AI 只会归纳,而决定你价值的是溯因

三种推理，少了一格

归纳和演绎大家都熟。归纳从大量样本里找共性，演绎从确定的前提出发推出必然成立的结论。少算的那一格叫溯因（abduction），美国逻辑学家皮尔士在 1878 年的《Deduction, Induction, and Hypothesis》里把它单列出来，并在 1903 年给定了它的形式：观察到一个反常的事实，如果某个假设成立，这个事实就不奇怪了，于是有理由先怀疑这个假设是对的（来源：Internet Encyclopedia of Philosophy《Charles Sanders Peirce: Logic》，访问日期 2026-10-02）。

皮尔士自己有一句概括得很准的话：演绎证明某事必然如此，归纳显示某事实际起作用，溯因只是暗示某事可能如此。这句被转引得很多，我没能回源到他原稿的准确页码，只当概括用，不当地引文用。

三种推理各自负责一段：

• 归纳
  负责“过去是什么样”，给你共性；
• 演绎
  负责“必然怎么样”，给你确定性；
• 溯因
  负责“可能怎么样、值不值得先试”，给你假设。

差别在最后一行。归纳和演绎都在已有信息里打转，溯因是唯一能引入一个分布之外的新观念的环节，皮尔士干脆把它叫做科学发现的逻辑。归纳和演绎都不生产假设，手里没有假设的人，这两样都救不了他。

这个缺口落到职场上长什么样，我见过很多次。

照搬最佳实践的人

职场上最容易被误当成能力的一件事，是熟读大厂最佳实践。

最佳实践是什么？是别人把已经跑通的场景抽象成共性，写成方法论，落到 SOP 和架构图。它有用，我也读。它生效的前提只有一条：你的场景和它的样本同源。同一个行业、同一个体量、同一套组织约束，抄过来确实省事。

AI 落地这一块，这个前提几乎从来不成立。这些年我一直在做同一类活：把企业里那些不通的链路对上口径，从内部系统一路做到对外开放的那层平台，经手过规模到几百个接入方、一星期十亿次调用上下的集成，见过太多“照着成熟方案搭出来、上线半年没人用”的东西。业务口径不一样，组织结构不一样，愿意为这件事掏钱的人也不一样。把别人的最佳实践直接套成自己的方案，等于拿别人的过去赌你的未来。

这个亏我吃过，而且不止一次。在几家规模小一些的公司做业务流程和内容平台的时候，我最常听到的一句话是：“行业里都这么做，我们以前就是这么做的。”说这话的人比我更懂业务细节，我在那儿待的时间短，讲不出他哪一条具体不对。有一回更狠，有人当着领导的面把话挑明：这儿是创业公司，要能直接上手的方案，拿公司资源做实验免谈。

对方那句话错在哪，我后来才想明白：他要的是确定性，而我当时给的是可能性，两样东西我没分开讲。我想通的地方在另一头——既然讲不清“为什么这里照搬会出问题”，那就别讲道理，把我的假设拆成对方能一条条核对的条件。比如：这套流程在这里谁拍板，一天走多少单，错了谁担责任。列完，有一部分“都这么做”自己就站不住了。

这套习惯就是这么来的。接一个没做过的业务，先提出“它应该长成什么样”的假设，再把这个假设拆成几条能被现实证伪的条件，然后一条条去撞。撞碎了说明漏了变量，改假设再撞。这套动作里，提出假设是溯因，拆条件是演绎，撞出来的结果回过头补成我的归纳存量。

不过我不同意把归纳说成没用。归纳提供约束，它告诉你什么大概率行不通，这是你敢提假设的底气。没有这个存量，溯因就是拍脑袋。

既然溯因的质量取决于归纳存量的厚薄，而机器在归纳这一格做得比人强，那机器的溯因是不是应该更强？我认为不是，因为这两种存量是两码事。模型攒的是对文本分布的统计拟合，它知道“这类话通常怎么往下接”；人在一类业务里攒的是约束和因果，他知道“这件事在我们这儿为什么走不通”。模型的强项是覆盖面，人的强项是分得清哪一条约束是真的在起作用。溯因要的是人这一层。

模型停在哪一格

现在说 AI。上一节的归纳说的是“拿别人的归纳当自己的方案”，这一节说的是另一件事：当前这一代大模型，在开放域、没有外部工具、没有现成标准答案的时候，自己只会归纳。大模型的预训练做的是对人类语料的分布拟合，把海量文本压缩进参数里。这件事的性质是归纳：对历史上出现过的模式做统计意义上的总结。你让它检索、总结、分类，它干得比人快，因为这些任务本质上是在已有信息里做压缩和重组。

后训练让情况更极端了一层。人类灌进去的偏好数据里，隐含着一个倾向：提意见前先检查自己合不合规。结果模型在开放域问题上越来越像个挑不出毛病、也提不出新东西的复读机，四平八稳，也接不住你没问的那一角。这话行业里已经说了很多遍，我只是把它落回工程上来讲。

真正的分界线，是这个任务的答案有没有标准解。说得更准一点，是那个标准解现成就有、要人先造出来、还是根本造不出来。

这条判据不是我先讲的。Karpathy 讲得更短：上一代自动化的是你能写清楚规则的那类事，这一代自动化的是你能验证结果的那类事（2025-11 的一条公开帖，x.com/karpathy/status/1990116666194456651）。

我要补的是他没往下讲的那一半。他这句停在“这个任务能不能被验证”，没讲判卷标准由谁来写，也没讲写不出来的时候该怎么办。而我在一线看到的恰恰是：可验证性大多数时候要靠人先造出来，任务本身并不自带这道标准。

DeepSeek 团队 2025 年 9 月登上 Nature 封面的那篇论文，做了一件很关键的事：他们用纯强化学习训练推理模型，奖励信号只看最终答案和标准答案是否一致，完全不约束推理过程（Guo, Yang, Zhang et al.《DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning》，Nature 645, 633–638，2025-09-17，DOI: 10.1038/s41586-025-09422-z）。结果模型自己长出了反思、验算、换条路重来的行为，在数学、编程竞赛、STEM 这类可验证任务上，超过了用人类示范做监督微调的同规模模型。

有标准答案可以判卷的时候，模型能自己跑完“提假设、验证、修正”的闭环，这个闭环里看着已经有类溯因的动作（生成候选解）和类演绎的动作（验算）。

但“类”这个字得说清楚。那些候选解是在模型自己见过的分布里采样出来的，它换来换去是排列组合，引入不了一个分布之外的新观念。皮尔士讲的溯因，要害恰恰是引入一个原本不在场的新假设。这两样的边界其实模糊，把“分布内采样加验证”算进归纳这一格，是我选的口径，不是事实判决——选了这一口径，模型才停在归纳格。

到了标准解造不出来的地方，闭环就断了。招股书分析是最典型的例子：让它提取某年某月的营收，它做得又快又准；让它把关税政策、行业周期、公司自己披露的微妙措辞串成一条因果链，去推“供应链转移是否涉嫌财务粉饰”，它给你的通常是“面临宏观挑战，建议加强成本控制”这类挑不出错也用不上的话。这是行业里反复出现的现象，不针对某一家模型。

我因此不同意“AI 纯靠概率，没法工业化”这种笼统说法。检索、总结、分类、内容审核这类任务早就工业化了，但要加一句限定：它们能工业化，靠的是人先把判定标准吵明白了，而非天生可判。过不了线的，是那些连人自己都吵不出标准的开放域决策。

往下推一层，这对做产品的人意味着什么。模型在开放域里给不出异议，说明它天然是个合格的执行者、不合格的参谋。你问它方案 A 行不行，它会把方案 A 讲得更完整；它不会先问一句为什么只有方案 A。

接进审批、风控、内容判定这类链路时，还有个坑值得单独说：别去猜模型拿不准的时候偏哪边。这两年公开的安全评测（OR-Bench、FalseReject 这一批）反复测到的方向是相反的，对齐后的模型拿不准时倾向拒，有些主流模型连无害请求都接不住一半。也就是说，“放行”和“拦下”哪一侧是它的默认，得你自己标出来，不能靠感觉推。要害位置留给人，这一条不变。

可验证域的边界正在往外移，这件事我得先摆出来，它直接顶着我的结论。带工具调用和外部校验的编排，正在把一部分原本判不了的任务拆成一串能判的子步骤。我引的这篇论文是 2025 年 9 月的，到现在一年多，边界又动过。我能说的是，被搬走的通常是“本来就判得出、只是过去没人去判”的那部分；至于“谁来定义这个标准算数、谁来提出最初那个假设”，这一格我没看到被搬动的迹象。这句话有时效，将来可能被推翻。

至于“涌现”，我尽量不用这个词。它现在被讲得太玄，什么解释不清的现象都往里装。工程化的说法是：当前架构缺三样东西，世界模型、因果结构、可验证的反馈闭环。这三样里只有最后一样跟本文的主线有关，它就是判卷层要干的活；另两样属于技术侧，得等架构自己演进。

有一条常被当成玄谈的活儿，其实一直在推。认知科学一路确实在把人攒了很久的起点搬进机器，但搬的是“从什么状态开始学”，仍属归纳那一格：格里菲思那一组 2018 到 2024 三篇，把先验蒸馏进神经网络，让模型从一个被裁过的起点开始学，起点不同同样的数据能长出不同的东西（出处见末尾数据来源）。这里得划一条线：提出一个分布之外的新假设这件事，机器照样没接过去。

两种退化别混着治

很多人把“模型输出越来越没个性”归因于合成数据污染，这两件事的机制不同。

合成数据的风险，Nature 2024 年那篇论文讲得很清楚：用模型自己生成的数据训练下一代，会造成不可逆的退化，先丢掉的是原始分布的长尾，也就是那些少见但真实存在的样本（Shumailov et al.《AI models collapse when trained on recursively generated data》，Nature 631, 755–759，2024-07）。这是训练数据的病。

输出八股化是另一回事，来自偏好对齐阶段的优化目标。两者混在一起讲看着像一回事，落到工程上就会开错药方：前者要靠数据治理和真实数据供给解决，后者要靠改奖励设计解决。

那篇论文里还有一句对我触动很大的话：随着网上模型生成的内容越来越多，真实人类与系统交互产生的数据会越来越值钱。这是训练语料层面的判断，不能直接等号到某一家企业的业务数据上。但它能解释下一节要讲的那件事为什么成立。

价值挪到判卷层

模型能力会商品化，也会同质化，这是过去两年的趋势，我还没看到逆转的迹象。能力一旦商品化，稀缺的东西就换人了。

第一，定义什么叫对。 评估标准、验收口径、判卷规则，这三件事我统称为判卷标准。这些活不性感，却决定模型能不能进业务。我在内容审核上拿到的那个结果——一个服务千万级用户的内容平台，一批内容里、模型初筛之后转人工复核那一段的人审周期，从 4 天压到 1.5 天（这是一段时间跑下来的代表值，数字存在波动，不代表某一次具体结果），模型聪明不聪明是次要的，关键是把“什么必须拦、什么可以放、什么必须交给人”写成了可判定的标准。写标准有个笨办法：先捞一批真实数据里有争议的样本，让业务方背对背判一遍，人对不齐的地方，别指望模型能学会。同一套活我干过不止一处：另一处是给外部业务方开的那层入口，鉴权、配额、调用口径定成一整套，接进来的人自己开发接流程，跑起来出错有配额兜底、有调用记录能查账；它跑得稳不稳跟模型聪明不聪明关系不大，这三条定死了才跑得稳。

第二，攒真实数据。 模型生成的内容逐渐淹没互联网之后，你业务里那些真实的、带着人的判断痕迹的数据就是资产。这个判断有 Nature 那篇论文背书，但要给它划个边界：这些数据能当评估集、当裁定样本、当微调素材，值钱在用处，稀缺从来不是卖点。具体攒三样：人最终的裁定、推翻模型的记录、例外情况给的理由。

第三，编排流程。 把不确定的模型输出接进确定的业务流水线，让它出错时有兜底、有人接得住。这是 B 端产品最老的活，也是 AI 时代最缺的活。兜底的常规做法是分层：模型出置信度，高的走自动，低的转人工，人工的裁定回流成新的标准。这里有个坑：模型自己报的置信度通常不准，它说有九成把握，实际对不对得靠抽检去验，不能拿它当刻度尺用。我在那个审核流程上能把周期压下来，靠的就是这条分层加上定期抽检，模型识别率的提升只是其中一小部分。

这三样加起来，正好是做企业系统、搭业务平台的人一直在干的事。模型层卷到“机器自己能判”那一步，判卷层里凡还牵着“谁定义什么叫对、谁担这个责任”的那一格，都得有人干。

不过有句话得说回来：判卷层不会消失，不等于判卷层的席位不会缩。模型换代之后，原来十个人维护的标准，可能两个人就够了。这门活的价值会往上游走，往“谁定义什么叫对、谁担这个责任”那一端走，不往人数上走。

治理成本那笔账也得按刚才那个分法算。AI 架构越往上叠，治理的难度和成本会往上走，这点躲不开。但成本上升的地方，未必就是有人掏钱的地方，很多时候是有人砍预算的地方。说会治理的人变稀缺，说的是单价，不是席位。至于怎么判断手上这件事属于哪一类，下一节给个分法。

这条判据怎么用

下次有人让你评估一个 AI 项目，先别问用哪个模型、要不要上编排。先问一句：做对了还是做错了，这个任务谁来判、怎么判。

怎么判断一个任务属于哪一类，我平时分三档。

标准现成。 格式转换、信息抽取、分类打标、有标准答案的计算、代码能不能通过测试。这类直接上。

标准要人先造。 按明确规则执行的内容审核、预测、授信、招聘。结果能查账，但要么要等，要么得先有人把“算对”定义清楚。授信放出去的钱几个月后违约没违约，是能查账的，只是要等。这类可以上模型，前提是必须把复盘周期设计进去，让结果能回流成标准。里面那几个还多一维：错了算谁的、能不能解释清楚。这一维技术兜不住，是合规的活。

标准造不出来。 战略取舍、组织怎么调、要不要进一个新市场、某条业务线该不该砍、开放域的因果推断。这儿排的都是眼下吵不出标准的，日后哪几块会被第三节说的边界外移搬走，我说不好。这类先别上模型，回去和人把标准吵清楚。

答不上来，就别指望模型，先回去把判卷标准写出来。这一步通常由业务方和懂系统的人一起做，它跟模型选型无关，你现在就能开始。

判卷标准怎么拆，我的笨办法是分三层：哪一档必须拦下，哪一档可以放过，哪一档必须交给人。三层写清楚，模型才有接入的位置。这一格和前面讲的溯因是两格，但都留给人：判卷层定“什么叫对、谁担责”，溯因提“原本不在场的那个假设”。这一篇谈的是价值位从模型层往这两格挪，判卷层是眼下最落地的那格，溯因是它上游、还空着的那一格。

剩下那一格

AI 这一轮真正的门槛，我认为在你能不能先提出一个别人没提过的假设，并且设计出让现实能证伪它的条件。归纳这一格，机器已经做得比人快；演绎这一格，有标准答案的地方它正在追上来；溯因这一格，目前还得靠人。

任务能分档，还剩一件事没交代：你手上那条假设本身值不值钱。两条听起来同样有道理的假设，一条当场就定了，另一条没人接，差别常常不在假设自己，在它有没有对手。怎么判断，我用的笨办法是把正争的那条假设拿来做作业本，把它可能的对手一个个列出来：列得出两三个还站得住的，它多半只是个说法；只列得出一个的，多半已经是结论了。所以别急着先证自己的假设对不对，先问它落在哪儿，那儿是空着，还是早有人占着。

回到开头那句话：先问这个任务做对了做错了谁来判。能答上来的，模型现在是生产力，你该做的是把判卷标准写细、把真实数据攒住、把兜底分层做好。答不上来的，先别谈模型，回去和人把标准吵清楚。这两件事都不需要等下一个模型发布。

数据来源

• 格里菲思这一路的三篇：Grant、Finn、Levine、Darrell、Griffiths（2018，ICLR，《Recasting gradient-based meta-learning as hierarchical Bayes》）；McCoy & Griffiths（2023，《Modeling rapid language learning by distilling Bayesian priors into artificial neural networks》）；格里菲思、Zhu、Grant、McCoy（2024）《Bayes in the Age of Intelligent Machines》，Current Directions in Psychological Science 33(5), 283–291，DOI 10.1177/09637214241262329。
• OR-Bench：Justin Cui、Wei-Lin Chiang、Ion Stoica、Cho-Jui Hsieh，arXiv:2405.20947，2024-05-31，后收 ICML 2025；数据 huggingface.co/bench-llms。正文把它与 FalseReject 并列时只给了方向和量级（无害请求依从率不到一半），没点厂商，也没给某一家的评测分。
• FalseReject：作者在这类安全评测上的自有口径，没公开发表过，只作方向性佐证用，文中没拿它单独当数字。要引用这一路数据的话，后台找我。
• 皮尔士关于溯因的那句，本篇没能回源到准确页码，只当概括用，不当地引文用。