[!info] related notes

• 所属 MOC: logic-moc
• 前置概念:
• 并列概念:
• 易混淆概念:
• 关系笔记:

可证伪性

一句话定义

可证伪性（falsifiability）是一个经验性主张允许存在某些可能观测，使这些观测一旦可靠出现，就会与该主张冲突。

通俗说：一个主张如果要接受经验检验，就应该提前说明：

什么结果出现时，我会承认这个假设出了问题？

最小例子

主张：

所有天鹅都是白色。

它是可证伪的，因为：

发现一只真正的非白色天鹅
→ 与“所有天鹅都是白色”冲突

主张越明确，通常越容易知道怎样检验它。

不可证伪式保护

假设有人说：

“这个预测一定正确；如果你观察到反例，那只是因为某种永远无法检测的力量暂时把结果隐藏了。”

每出现一个反例，就临时增加一个无法独立检验的解释，让理论永远不会输。

这样的问题不是“它已被证明为假”，而是：它逐渐失去被经验区分的能力。

波普尔的核心问题

Karl Popper 用可证伪性讨论科学理论与某些不可检验体系的区别。他强调科学理论不能只不断寻找确认案例，还应承担被反例击中的风险。

但要避免把它简化成：

可证伪 = 科学
不可证伪 = 没意义 / 一定是假

这两个等号都太强。

可证伪 ≠ 已被证伪

可证伪
= 原则上存在会反驳它的可能证据

而：

已被证伪
= 这样的反证已经可靠出现，并足以击中该主张

例如：

明天下午 3 点东京会下雨。

这是可证伪的。现在还没到明天下午，并不代表它已经被证伪。

可证伪 ≠ 一定为假

恰恰相反，一个很好的科学理论通常可证伪，但长期经受住了高质量检验。

它的可信度来自：

理论冒着失败风险
+
多次预测成功
+
竞争解释表现更差

不是来自“它设计得永远不可能输”。

“证实”为什么比“证伪”复杂

观察一千只白天鹅仍不能演绎证明：

所有天鹅永远都是白的。

但一只黑天鹅就能推翻这个严格全称命题。

这揭示了全称经验规律的不对称：

很多正例 → 增强支持
一个真正反例 → 可直接击穿严格全称形式

现实科学当然更复杂，因为观测可能错误，辅助假设也可能出问题。

Duhem–Quine 式边界：实验很少只测一个命题

实验预测通常依赖一整组假设：

核心理论
+ 仪器正常
+ 测量模型正确
+ 样本处理正确
+ 辅助条件成立
→ 预测结果

如果实际结果不符，逻辑上只知道这整个组合至少有一部分出了问题。

因此科学实践不会看到一次异常就机械地“理论已证伪”，而会检查：

• 仪器；
• 数据；
• 设计；
• 辅助假设；
• 重复实验。

软件 Debug 中的可证伪假设

坏假设：

“系统就是哪里不稳定。”

它几乎不能指导实验。

更好的假设：

“如果根因是连接池耗尽，那么故障窗口内 active connections 应接近上限，增加 pool size 或降低并发后错误率应明显下降。”

它给出了可区分预测：

H 为真
→ 应看到 E

如果高质量观测长期看不到 E，H 的可信度就下降。

这与 假设驱动调试 直接对应。

和确认偏误的连接

确认偏误喜欢问：

“还有什么支持我的假设？”

可证伪式思维更喜欢问：

“哪一种观测如果出现，会让我降低对这个假设的信心？”

两者不是完全对立：科学也需要确认性证据。但主动寻找有区分力的潜在反证，能减少只收集支持案例的问题。

什么样的预测更有信息量

比较：

弱预测

明天市场可能涨，也可能跌，也可能基本不变。

几乎任何结果都兼容。

强预测

在条件 X 下，指标 Y 会在 24 小时内下降至少 20%，否则模型 M 的当前版本不成立。

后者承担更大失败风险，因此一次成功检验的信息量也更高。

可证伪性不能解决价值判断

命题：

“我们应该优先保护弱势群体。”

它包含规范性价值，不是单靠一次经验观测就能证伪的普通事实假设。

我们仍可以检验相关事实前提：

• 某政策是否真的保护了目标人群；
• 成本和副作用是什么。

但价值前提本身需要伦理论证，而不是硬套实验标准。

AI 输出审查模板

看到 AI 提出根因、趋势或预测时，可以问：

1. 这个假设预测了什么可观察结果？
2. 什么结果会降低它的可信度？
3. 是否存在任何结果都能被它解释的情况？
4. 它和竞争假设产生的预测有什么不同？

如果任何结果都能被事后解释成“模型还是对的”，该解释的区分能力很低。

一句记忆

一个真正接受经验检验的假设，不只要告诉你它为什么可能对，还要告诉你它怎样才算输。