金立
人工智能的演進史，常被描繪為一幅技術征服的線性圖景：從簡單的邏輯推理，到深層的神經網絡技術，再到今日吞吐萬億數據的大語言模型，機器的“智能”邊界正以驚人的速度擴張。2025年8月，國務院印發的《關于深入實施“人工智能+”行動的意見》提出，深入實施“人工智能+”行動，“加快培育發展新質生產力，使全體人民共享人工智能發展成果”,“到2030年，我國人工智能全面賦能高質量發展”，“智能經濟成為我國經濟發展的重要增長極”。我們在為“人工智能+”所預示的高效與繁榮圖景所鼓舞的同時，也必須清醒地直面其伴生的諸多難題：算法的“黑箱”遮蔽了決策的透明，數據的偏見可能固化為系統的歧視，大模型看似權威的輸出潛伏著巨大的認知“幻覺”風險。這些挑戰已非單純的技術優化和算力堆疊所能解決，而是迫使我們從雙重維度進行反思：一方面，必須重返“智能”的理論原點，梳理歸納邏輯為人工智能發展所提供的思想源泉和技術貢獻，并直面當下人工智能之困境，推動歸納邏輯圍繞推理機制、實踐驗證與價值倫理等方向進行理論突破。另一方面，亟須開啟植根文化傳統的新路徑，從中國古典歸納智慧中汲取思想養分。這既是對理論原點的一種文化超越，更是對持續半個多世紀的“歸納—智能”互構歷程的創造性拓展。二者的融合為人工智能的范式突破與價值建構開辟了新路徑。
歸納：人工智能的邏輯內核與演進動力
人類智能的卓越之處，在于能從有限而特殊的經驗中，提煉出應對無限未知的一般規則，此即歸納。純粹的演繹邏輯無法創造新知，而人工智能要處理的真實世界恰恰充滿了不確定性。因此，將人類的歸納能力形式化并賦予機器，構成了人工智能最根本的理論訴求與發展驅動力。無論是“機器類比人類”的元命題，還是人工智能的核心目標即對人類認知能力尤其是歸納能力的模擬實現，都決定了歸納邏輯不僅是其思想源泉，更是貫穿其技術演進的內在主線。
近代，作為“發明的藝術”的歸納邏輯承擔著科學發現的重任。在英國經驗主義傳統中，培根將自然現象的觀察與歸納系統化，建立了以探索因果關系為核心的古典歸納邏輯。然而，休謨指出，所謂的因果恒常關聯不過是人類心理習慣的投射，或是被觀察到的先后順序，歸納本身缺乏理性根基。
現代，邏輯實證主義將歸納邏輯的任務從“發現”轉向“驗證”。英國學者凱恩斯將因果關系轉化為“部分蘊含”的條件關系；美國學者卡爾納普完成了對確證度的形式化量化；美國學者亨普爾通過反思“渡鴉悖論”建立了科學解釋模型。上述改造使歸納邏輯的前提與結論間的因果關系具有了可計算性，并為早期符號主義奠定了理論基礎：智能被視為對思維規則的模仿，可通過“If…then…”式的符號邏輯運算完全表征。基于精確的符號表征，早期人工智能得以在定理證明、棋類等確定性封閉領域表現出色。然而，一旦面對需要動態交互與模糊推理的現實世界，其“規則化歸納”路徑的根本局限便暴露無遺：它試圖依賴人力預先窮盡所有規則，用一個靜態確定的邏輯框架去固化動態開放的歸納過程。這種模式注定無法解決其在哲學與實踐上的困境。
當代，歸納邏輯的研究重心發生了更為深刻的轉向：從對“確證度”的靜態評估，轉向對“置信度”的動態更新。這一轉向，既是對符號主義人工智能“寒冬”與歸納邏輯自身理論困境的回應，也標志著一場根本性變革——放棄為歸納邏輯尋求先驗的、一勞永逸的理性辯護，轉而承認其本質上是主體在充滿不確定性的世界中更新信念的實踐過程。貝葉斯推理正是這一變革的核心體現。它將主觀概率引入歸納邏輯的系統內核，將推理從對靜態頻率的被動描述，轉變為一種主動的、在連續證據流中“持續學習與迭代修正”的認知框架。這一框架所形式化的“動態迭代的經驗理性”，恰好為聯結主義人工智能的崛起提供了不可或缺的理論準備。與符號主義試圖固化歸納結果不同，以神經網絡為代表的聯結主義的根本主張是放棄歸納規則化的方案，轉而模擬歸納過程本身。其早期發展因單層網絡的表達局限性而受阻，這恰恰暴露了簡單統計關聯的貧乏。而貝葉斯推理不僅為“深度置信網絡”等關鍵架構提供了理論基石，其“先驗—后驗”的更新機制，更在理念上賦予了神經網絡通過海量數據“預訓練”來獲得并優化其“先驗知識”的合法性，從而完成了從機械關聯到智能涌現的關鍵轉變。
當下，大語言模型的成功，正是歸納邏輯理論革新與聯結主義技術優化相結合的工程化典范。在海量數據與強大算力的支持下，大語言模型得以不斷開展高強度計算并給出在當下語境中概率最高的最優可能解，由此涌現出理解復雜上下文、依據新信息微調輸出并生成看似合理的新內容等類人的認知能力。因此，大語言模型所展現的“涌現”能力，本質是在現代歸納邏輯的框架下，對人類社會語言經驗之極端規模化的統計歸納與概率建構。
總之，從“科學發現”到“確證度理論”再到“置信度科學”，從對思維規則的模仿轉向對思維生成過程的模擬，人工智能的發展史本質上正是人類歸納思想不斷尋求其理論與技術現實化的探索史。
從哲學思辨到可計算化：歸納邏輯對人工智能的回應
當代人工智能在生成任務上取得顯著成功，這是對“智能源于歸納”的哲學命題的實踐確證。然而，這一成功背后，卻無法擺脫純粹基于統計的經驗理性的固有局限。因而，歸納邏輯只有不斷拓展其理論基石，才能回應人工智能時代提出的核心訴求。
首先，大語言模型“算法黑箱”的不可解釋性，要求歸納邏輯發展出新型推理機制與表征理論。大語言模型的“智能”源于對海量語料統計模式的內化與涌現，它繞開了對“因果必然性”的追求，轉而尋求概率意義上的“最合理”解。這一范式衍生出一個根本性問題：這種黑箱式的“涌現”，是對人類歸納認知的模仿，還是一種全新的歸納機制？大語言模型歸納規則的不透明所形成的“算法黑箱”，會引發諸如信任危機、問責困難等治理風險。對此，歸納邏輯必須突破經典框架，發展能夠刻畫分布式計算、整體性涌現的形式理論（如分布式歸納、涌現式歸納），從而為理解并規范人工智能的推理提供可形式化的解釋基礎，這在很大程度上拓展了歸納邏輯自身的邊界。其次，大語言模型“幻覺”輸出的生成性謬誤，促使歸納邏輯重新確定其理論適用的邊界。大語言模型輸出的內容是基于訓練數據生成的，其自身無法辨別數據真偽也無法核實生成內容的事實依據，這就使得基于統計關聯所得出的結論容易出現“合理錯誤”（即符合其內部統計模式與邏輯自洽性，但脫離外部事實依據的謬誤）的幻覺。這一問題倒逼歸納邏輯理論重新思考“古德曼悖論”（該悖論通過構造“藍綠”與“綠藍”等非常規顏色謂詞，揭示傳統枚舉歸納法在相同觀察證據下會推導出相互矛盾的預測結論），尤其是在缺乏真實世界指涉的符號系統中，如何鏈接語義以區分投射謂詞與非投射謂詞，進而為機器的歸納實踐劃清有效與無效的邊界。最后，大語言模型隱含的算法偏見與倫理風險，亟須歸納邏輯融合價值理性以引導其向善發展。海量數據與超高算力在擴展模型能力的同時，也加劇了偏見固化和分布偏移的風險，這對提高歸納邏輯的可靠性、公平性與動態修正能力提出了迫切要求。將倫理規范轉化為可計算的約束，通過設計價值敏感的注意力機制與訓練目標來引導模型，這些工作有助于推動歸納邏輯超越單純的經驗理性范疇，將價值判斷融入其理論內核，在處理“是”與“應當”之問上發揮獨特作用。
當前，學界正從多個維度積極探索應對上述困境：通過按復雜度排序的預訓練方法或分步驟推理的思維鏈技術，將復雜問題拆解，從而提升推理的準確性；為概率驅動的模型套上可解釋、可驗證的邏輯框架，旨在將其基于統計關聯的“直覺”轉化為遵循結構化規則與證據更新的“理性”推理過程；借助基于人類反饋的強化學習技術，建立獎勵模型與偏好模型，嘗試將人類價值原則內化為模型生成與決策的內在約束；等等。然而，這些技術方案仍面臨深層矛盾：思維鏈技術雖然能顯著提升推理的準確性，但其代價往往是算力需求的急劇增加；價值規范的同時可能會引發跨文化的偏見與歧視。這揭示出一個根本性問題：單純依靠“打補丁”式的技術方案，不能解決人工智能的真正“痛點”，人工智能的技術革新必須建立在歸納邏輯的理論更新之上。
可以說，人工智能既為歸納邏輯提供了當代數字化的“試驗場”，也“倒逼”其從哲學思辨走向可計算的模型。構建一種既能解釋智能涌現、又能引導其向善并與實踐深度互動的規范性歸納邏輯，既是應對人工智能挑戰的必需，也是歸納理論在智能時代重獲生命力的歷史性機遇。
中國古典歸納智慧：情境嵌入與價值理性
人工智能當前困境產生的根源在于其賴以發展的西方現代歸納邏輯范式存在雙重斷裂。其一為符號與語義的脫節。無論是符號主義的規則運算還是聯結主義的語義單元分析，都側重于對智能的符號化模擬，如同“中文屋”實驗所揭示的——精通句法操作不等于理解語義。這導致人工智能雖在可數據化的理性任務上表現優異，卻因缺乏真正的語義理解和具身體驗，而難以把握言外之意與情感等深層意圖。其二為理論與價值的失序。現代歸納邏輯理論先行的歷史進路使其缺乏實踐的目標導引，容易淪為純粹服務于技術效能的工具。在“分析—拆解—還原”的主導范式下，其優化往往局限于形式化的細節修補，難以將人類在具體動態的情境中對情、理與勢綜合權衡的實踐智慧，轉化為可計算、可遵循的規范性準則，從而陷入“價值失靈”的困境。
面對全球大語言模型的迅猛發展，我們必須深刻認識到模型與語言之間并非簡單的單向映射，而是一種復雜、動態的雙向建構關系：模型在解析語言的同時，也必然被語言的深層結構所塑造。正如德國學者洪堡特所言，“語言是構成思想的器官”。每種語言的結構、語法與詞匯，都編碼著一個民族獨特的思維模式與宇宙觀念，決定了其使用者感知、理解世界的基本方式。
漢語，作為中國哲學思想的語言載具，其獨特性尤其顯著：象形、意會、形聲的方塊字構筑了與拼音文字迥異的符號體系；表達中注重“言外之意”、講求委婉含蓄，語法靈活重意合。這些特質共同承載著一種整體性、關聯性與語境化的思維方式。因此，基于當今歸納理論發展出的人工智能技術，雖已取得顯著成就，但在觸及漢語所蘊含的深邃文化密碼與思維特質時，便顯露出根本性的解釋力瓶頸與“水土不服”。中文大語言模型的實質性躍遷，迫切需要回歸到漢語本身的思維母體，尋求與之同構的邏輯基礎。
中國古典歸納并非單一方法，而是一種以“推類”為核心的有機融合本體論、認識論與實踐論的整全智慧體系，能有效彌補西方范式在情境理解與價值融合上的局限，從而促成一場深度的范式融合。其核心可凝練為三大原則：一是整體協同原則。人工智能長期面臨的“框架問題”，即系統難以在動態情境中有效篩選相關知識的典型困境，其深層根源可追溯至西方歸納邏輯所依賴的還原論與線性因果預設。從《周易》蘊含的“天人合一”的整體性思維出發，將對因果關系的線性理解轉化為在整體關聯中把握事物規律，將傳統“從特殊到一般”的歸納認知范式發展為一種基于多元關系、動態關聯的歸納認知過程。同時，打破單一學科、單一領域的限制，推動歸納邏輯與多學科的合作，真正踐行“萬物互聯、整體共生”的系統思維。二是語境化原則。中國古典歸納思想始終強調語境對推理的根本性約束：從儒家“正名”理論強調概念的規范與明晰，到墨家明確提出“異類不比”的推理準則，再到《淮南子》中記載的“類不可必推”的辯證認知，都共同指向一個核心——歸納的有效性必須置于具體的語境中才能被判定。因此，打破既往句法與語義分離的“去語境化”的技術方案，轉而在不同語境、不同現實場景、多元文化背景之下探討歸納規則的可投射性問題，有助于規避人工智能的“情景失察”問題。三是辯證平衡原則。與西方偏重“求真”的理性傳統不同，東方崇尚“求真、求治、求善”目標的動態平衡。因此，從《道德經》相反相成的辯證思維出發，構建一個多元協同、辯證統一的人工智能歸納范式，統籌計算效率、資源經濟、語義真實與價值倫理等核心訴求，能夠從根本上拒絕“單一目標優先”的極端傾向，實現技術理性與價值理性的有機統一，從而在范式層面規避因目標失衡而導致的“價值失靈”問題。
總之，人工智能的演進史，本質上是人類歸納能力持續形式化的歷史，也是一部以歸納邏輯為內核的人類理性與人工智能系統在深層對話中相互定義、彼此塑造的“互構史”。中國古典歸納的邏輯智慧為推動人工智能超越其固有的工具效能、邁向一種合乎情境與價值的認知境界，提供了不可或缺的思想資源。人工智能技術的下一次革新，將不僅發生于實驗室的算法迭代和算力升級中，還將激蕩于人類不同文明智慧的深度對話間。當我們嘗試以中國古典“推類”思想教導人工智能理解“分寸”、把握“意象”時，我們不僅是在解決一個技術難題，更是在參與塑造一個兼具計算效能、情感柔度與人文溫度的智能未來。
（作者：金立，系浙江大學哲學學院教授）
【未經授權，嚴禁轉載！聯系電話028-86968276】
