论概率概念的演化：理性演化的镜像

# 概率概念演变：理性演进的镜像  
来源：https://arxiv.org/html/2606.00102  

Courtillot Vincent  
法兰西科学院，法兰西学会，巴黎，法国  
Gibert Dominique  
DeepField Sensing，法国  
Vladimir Kossobokov  
地震预测理论与数学地球物理研究所，俄罗斯科学院，莫斯科，俄罗斯  
国家科学院（简称“四十人学院”），罗马，意大利  
Boulé Jean-Baptiste  
法国国家自然历史博物馆，CNRS UMR7196，INSERM U1154，巴黎，法国  
Zuddas Pierpaolo  
索邦大学，CNRS，METIS，UMR7619，巴黎，法国  
Lopes Fernando  
法国国家自然历史博物馆，CNRS UMR7196，INSERM U1154，巴黎，法国  
Marccagi Païkan  
法国国家自然历史博物馆，CNRS UMR7196，INSERM U1154，巴黎，法国  
Maineult Alexis  
巴黎高等师范学院地质学实验室，UMR 8538，巴黎，法国  

###### 摘要  

几个世纪以来，概率论已从一种简单的博彩计算发展为不确定性下科学推理的核心框架。本文认为，概率不应仅仅被视为一种数学工具，而应被视为一种历史上不断演变的理性形式，其连续的转型反映了科学思维本身结构的深刻变迁。从帕斯卡和费马的组合对称性，到贝叶斯和拉普拉斯的归纳逻辑，从泊松的事件时间化到柯尔莫哥洛夫的公理化形式，概率逐步将不确定性、时间和一致性融入理性判断。这一历史轨迹在现代贝叶斯解释中达到顶峰，以 Tarantola 将概率视为信息逻辑的概念为代表——先验知识与观测数据通过理性推理相结合。尽管这一框架代表了概率认识论成熟的高点，但也揭示了其内在局限。概率论预设了明确定义的命题和可测量的事件；它量化关于事实的不确定性，却无法形式化描述事实所用概念的不精确性。因此，本文探讨了理性超越概率的延伸。模糊逻辑被引入作为对模糊性问题的形式化回应，为分级意义和定性判断提供了严谨的语言。相比之下，近期深度学习与神经网络的兴起被分析为一种强大但认识论上截然不同的方法。深度学习依赖几何插值和优化而非显式逻辑结构，在实现卓越预测性能的同时，绕过了不确定性表示、概念限定和因果解释。通过将概率、模糊逻辑和深度学习置于统一的历史与认识论视角下，本文阐明了它们各自的角色与局限。本文认为，当代科学理性不能仅由数据驱动的性能来定义，而需要明确阐述不确定性、模糊性和推理。在这个意义上，概率的演变为理性本身的演进提供了一面镜子，既照亮了不确定性下思维的成就，也揭示了其未解决的挑战。  

关键词：概率论；理性；贝叶斯；拉普拉斯；泊松；柯尔莫哥洛夫；Tarantola；Zadeh；不确定性认识论；科学史；模糊逻辑；深度学习  

††脚注：谨以此文纪念 Jean-Louis Le Mouël，他在本文定稿前去世。我们将此工作献给他。  

## 1 引言  

几个世纪以来，概率被构思、形式化和使用的方式经历了深刻的转变，与理性思维本身的演进紧密交织。在很长一段时间里，偶然性被归因于命运、天意或人类理解之外的隐藏原因。在前现代社会，随机性往往被视为神意或宇宙混乱的表现，而非可以理性分析的对象（例如 [4 (https://arxiv.org/html/2606.00102#bib.bib9), 7 (https://arxiv.org/html/2606.00102#bib.bib15), 23 (https://arxiv.org/html/2606.00102#bib.bib44)]）。从十七世纪开始，概率论的逐步出现标志着一场决定性的智力断裂：不确定性不再仅仅是忍受或象征性地解释，而是成为可以计算、推理，并最终融入科学解释结构本身的对象。  

概率的数学理论在思想史上出现较晚，其结晶于早期现代科学的背景中。它的第一个系统表述并非来自物理学或天文学，而是来自博彩问题。1654 年帕斯卡与费马关于“点数问题”的著名通信，构成了这一历史中的奠基时刻（参见 [16 (https://arxiv.org/html/2606.00102#bib.bib33)]，第 407-446 页关于法语书信往来）。问题不仅仅是公平分配赌注，而是有可能对偶然性本身进行理性计算。从这一初始动作开始，概率逐步扩大其范围，从一种等可能情况的组合算术演变为不确定性下推理的一般框架。  

在其历史发展中，概率论被反复重新表述，每一次重新表述都反映了理性面对不确定性时更深层的转变。由 [?] 引入并由拉普拉斯（参见 [11 (https://arxiv.org/html/2606.00102#bib.bib26), 12 (https://arxiv.org/html/2606.00102#bib.bib27)]）推广的贝叶斯逆概推理，赋予了概率明确的归纳和时间维度，允许从结果推断原因，并根据新证据更新信念。随着 [?]，概率不再局限于抽象推理，而是锚定于经验现实，催生了真正的事件动力学，并开创了现代统计思维。十九世纪和二十世纪初，通过频率学派的解释以及大数定律和中心极限定理等集体规律性的发现，这一轨迹进一步巩固。最后，[?] 的公理化赋予了概率完全的数学严谨性，完成了其作为测度论学科的正式封闭。  

然而，概率并未停留为纯粹的数学对象。在整个二十世纪，其认识论解释持续演变。像 de [?]、[?] 和 [?] 这样的思想家强调，概率应被理解为逻辑本身的一种延伸，是一种在不确定性下进行理性信念演算的工具。这一观点在 [?] 的工作中得到了特别清晰且可操作的表达，他将概率解释为信息逻辑，特别是在反问题背景下（例如 [6 (https://arxiv.org/html/2606.00102#bib.bib14)]）。在此观点中，概率不仅仅是量化随机性或频率的工具，而是通过理性推理将先验知识与观测数据相结合的一种连贯语言。  

因此，概率不仅仅是技术工具，而是一种历史上不断演变的理性形式。本文捍卫一个论点：概率论的演变映照了理性本身的演进。概率不能简化为单一解释——无论是频率主义、主观主义还是算法主义。相反，它构成了一个概念框架，逐步将对称性、时间性、归纳、经验验证和逻辑一致性纳入科学推理。同时，这一演变揭示了内在局限。概率预设了明确定义的命题和可测量的事件；它量化关于事实的不确定性，但对描述事实所用概念的不精确性保持沉默。随着当代科学越来越多地面对复杂系统、定义不清的类别和定性判断，这一局限变得不可避免。认识到这些局限激发了对互补框架的探索。特别是由 [?] 和 [?] 引入的模糊逻辑，处理了不确定性的另一个维度：意义本身的模糊性。最近，人工智能和深度学习的兴起引入了另一种应对不确定性的方式，它依赖几何插值和优化而非显式逻辑结构。尽管在实践中极为强大，这些方法引发了关于解释、因果性和理解的新认识论问题。  

因此，本文的目的不仅是历史的，也是哲学的。通过追溯概率的连续转型，并将当代计算方法置于这一谱系中，我们试图阐明当理性以不同方式面对不确定性时，获得了什么，又失去了什么。概率、模糊逻辑和深度学习并非解决同一问题的竞争工具；它们体现了不同构想的理性，各有其优势与局限。  

论文的结构反映了这一历史的和概念的轨迹。在第 2 节 (https://arxiv.org/html/2606.00102#S2) 中，我们考察概率推理在帕斯卡和费马工作中的诞生，强调对称性和组合学在驯服偶然性中的作用。第 3 节 (https://arxiv.org/html/2606.00102#S3) 致力于贝叶斯和拉普拉斯，他们将归纳和明确的时间箭头引入概率推理，将概率转化为理性学习的工具。第 4 节 (https://arxiv.org/html/2606.00102#S4) 聚焦泊松和概率动力学的出现，概率在此锚定于经验观察和时间过程。第 5 节 (https://arxiv.org/html/2606.00102#S5) 讨论频率学派转向以及从无序中出现统计规律性的发现，最终达到大数定律和中心极限定理。第 6 节 (https://arxiv.org/html/2606.00102#S6) 讨论柯尔莫哥洛夫的概率公理化封闭以及由此产生的形式理论的认识论沉默。在第 7 节 (https://arxiv.org/html/2606.00102#S7) 中，我们介绍 Tarantola 将概率解释为信息逻辑，这代表了概率推理最成熟的认识论表述。第 8 节 (https://arxiv.org/html/2606.00102#S8) 识别概率表达力的内在局限，说明不确定性本身为什么不足以捕捉所有形式的科学判断。第 9 节 (https://arxiv.org/html/2606.00102#S9) 引入模糊逻辑作为对模糊性和分级意义问题的形式化回应。第 10 节 (https://arxiv.org/html/2606.00102#S10) 批判性地审视深度学习和神经网络，认为它们构成了一种强大的几何方法，但绕过了显式逻辑推理。结论部分综合这些发展，并反思不确定性时代理性的未来。  

## 2 驯服偶然性：对称性与组合学——帕斯卡、费马与概率理性的诞生  

概率的数学理论正式出现于十七世纪中叶，当时帕斯卡和费马在 1654 年交换了信件（例如 [16 (https://arxiv.org/html/2606.00102#bib.bib33)]），涉及一个后来以“点数问题”著称的博彩问题。问题是在一场未完成就被中断的游戏中，根据中断时玩家的各自得分，确定赌注的公平分配。通过这一练习，帕斯卡和费马引入了一种系统方法来量化每个玩家的优势，从而奠定了概率推理的基础。他们的解决方案基于等可能性原则——游戏未来的每个结果对玩家来说都被假设为“同样可能”——以及数学期望的概念，即可能收益的平均值。这一期望概念，即可能收益的加权和（权重为各自概率），使他们能够定义赌注的公平分配。  

在点数问题的最简单版本中，一场先赢三局的游戏，在比分 2-1 时中断，帕斯卡解释说，剩下两种可能情况：2-2 或 3-1，每种可能性相等。第一位玩家因此至少保证收回自己的赌注 \(m\)，并有 50% 的机会赢得对手的额外赌注 \(m\)；因此，他应获得总计 \(\dfrac{3m}{2}\)，而他的对手应获得 \(\dfrac{m}{2}\)。这一推理标志着组合计算首次显式应用于随机性，借助帕斯卡算术三角形（现称帕斯卡三角）等工具，它提供了系统枚举有利与不利案例的方式（参见 [22 (https://arxiv.org/html/2606.00102#bib.bib41), 21 (https://arxiv.org/html/2606.00102#bib.bib40)]）。  

概率的这一诞生标志着一个重大的智力转折。第一次，不确定性通过计算被驯服。而早期文明将偶然性视为神祇的任性或命运的安排，帕斯卡和费马却提出将理性和逻辑应用于博彩游戏。他们特别形式化了这样一个规则：事件的概率可定义为有利案例数与等可能案例总数之比：  
\[
P(E) = \frac{\text{有利案例数}}{\text{可能案例数}} \tag{1}
\]  
这一定义后来被称为概率的经典定义，基于假设的对称性（即等可能性）于所有可能结果，反映了这样一种理念：在缺乏相反信息时，理性假设所有可能结果无差异。因此，对于一个公平的骰子，每个面出现的机会是 \(1/6\)，这完全基于对称性论证。  

需要注意的是，这种对偶然性的形式化并非一蹴而就。荷兰数学家 [?] 接过了接力棒，出版了第一部概率论著作，帮助传播这些新兴思想。但确认为帕斯卡和费马启动了“偶然性的数学化”，为概率的数学理论奠定了最初的基石。这样一来，他们开辟了一种新的理性概念——将计算整合进不确定性下的决策。这是新兴科学精神（如伽利略、笛卡尔等）的自然延伸，该精神已在自然现象背后寻找理性定律；从此以后，即使是随机现象也能成为严谨定律和推理的对象。  

此外，帕斯卡的方法已经以胚胎形式包含了更高级的概念，值得强调。在他的通信中，他隐含地使用了条件期望的思想，基于可用部分信息（例如，在未完成游戏中一位玩家以 2-1 领先）来估计未来赌注的价值。这相当于根据游戏当前状态计算期望收益，预示了后来成为条件概率的概念。这一条件方面预示了概率推理的基本原则之一：当部分信息可用时更新事件概率。  

简而言之，从其起源开始，概率理论就包含了（待续）