[!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:

归纳问题

一句话定义

归纳问题（problem of induction）追问：我们凭什么从过去和已观察到的规律，合理推断未来或尚未观察到的情形也会继续如此？

它不是问“归纳有没有用”，而是问：

归纳推理本身的正当性从哪里来？

从一个最普通的例子开始

你每天都观察到太阳升起，于是预测：

明天太阳仍会升起。

这个预测在实践中极其合理，但它不是演绎必然：

过去每天太阳都升起

并不会在纯逻辑上蕴含：

明天太阳必然升起

至少在不加入额外关于自然规律持续性的前提时，结论仍可能为假。

休谟式难题

David Hume 在 18 世纪系统提出了这一问题。可以把论证压缩成两条路。

路线 1：用演绎证明归纳可靠吗？

做不到，因为：

已观察样本为 P

与：

未观察样本也为 P

之间不是逻辑必然关系。

未来与过去不同并不包含形式矛盾。

路线 2：用过去归纳成功的经验证明归纳可靠吗？

例如：

过去归纳法经常成功，所以未来继续使用归纳法也会成功。

但这本身又是一次归纳：

过去归纳成功
→ 推断未来归纳仍成功

于是出现循环：用归纳来证明归纳。

“自然具有一致性”能解决吗

可以增加一个前提：

自然规律会保持足够稳定。

这样：

过去观察
+
自然具有稳定性
→
未来预测

但新的问题变成：

我们凭什么知道自然会继续稳定？

如果理由又是“过去一直如此”，仍然回到了归纳。

因此归纳问题不是缺一条简单前提，而是追问这种从已观察到未观察的桥梁如何被非循环地奠基。

这不等于“科学不可信”

这是最重要的边界。

归纳问题说明：

经验规律通常不能获得演绎式绝对保证

它不说明：

所有经验预测都一样不可靠

现实中我们仍然能比较：

• 样本量；
• 重复性；
• 机制；
• 预测准确率；
• 实验设计；
• 竞争理论；
• 概率和误差。

这些能让一些归纳远强于另一些归纳。

演绎与归纳评价标准不同

演绎推理与归纳推理中已经区分：

演绎
→ 问：前提真时结论能不能为假？

归纳
→ 问：这些证据把结论支持到什么程度？

归纳问题提醒我们：不要把第二种支持偷偷描述成第一种必然性。

贝叶斯主义怎么回应

贝叶斯更新不试图把经验推理变成演绎确定性，而是把信念表示成概率，并随证据更新：

Prior
+
Evidence
→
Posterior

这能非常好地描述“证据应该怎样改变信念”。

但哲学问题并没有因此完全消失，因为仍可以继续追问：

• 先验从哪里来？
• 为什么采用这些概率规则？
• 模型类为什么这样选择？

所以贝叶斯主义是强大的归纳框架，不应被简单宣传成“一行公式彻底解决休谟”。

波普尔式路线

可证伪性强调：科学理论不需要通过大量正例被最终“证明”，而应该提出大胆、可能失败的预测，并不断接受反驳性检验。

大致结构：

提出假说
→ 推出可检验预测
→ 尝试反驳
→ 未被淘汰的理论暂时保留

这避免把“观察很多正例”说成演绎证明。

但科学实践仍经常需要预测未来、选择理论和评估概率，因此归纳问题并不会仅靠“证伪”完全消失。

最佳解释推理

现实科学也经常使用 inference to the best explanation：

哪个假说能以更少额外假设、更强预测力和更广解释力解释当前证据？

例如故障排查：

H1 能解释 E1,E2，但解释不了 E3
H2 能同时解释 E1,E2,E3，并预测 E4

我们可能更偏向 H2。

这仍然不是演绎必然，而是证据比较。

机器学习也是现代归纳问题的工程版本

训练数据：

已观察样本

部署环境：

未观察样本

模型能否泛化，本质上依赖：

• 训练分布与部署分布关系；
• 假设空间；
• 正则化；
• 数据代表性；
• 分布是否漂移。

也就是说，“为什么从训练集推广到未来数据”正是归纳问题在工程中的一个现代版本。

软件测试中的边界

1000 个测试全部通过，并不能演绎证明：

所有未来输入都不会出 bug。

它能做的是：

• 排除已经覆盖的反例；
• 在合理测试分布下增加信心；
• 验证关键不变量；
• 用属性测试扩大反例搜索空间。

这正体现：

很多正例增强信心
≠
有限正例证明无限全称命题

“归纳无法证明”不等于“随便猜都一样”

这是最容易走向的极端误解。

比较：

A

过去 10000 次受控实验都稳定支持规律 R，并有成熟机制解释。

B

我昨天做梦觉得 R 会成立。

两者都不是演绎证明，但证据质量显然完全不同。

所以归纳问题不是取消证据等级，而是要求我们承认：经验支持通常是可更新、可修正、非绝对的。

与证据校准的关系

证据强度与结论校准可以看成归纳问题的实践回应之一：

证据支持到 70%
就不要写成 100% 必然

科学理性的核心不一定是获得绝对确定，而是让信念强度与证据强度尽量匹配。

一个实用的现实框架

遇到经验性预测时，不问：

“它有没有被绝对证明？”

而问：

1. 当前证据有多强？
2. 样本能代表未来场景吗？
3. 是否有机制支持？
4. 竞争解释有哪些？
5. 过去预测表现怎样？
6. 什么新证据会改变判断？
7. 决策错误的代价是什么？

这并没有哲学上“消灭”归纳问题，但能让实践推理更可靠。

一句记忆

归纳问题不是“明天太阳会不会升起”，而是“过去一直如此，凭什么能成为未观察未来的理由”。

来源

• Stanford Encyclopedia of Philosophy, The Problem of Induction: https://plato.stanford.edu/archives/sum2024/entries/induction-problem/