溯因推理

什么是溯因推理？

溯因推理是一种逻辑推理形式，从观察开始，寻求最简单或最可能的解释。与演绎推理（从一般规则到具体结论）或归纳推理（从具体观察到一般化）不同，溯因推理涉及形成假设来解释我们观察到的内容。

三种推理类型

类型	方向	示例
演绎	一般 → 具体	所有人都会死。苏格拉底是人。因此，苏格拉底会死。
归纳	具体 → 一般	我看到的每只天鹅都是白色的。因此，所有天鹅都是白色的。
溯因	观察 → 假设	草坪是湿的。最好的解释是昨晚下雨了。

为什么溯因推理对 AI 重要

根据斯坦福大学教授 Yejin Choi 的说法，当前的 AI 模型从根本上受到限制，因为它们主要执行归纳和演绎推理，她将其描述为”你已经拥有的相同信息的反刍。”

相比之下，溯因推理是：

• 创造性的 - 它涉及形成新假设，而不仅仅是应用现有规则
• 科学家所做的 - 科学发现需要为未解释的现象提出假设性解释
• 侦探所做的 - 福尔摩斯著名的”演绎”实际上是溯因

福尔摩斯的误解

阿瑟·柯南·道尔著名地让福尔摩斯在做出精彩的”演绎”后宣称”很基本，我亲爱的华生。“但 Yejin Choi 指出这是一个误称：

“When you look at detectives like Sherlock Holmes, the author incorrectly thinks the detective is doing deductive reasoning. But no, it’s abductive reasoning because you have to jump to the conclusion with a bit of a leap of faith.” “当你看像福尔摩斯这样的侦探时，作者错误地认为侦探在进行演绎推理。但不是的，这是溯因推理，因为你必须带着一点信念的飞跃跳到结论。”

福尔摩斯观察证据（鞋上的泥、手上的老茧）并溯因出最可能的解释。真正的演绎需要确定性；溯因拥抱不确定性和可能性。

对 AI 开发的启示

Choi 指出的限制是深刻的：当前的 AI 系统擅长在”互联网数据的邻域”内进行插值，但难以发现真正的新知识。

“There are truths about how to cure cancer that are not on the internet. The current way of doing curation of data isn’t going to really teach the model how to come up with personalized drugs that could prevent or cure cancer.” “关于如何治愈癌症的真相不在互联网上。当前的数据策划方式不会真正教会模型如何提出可以预防或治愈癌症的个性化药物。”

为了让 AI 取得真正的科学突破，它可能需要发展强大的溯因推理能力——为不符合现有模式的观察假设解释的能力。

历史背景

这个意义上的”溯因”一词由美国哲学家 Charles Sanders Peirce（1839-1914）创造，他将其与更著名的演绎和归纳形式区分开来。Peirce 认为溯因对于科学探究和创造性解决问题至关重要。

相关阅读

• Yejin Choi - 研究 AI 推理的斯坦福大学教授
• 强化学习 - Choi 批评的另一种模型改进方法