三者在思维活动中的功能复杂现象能解释得严丝合缝

2019-11-07 13:20:21 网络推手刚总

对一个杂乱现象能解说得严丝合缝的,往往反而是那些阴谋论或诉诸超天然要素的理论。
“为什么” 是最常见的问题类之一了。和“是不是”——判别、评价, “是什么”——识别、分类, “什么是”——举例、搜索,这类问题比较,对这种 “求解说” 问题的答复所涉及到的推理进程更为杂乱。
这不只是因为答案难以找到(一切问题类都有这种状况),更常常是因为“答案” 太多并且互相对立,因而难以挑选。
各位读者假如检核当前的舆情热点则不难发现,不论是对历史事情还是现完成象,形似有理的解说俯拾皆是,但明显不能一起都被承受,而有些更是匪夷所思到令你敬服人们的想象力。此处还有逻辑可言吗?
解说和归因
对解说性问题的答复不是传统意义下的 “演绎” 推理,这便是说没有一套严厉的规则能够为一个给定的现象A找到一个正确的解说B。一种常见的说法是,把一切不是演绎的推理统称为 “概括”,但这样一来未免抹煞了其间不同推理类型的重要不同。
在推理分类上做出奠基性奉献的是皮尔斯(Charles Sanders Peirce)。他最早提出解说性推理是和演绎、概括均不同的底子推理方式。皮尔斯开始称这种推理为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,我觉得 “归因” 和 “概括” 对应,更恰当些,因而一般用这个词。在Deduction, Induction, and Hypothesis 一文[1]中,皮尔斯给出的比如是:
演绎(deduction):从“这些豆子是从这个袋子里取出来的” 和 “这个袋子里的豆子都是白的” 推出 “这些豆子是白的”;
概括(induction):从“这些豆子是从这个袋子里取出来的” 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取出来的”。
这能够概括成下面的一般格局:
演绎:从“S是M” 和 “M是P” 推出 “S是P”
概括: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,概括和归因别离能够经过将演绎的一个条件与其定论换位而得到,因而均能够被当作是 “逆演绎”,而这二者仍有不同。
皮尔斯指出,虽然概括和归因都不具有演绎的 “保真性”,它们仍供给重要的推理功用。
概括的功用是 “概括” (也称 “泛化” 或 “一般化”),这便是说虽然 “S是M” 和 “S是P” 不能保证 “M是P” 的正确性,但假如这样的S有许多,其累积效果确实会使得咱们承受 “是M的也都是P”,那也便是 “M是P” 了。
另一方面,归因的功用是 “解说”,这便是说虽然 “S是P” 和 “M是P” 不能保证 “S是M” 的正确性,但“S是M” (作为假说)和 “M是P” (作为布景常识)能够解说 “S是P” (作为调查成果)为什么会发作。
这样一来,这两种推理方式各安闲思想活动中的奉献就清楚了,并且它们和演绎所供给的证明功用是互补的,彼此并无对立。对上面那个比如来说,假如人们知道一个袋子里的豆子都是白的,确实常常会以为看到的白豆子是从袋里取出来的,虽然这明显仅仅许多或许性中的一种。
确切地说,皮尔斯关于演绎-概括-归因的观点包含两个方面:
1. 这三者的方式及其换位关系,
2. 这三者在思想活动中的功用。
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)的方式框架中表述的,而随着数理逻辑的鼓起,词项逻辑的优势位置被谓词逻辑所替代(这是另一个话题了,在此不打开),皮尔斯在推理类型划分上的思想遗产主要是在第二个方面被后人承继了。
在近年的研讨[2]中,演绎-概括-归因底子上是按照它们的功用(证明-概括-解说)来区别的,而其方式化界说则是在谓词逻辑的框架中给出的,比如说假如P(a) 和 Q(a) 别离标明目标a 具有性质P和Q,并且P(x) → Q(x) 标明 “凡有性质P的也有性质Q”,那么这三种推理能够概括成下面的格局:
演绎:从P(a) 和 P(x) → Q(x) 推出 Q(a)
概括: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)
虽然概括和归因仍能够经过换位从演绎中得到,这种标明现已不再有词项逻辑中那种漂亮的一致性。出于多种考虑,在我自己的推理模型[3]中还是用了皮尔斯开始的词项逻辑方式,但将其从二值逻辑改造成多值逻辑,即把 “真假” 当作程度之别,而不同的推理方式则是以不同的方式和强度为定论供给根据。这方面我在《证明、证伪、证明、根据:何以为“证”?》之中有介绍。
解说“解说”
曾经面的介绍为根底,咱们能够解说一下 “解说” 之中为什么有那么多问题。
作为难兄难弟,归因的费事不比概括的少,并且二者不乏 “同病” 之处,比如其定论只能获得相对较低的可信度,而不论条件怎么可信。
当评论从界说相对严厉的 “归因” 转到相对含糊的 “解说”,问题就更多了。根据现在一般的了解,给定现象A,假说B只要不是明显为假,并且能够和布景常识K一起(演绎地)推导出A,就算是个或许的解说。这样一来,对同一个A,解说B能够有许多个,以至于似乎能够用任何B去解说A。
比如说或人做了一件功德,有人天然会以此作为此人是好人的根据,而往往也有人会说这事恰恰阐明了此人的伪善和用心险恶;假如或人做了一件坏事,有人会以此证明此人是坏人,而一起另有人会为其找出不得已的理由,乃至说其成果 “实践上从长远看来不失为一桩功德”。
假如你决心不惜全部价值来保卫某种崇奉,那么不论发作什么都能够据此供给解说,并进一步支撑这个崇奉。
比如说有人以为咱们是生活在外星人构建的一个模仿环境之中。不论发作什么现象,这个解说总是成立的。更有人用此类办法显示自己崇奉的某种理论相对于科学理论的优越性:每个科学理论都有现在尚不能解说的现象,而这些理论却能够解说全部。
对于这种事咱们能说什么呢?
首先,即使某个解说听上去匪夷所思,这也未必阐明它 “不契合逻辑”。根据前面的阐明不难看到,根据对解说的宽泛界说,在不约束什么能够算作 “布景常识” 的状况下,人们简直能够用任意的理论去 “解说” 任意的现象,所以说这里最常见的错误不是推理违规,而是任意引入 “特设性” 条件。
比如说在 “外星人具有超出咱们了解的才干” 的条件假设下,咱们确实或许是生活在它们设置的一个模仿环境中。根据类似的思路,我乃至能够坚持以为只要我自己是真实存在的,而世界(包含一切其他人)都不过是一个模仿环境中的幻象罢了。这个定论虽然听起来疯狂,却是彻底 “契合逻辑” 的,这便是说你不能希望经过辩论说服一个抱有这种信仰的人,因为你的言论也会被解说成模仿的一部分。
对同一个现象的解说不是仅有的,这不阐明每个解说都有同样的合理性,而恰恰是要求咱们对它们进行比较,而挑选那些相对而言较好的。在这里, “好” 不只仅意味着能无懈可击。
对一个杂乱现象能解说得严丝合缝的,往往反而是那些阴谋论或诉诸超天然要素的理论。一个常见的误解便是,能解说的现象越多的理论就越好,越 “科学”,其实尽或许多地解说各种现象仅仅对一个理论的希望之一,而不是仅有的希望。对举动的指导性和概念简单性也都是重要的。当一个理论以献身指导性或简单性为价值来添加解说力的时分,在和其它理论的竞争中未必能占便宜。假如一个理论既能够解说某个事情的发作,也能够解说其未发作,那就对咱们的行为缺少指导意义(咱们究竟要怎么准备应对?),这种解说力(或者说 “正确性”)也就不具有实践价值了。这也便是波普尔的 “证伪主义” 中的合理成分,仅仅指导性所导致的查验对一个理论一般不会有 “立判生死” 之效,而仅是在必定程度上增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重要要素。比如说 “咱们是生活在外星人构建的一个模仿环境之中” 这个假说,咱们确实没办法证明它是错的,但和以为 “咱们是生活在一个真实世界中” 比较,这个更杂乱的假说并未带来解说力和指导性上的任何优点,因而不值得认真对待。听说拉普拉斯在答复拿破仑为什么他的书中不提上帝的质问时答复 “陛下,我不需要那个假设”,也是这种态度。我在《意识是脑中涌现的吗?》之中说到复原论的问题也和这一点有关。为一个心思层面上的现象供给神经元层面(乃至原子层面)的解说虽然在原则上仍有或许,也并非一无是处,但和一个心思层面上的解说比较往往缺少竞争力。
在人工智能体系中完成解说性推理的关键,便是把相关定论的真实性、简单性、有效性等都恰当地量化处理,并按照当前状况在各种解说中进行合理挑选。这也便是说,仅仅在 “是否或许” 的水平上评价不同的解说是不够的,而有必要能看出哪个解说根据更多,更简单,对未来行为更有指导性。
这样一来,那些貌同实异的解说就会逐渐在体系中被更靠谱的筛选掉。当然,完成这种功用的底子条件便是体系有包含演绎、概括、归因等方式在内的推理功用。现在对机器学习体系缺少 “解说功用” 的批判,很大程度上也是因为用函数逼近的办法 “学习”,当然能够识别出一个照片中的物体是只猫,但却不会像咱们那样说 “我以为那是只猫,因为……” ——不论你的理由是什么,必定不是统计算法得到这个定论的理由。这也便是说,现有的主流学习算法不是不能供给解说,而是不能供给咱们希望的那种解说,因为其定论的生成进程和咱们有底子性不同。在这种状况下,用死记硬背或事后重构的法子供给解说是不够的。只要像人那样考虑才干供给人能了解的解说。
因果性解说
解说能够进一步分成不同的品种,其间重要的一种便是为某个事情找原因。因果常识的树立主要靠概括,而我关于概括的底子观点在《怎么对付“概括”带来的费事?》一文中现已介绍了,便是不把这种常识看刁难 “客观规律” 的反映,而看刁难 “片面经历” 的总结。归因则是用这种常识来 “找原因”。
前面关于解说的一般定论彻底适用于因果性解说这种特殊状况。这便是说,对一个特定的事情,原则上是没有 “真实的原因” 这种东西的,这就和牛顿-拉普拉斯式的因果观底子不同了。但虽然如此,在若干候选原因之间进行比较,仍然是必要并且或许的,这便是说,问询某事情的原因仍是个有意义的问题,而在许多状况下大多数人还是会同意某个答案是 “正确的”。
和其它类型的解说不同,在因果解说中一般要求 “因” 发作在 “果” 之前,所以这种解说会给猜测未来事情供给根据。如前所述,对一个因果解说的评价也基于其正确性、指导性和简单性。
在绝大多数应用环境下,说 “A的原因是B” 要求二者都是可重复的事情类型,而前者的发作会导致咱们对后者的预期。这个因果信仰的正确程度取决于相应预期被后来的调查证明的比例。和决定论因果观不同,一次失败的预期通常不会证伪一个因果信仰,而是常常被解说为其它(B之外的)要素的影响,这是因为“A的原因是B” 这样的定论底子上都是对实践状况的简化,其实A的发作仍有赖于C、D、E等诸事情,虽然它们没有都被一一列出。这就和简单性要求相关了。从原则上乃至能够说一个事情的原因是在其之前发作的一切事情的总和,但这个无比正确的定论明显不能用来协助咱们进行猜测,因而对 “原因” 的简化描述及其由此发作的反例就成为不行避免的了。人们通常是在正确性和简单性之间找一个平衡,即只列出那些会对定论的正确性发作严重影响的条件条件,而忽略那些仅仅偶然出问题的。
对一个不行重复的事情而言,确认其原因更是没有一致的规范。难怪对严重历史事情的原因的争辩永远不会停止。但不是说这种问题没有意义。实践上,关于历史中因果关系的评论都或明或暗地服务于 猜测未来事情这一目的,也便是所谓的“以史为鉴”。因而,关于  “A的原因” 的探寻实践上都是关于  “类似于A的事情” 的原因的,而对这个事情类的不同界定往往是这类争辩的本源。
关于原因确定的另一重杂乱性在于, “原因” 的概念在不同领域中的准确意义是有不同的。儿童心思学的研讨标明,因果常识缘起于婴儿对自身行为后果的认识,因而, “因” 总是 “我的行为”。随着认知才干的开展,能够充当 “原因” 的事情逐渐被推行到其他认知主体(人或动物)的行为,以至于无主体的天然事情。
这阐明 “因果” 在观念上不只与 “猜测” 有关,并且与 “操控” 有关。这里的 “可控” 不只包含 “能够使其实践发作或不发作”,也包含 “能够设想其发作或不发作”。在不同的领域中,因为可控要素不同,“因果” 的用法也不同。各位不妨想想在物理学、医学、历史学、法学中所探寻的 “原因” 都是什么样的。在相关评论中常常被提及的“因果性” 和 “相关性” 之别,也常因为前者隐含着 “可控” 而后者无此要求。

1558607228770959-lp-lp-lp-lp.jpg

回到人工智能上来,现在流行的贝叶斯网络模型底子上仅仅在给定的因果信仰之上做推理,而无法提出或放弃因果信仰,因而仍是不够的,更不必提那些连 “因果性” 和 “相关性” 都不区别的 “学习算法”。但这不阐明人工智能在这方面必定“低人一等”。前面评论到的各种要素并非不或许在计算机体系中呈现。这便是说,解说(包含因果解说)的生成和评价都是有逻辑可循,并且能够在计算机体系中完成的,虽然这不意味着体系对每个事情或现象都能找到仅有正确的解说。咱们在这个方向上的具体工作可见参考文献[4],就不在这里谈技术问题了。
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