一种解释框架。
• 语言证据只能支持某种意图解释，不能直接证明用户的内心状态。
• 推断出用户可能想做什么，不等于获得了执行该动作的授权。

十五、把两者放在一起

可以这样理解它们的关系：

概率：
我对一个不确定判断有多大把握？

贝叶斯公式：
出现新证据后，我应该怎样改变这个把握？

贝叶斯主义：
理性认识本身，可以被理解为一个持续修正相信程度的过程。

概率最深的哲学问题是：

不确定性存在于世界中，还是存在于我们的认识中？

贝叶斯主义给出的回答主要偏向认识论：

至少有一类概率，可以被理解为主体在当前证据下的合理相信程度；学习，就是根据新证据不断修正这种相信。

但贝叶斯方法始终有一个边界：

它能规范“在现有模型和证据下应该相信多少”，不能保证模型已经包含全部可能性，也不能保证证据可靠，更不能把高概率直接变成真理。

这也是它与“AI能否断定用户真实意图”之间最关键的联系。