归纳问题追问：从「迄今所有观察都如此」如何推出「未来必然如此」？休谟证明这一步无法被理性证成。本文梳理其论证与四条回应路线——康德的先天范畴、波普尔的放弃归纳、贝叶斯的概率化、古德曼的新归纳之谜，并以实用主义收束。
问题的提出：从观察到规律
逻辑学中演绎与归纳构成对照：
| 推理类型 | 方向 | 保真性 |
|---|---|---|
| 演绎 | 一般到特殊 | 前提真则结论必真 |
| 归纳 | 特殊到一般 | 前提真结论仍可能假 |
演绎是真理保真（truth-preserving）的：结论的信息已含于前提，故不产生新知识。归纳相反：从有限观察跳跃到全称规律，扩展知识但不保真——「迄今所有乌鸦都是黑的」与「存在一只白乌鸦」逻辑相容。
问题在于：全部经验科学都建立在这个跳跃上。物理定律、医学结论、ML 模型的泛化能力，本质上都是从训练集（有限观察）到未见数据（全称断言）的归纳。归纳若无法证成，经验科学的理性地位便成疑问——这是 认识论 Epistemology 经验主义传统中最深的裂缝。
休谟的怀疑论论证
休谟（《人性论》1739，西方哲学史脉络 中经验主义的顶点）指出：因果推理——归纳的核心形式——不可能有理性证成。论证分两步：
- 演绎证成不可行：「未来与过去不同」不含矛盾。无论 A 之后多少次跟随 B，「下次 A 之后不出现 B」始终自洽，演绎上推不出必然联结
- 归纳证成不可行：用「归纳过去一直有效」证成归纳是循环论证——待证成的推理形式被用作自身的前提
那么「必然联结」从何而来？休谟给出心理学替代解释：
- 经验中 A 与 B 恒常联结（constant conjunction）
- 反复经历形成习惯（custom/habit）
- 期待感——「必然性」只是心灵被习惯决定的感受，投射到对象之上
关键转向：休谟把规范性问题（归纳为何合理）替换为描述性问题（人为何归纳），答案是习惯而非理性。这不是证成，而是承认无法证成——人与动物共享同一套习惯认知机制。
回应一：康德的先天范畴
休谟「把我从独断的迷梦中唤醒」。康德的应对：不证成归纳，而论证经验本身已经预设了因果性——这是 德国古典哲学 的起点。
- 因果性不是从经验归纳出的规律，而是知性的先天范畴：心灵以范畴（因果列于关系范畴组）整理感官杂多，方才有可辨认的经验对象
- 「每个事件都有原因」因此具有普遍必然性，代价是该必然性来自心灵结构而非世界本身
- 先验转向：问题从「归纳能否把握世界」变为「经验何以可能」，归纳的证成问题被转换为经验的条件问题
困难：因果范畴只适用于现象界，物自体不可知；且康德证成的是「世界有规律」，不是「哪条规律」——对具体归纳的选择帮助有限。
回应二：波普尔——放弃归纳
波普尔的方案最激进：科学根本不用归纳。
- 科学是猜想与反驳：大胆提出假设 H，演绎出可观察预测 O，用 （modus tollens）否证。证伪是纯演绎，无需归纳；科学的理性在于可否证性（划界标准，见 科学哲学），知识增长是不归纳的试错进化
困难：
- Duhem-Quine 整体论：检验命中的总是理论 T 加辅助假设 A 的合取，预测失败只否证 ，无法逻辑地定位错误——单一否证并不干净
- 否证之后：抛弃旧理论、暂时接受新理论仍需理由。波普尔引入逼真度（verisimilitude）衡量理论接近真理的程度，但「经受住更严格检验的理论更逼真」本身就是一个归纳断言
- 实践中科学对理论的暂时接受（如标准模型）依赖其过往成功记录——归纳从后门溜回
回应三：贝叶斯概率化
当代主流方案：不再问「归纳结论如何被证明为真」，而把归纳重述为信念度的理性更新。证据 E 到来，假设 H 的概率按贝叶斯定理更新：
归纳的合理性被化为条件化（conditionalization）这一动态规则：遵守概率公理 + 用贝叶斯定理更新，即理性归纳的全部。休谟问题被消解而非解决——归纳不需要「必然为真」的证成，只需要一致性。
内部困难：
- 先验问题：不同合理先验给出不同后验。主观贝叶斯派（de Finetti、Savage）接受任意一致先验，靠收敛定理保证证据积累后后验趋同；客观贝叶斯派（Jaynes、最大熵原理）寻求唯一理性先验，但「无信息先验」的构造依赖参数化方式——先验问题几乎是古德曼谜的数值化身
- 旧证据问题（Glymour）：水星近日点进动在广义相对论提出前早已知晓。E 已知为真时 ，代入得 ——旧证据无法确证新理论，与科学史相悖。修补方案（反事实先验、将 E 拆为新理论的逻辑后件）均有争议
- 似然项 相对客观可比较，是该方案最强的部分
与统计学习的对应（ML 视角）：
| 学派 | 归纳立场 | 学习准则 |
|---|---|---|
| 频率派 | 参数是固定常量，只承认数据分布 | MLE / ERM：最小化经验风险 |
| 贝叶斯派 | 参数是随机变量，学习即后验更新 | MAP：似然乘先验取最大 |
- L2 正则化等价于高斯先验下的 MAP，正则化强度对应先验方差——「先验」在 ML 中无处不在，只是常以归纳偏置（inductive bias）的名义出现
- No Free Lunch 定理是归纳问题的形式化重生：对所有可能目标函数取均匀平均，任何学习算法的期望泛化性能相同。泛化能力必然来自先验偏好与真实问题分布的匹配
- 贝叶斯深度学习与不确定性量化（epistemic uncertainty）把「归纳有多合理」直接变成可计算的量
古德曼新归纳之谜
即使承认归纳合法，哪些概括可被证据支持仍成问题。古德曼（1955，分析哲学传统）定义谓词 grue：某物在时刻 t 之前被观察且为绿色，或在 t 之后才被观察且为蓝色（对偶谓词为 bleen）。
- 迄今所有祖母绿的观察同时支持「所有祖母绿是绿的」与「所有祖母绿是 grue 的」——证据完全相同
- 两个概括对 t 之后的预测冲突：前者预言绿色，后者预言蓝色
- 若归纳只依赖证据量，二者无法取舍
古德曼的出路：可投射性（projectibility）由谓词在既往成功归纳中的固化度（entrenchment）决定——「绿」被大量历史归纳使用过，「grue」没有。归纳的合法性依赖归纳自身的成功史，这是螺旋而非循环，但仍是自我支持。
哲学要点：规律性依赖语言描述。同一世界在不同谓词基下「相似性」结构不同，归纳跳跃的方向随之改变。ML 读者会立刻认出这就是特征表示决定泛化——同一数据在不同表示空间中，最近邻、线性可分性、平滑性假设全部改写。归纳偏置研究本质上是古德曼谜的工程化。
生活与科学为何照常运作：实用主义回应
赖欣巴哈（1949）的最坏情况论证：
- 若世界存在稳定规律，持续归纳（如按相对频率估计概率）将收敛到真值
- 若世界无规律，任何方法都不会成功——归纳不比别的方法差
- 归纳是「赢则通赢、输则不额外输」的策略，无需进一步证成
批评：论证太宽容——任何最终收敛到真值频率的方法（包括古怪的随机变体）都被同等「证成」，它无法挑选出我们实际使用的归纳方法。
更广的实用图景（呼应 真理理论 中的实用主义路线）：归纳的合理性最终不在命题层面而在实践层面自举——归纳成功支撑科学，科学的技术成功反过来归纳地支持继续归纳。休谟自己承认怀疑论无法被反驳，但也无法被生活：「自然总会保持她的权利」——怀疑在书斋成立，在餐桌消失。