夜雨聆风
在AI时代如何正确使用归纳法?
人类天生偏爱归纳法，因为它契合大脑的运作方式，即从经验中提炼规律，降低认知负担，让记忆或决策变得更高效。这种思维无处不在：太阳每天升起，所以明天还会升起；红苹果往往更甜，于是购买时优先选它；做俯卧撑或举哑铃时，在力竭的最后阶段再多撑一两个，单次上限便会在一次次重复中悄然提高。归纳法如此强大，它正是卡尼曼所说的系统1快速运转的核心机制之—— 无需深入思考，模式识别就已完成。
然而，任何方法都有其适用边界，归纳法也不例外。连续观察24个月的标普500走势，就能预测下个月的涨跌吗？《三体》里的火鸡科学家更是一个深刻的警示：它观察到每天中午11点都会有食物送来，于是归纳出这条规律，直到感恩节那天，迎接它的不再是食物而是一把屠刀。
本文是读塔勒布不确定性四部曲：《随机漫步的傻瓜》、《黑天鹅》、《反脆弱》和《非对称风险》后对归纳法的反思，意在提醒自己：只有清楚归纳法边界，才能真正用好它，不要成为一名火鸡科学家。
什么是归纳法？
归纳是通过观察某一种类事物中有限数量个体的属性而从得出适用于这类事物普遍规律的推理方法，是由特殊到一般，个体到整体的思维方法。观察到999999只天鹅都是白的，归纳出所有天鹅都是白的。
归纳法可分为三类：完全归纳法，不完全归纳法和统计归纳法。
-
完全归纳法是指观察了所有该类事物后得出结论，该结论绝对正确。适用于对象数量有限且可穷举的情况。 -
不完全归纳法是仅观察了该类事物中的部分案例后得出结论。结论有可能是真也有可能是假。适用于日常生活总结经验和提出初步假设。 -
统计归纳法是根据统计样本数量概率来得出结论。本质是更科学的不完全归纳。
不完全归纳法和统计归纳法的区别在于：前者通常只枚举了部分个案，就从中概括出一般结论，而后者则依赖随机抽样，并以概率形式表达结论，因此通常更有统计意义和可信度。比如在比较苹果 Pro 和 Pro Max 时，“根据对 5000 名苹果手机用户的抽样调查，90% 的用户认为 Pro 更好”这样的统计归纳，通常比“根据周围认识的 4 个人都认为 Pro 更好”这种不完全归纳更可靠。
还需注意的是：统计归纳法区别于数学归纳法。统计归纳是经验性的，而数学归纳法是演绎推理法。前者结论不一定为真，但后者结论100% 成立。
哲学教授将归纳问题称为休谟问题。苏格兰哲学家休谟是经验主义的代表人物之一，他认为一切知识都来自经验。但我们不能仅凭过去经验，逻辑上证明未来一定会像过去一样。
正如塔勒布在《黑天鹅》中指出的那样，归纳问题和哲学史一样古老。古代怀疑论者，比如皮浪(怀疑论鼻祖)，卡尔尼亚德斯和塞克斯都·恩披里柯都主张我们需要在认识论的问题上采取一种谨慎的或消极的观点。下面我们将谈到他们这样的主张的理由。
归纳法存在的问题有哪些？
归纳法得出的结论只能以概率为基础，而非必然性的。下面列出其主要局限。
-
感官经验不能给我们提供确定的知识。观察时的感官印象不仅受到我们情绪的影响，还受到物理方面的影响比如距离，光线，或者角度。感官经验在个体间存在差异导致我们认识一个事物的真实本性是无能为力的。 -
不完全归纳法无法保证能观察到所有的个体。即使查看10年五一假期某地天气良好，也无法保证今年无雨。 -
统计归纳法因样本量不足以及取样方式不同导致归纳的有效性和准确性。A/B test样本量不足，统计收入时按照平均值而不是中位数，客户满意度调查时没有计算取消订阅的客户群体。我们很容易犯以偏概全和幸存者偏差的统计错误。 -
归纳法导致循环论证的逻辑谬误。循环论证谬误是指在论证时论据（理由）已经假设了论点成立，形成无效循环。A：年轻人不应该躺平而是努力工作。B：年轻人为什么要努力工作 A: 因为努力工作的人不会躺平。 -
归纳法导致反向学习。经验累积提升虚假信心，并且经验负价值的不断叠加会导致在未知变化面前判断失误的概率增大。火鸡在一次次被喂食后，越来越相信明天也会安全，但正是这种基于过去的归纳，让它在最危险的时候最有安全感。 -
归纳法容易诱发叙述谬误。由于大脑倾向于将零散事实连成因果关系，归纳过程常被故事化，从而产生叙述谬误。我们误以为自己理解了事件，但实际上只是构造了一个连贯却不真实的叙述。
如何正确使用归纳法？
首先，我们必须主动拥抱不确定性，以概率思维来理解世界，尤其是在当下这个黑天鹅频发，充满肥尾风险的极端斯坦时代。
其次，在平均斯坦中，我们可以放心使用归纳法。 平均斯坦指那些虽然存在波动，但波动幅度不大，不会出现极端值的领域。在这些领域里，”昨天像今天，今天像明天“，过去经验能够预测未来。
典型的平均斯坦领域包括：
-
生物学特征的统计归纳（身高、体重、寿命等） -
低风险的试错环境（健身、写作、语言学习） -
有线性反馈的职业技能（水电工、数据分析师等）
这些领域中，归纳总结能够帮助我们快速迭代、持续进步。
相反，在极端斯坦的领域，我们必须对过去经验保持高度怀疑。 极端斯坦指那些平时波动不大，但一旦发生变化就是极端变化的领域。在这里，“过去稳定，不代表未来稳定”，一个黑天鹅事件就足以抹掉几十年的归纳经验。
典型的极端斯坦领域包括：
-
宏观经济 -
金融市场 -
创作类行业 -
科技创新 -
社会变迁 -
战争
在这些领域中，蝴蝶效应，杠杆效应，网络效应会使得单个小事件引发巨大的连锁反应，导致归纳无效。
塔勒布在书中也提出了四象限决策工具，帮助我们判断在什么领域如何使用归纳法。
最后，我们需要牢记卡尼曼在《思考快与慢》中的一个重要实验结论： 人们往往不愿从一般推断特殊，却非常愿意从特殊推断一般。这正是我们在极端斯坦中容易犯错的根源。