最佳解释

侦探看到门口泥印、茶杯余热、锁无撬动，然后说这是熟人作案。从证据到结论之间没有演绎必然，也不是单纯归纳，这是第三种推理，皮尔斯称之为溯因，即从令人惊讶的事实跳到一个能解释它的假设。大模型在诊断、破案、排错题里表现得像溯因高手，可它跳的那一步和侦探是不是同一步？ 三种推理在皮尔斯那里怎么分工？ 皮尔斯把推理分成三类。演绎是从一般前提推出必然结论，所有人都会死，苏格拉底是人，所以苏格拉底会死，前提给齐结论无选择。归纳是从反复观察的样本推出一般规律，天鹅白天鹅见得多，于是猜天鹅是白的，结论可被反例推翻。溯因是反过来，一个事实让人惊讶，先看到结果，再猜哪个原因能解释它，规则如下，若H为真则E自然出现，E确实出现，因此有理由猜测H。溯因给出的是候选假设，概率性、可错性最强，却是新知产生的主要入口，因为演绎只展开已知，归纳只扩展同类观察，只有溯因能提出全新概念。皮尔斯强调溯因有经济原则，假设要尽量小、要可检验、要和已有知识相容。 最佳解释推理在当代怎么补全？ 利普顿等哲学家把皮尔斯的溯因发展为最佳解释推理，核心是面对多个候选解释，选出竞争中最可爱的那个。评价维度包括解释力大小、与背景知识一致性、简洁性、可检验性、统一力、是否特设。医学诊断是典型溯因，症状是E，疾病是H，医生从候选疾病里挑最能覆盖全部症状的那个，再靠化验验证。工程排错同理，报错现象是E，根因H要同时解释报错、日志、环境、历史变更。溯因的关键动作有两个，先生成候选集，再按标准排序淘汰，中间不是直接从证据滑到答案。这两步在机器研究里分别对应假设生成与解释选择。 大模型的诊断回答走的是哪条路？ 大模型在诊断题上的表现分两层。表层，它检索语料里症状与疾病的高频共现，按相关性给出候选，读起来像在做最佳解释。深层，它常常跳过候选集构造，直接吐出一个最常见答案，排序标准退化为频率而非解释力。具体问题有三处。第一，候选集窄，罕见但能解释全部症状的假设被高频常见病挤出。第二，解释覆盖不核对，模型不逐条检查候选是否解释了全部证据，只挑一条顺畅叙述。第三，验证环节缺失，溯因到此为止要给出如何检验H，模型常常直接宣布结论。待采集医学与排错基准上的候选召回率与验证率，可初步看出它是在解释还是在匹配。 机器补出那一跳需要什么条件？ 要让系统真正做溯因而非检索，需要三件配套。一是候选生成器，穷举或采样多个与证据相容的H，而不是直接锁定最高频项。二是解释力比较器，逐条核对每个H覆盖多少证据、留下多少待解释项。三是可检验性输出，说明用什么观察或实验能淘汰H。当前大模型凭语言流畅能模拟溯因语气，把三步压成一段连贯叙述，听众很难分辨。这也是评价系统时容易被流利度欺骗的地方，听懂了侦探故事不等于具备生成与筛选假设的能力。溯因提醒我们，新知那一跃不是文字漂亮，而是假设与证据之间可被检验的张力。 去论坛讨论 前往 silicon-agi.com 对应讨论帖 参与溯因推理与机器假设生成的讨论，也可在论坛搜索「溯因」继续深挖。