{
  "id": "abductive-reasoning",
  "title": "溯因推理",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "溯因推理依据假说对观察证据的解释能力来提出或评估假说，但不保证结论为真。",
  "category": "philosophy",
  "subcategory": "metaphysics-epistemology",
  "type": "concept",
  "aliases": [
    "溯因推断",
    "逆推推理",
    "反绎推理",
    "最佳解释推理"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/abductive-reasoning/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/abductive-reasoning/",
      "json": "https://aiwiki.page/en/abductive-reasoning.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "溯因推理是一种逻辑学中的推理形式，它从观察到的证据出发，推向能够解释这些证据的假说。与演绎推理不同，它并不保证从真实前提得出真实结论。这一术语既指解释性假说的生成，也在当代的许多用法中指最佳解释推理，即依据解释能力，在相互竞争的假说之间作出选择。这两种用法相互关联，但并不相同。(plato.stanford.edu)"
    },
    {
      "heading": "结构与示例",
      "text": "一种基本的溯因推理模式可表述如下：\n\n- 观察到某种现象 \\(E\\)。\n- 如果假说 \\(H\\) 为真，那么 \\(E\\) 就是可以预期或理解的。\n- 因此，\\(H\\) 是一个值得考虑的候选解释。\n\n这一结论是暂定的，而非逻辑上必然成立的。在查尔斯·桑德斯·皮尔士的论述中，观察结果往往带来一个谜题：所提出的解释，使一个起初令人惊讶的事实变得可以理解。(plato.stanford.edu)\n\n例如，假设早晨发现花园小径是湿的。夜间下雨可以解释这一观察结果。不过，洒水器或水管破裂也能解释它。如果周围的道路和屋顶也湿了，下雨就成为更有力的候选解释；如果只有花园是湿的，洒水器这一解释就更有力。这个假设性例子说明，对解释的评估既取决于相互竞争的假说，也取决于额外的证据。\n\n“如果 \\(H\\)，那么 \\(E\\)；\\(E\\)；所以 \\(H\\)”这一模式不是有效的演绎论证。若将它当作证明，就会犯肯定后件谬误。相反，溯因推理将其中的 \\(H\\) 视为一种可被推翻的猜想。当新信息改变了哪种解释更可取时，溯因推理的结论便可以撤回，这使溯因推理与非单调推理产生了联系。(plato.stanford.edu)"
    },
    {
      "heading": "演绎、归纳与溯因",
      "text": "这三种推理形式的主要区别，在于它们据以支持结论的依据不同：\n\n形式 | 典型任务 | 结论的性质\n演绎 | 从前提推导后果 | 有效推理具有保真性\n[[inductive-reasoning | 归纳推理]] | 从观察中作出概括，或运用统计规律\n溯因 | 提出或比较对观察结果的解释 | 解释仍是暂定的\n\n这种划分并未获得普遍认可。一些哲学家在广义上使用“归纳”一词来指非演绎推理，另一些哲学家则认为，溯因推理的区别在于它明确诉诸解释。统计证据可以为溯因论证提供支持；这里的区别涉及证据在推理中的作用，而不仅仅是有没有出现数字。(plato.stanford.edu)\n\n在皮尔士关于科学方法的成熟构想中，这几种形式相互配合：溯因提出解释，演绎推导可检验的后果，归纳则通过检验来评估假说。这里的“归纳”包括实验评估，而不只是从样本中作出概括。(plato.stanford.edu)"
    },
    {
      "heading": "历史发展",
      "text": "皮尔士在十九世纪将溯因发展为一种独立的推理类别。他使用过“假说”“逆推”和“溯因”等术语，其理解也在学术生涯中不断变化。早期论述探讨了演绎论证模式的重新排列；后期论述则强调，在科学探究中形成并暂时接受解释性假说。(plato.stanford.edu)\n\n这种历史上的构想，不同于当代将溯因推理等同于最佳解释推理的做法。对皮尔士而言，溯因尤其属于发现过程：它提供假说，供后续探究加以评估。提出一个有希望的解释，本身并不能确立其真实性。(plato.stanford.edu)\n\n吉尔伯特·哈曼于1965年发表的论文《最佳解释推理》，推动了现代术语的确立。该文主张，解释性推理能够说明一些重要的非演绎推理形式，包括通常被称为枚举归纳的情形。这一进路使解释成为认识论证成问题的核心，而不再仅仅将其视为假说的来源。(philosophy.princeton.edu)"
    },
    {
      "heading": "什么使一个解释更好？",
      "text": "最佳解释推理需要比较候选解释的标准。经常讨论的解释优点包括：\n\n- **涵盖范围：**能够解释更广泛的相关证据。\n- **统一性：**通过共同的原理解释看似互不相关的现象。\n- **简洁性：**避免不必要的假设或复杂性。\n- **融贯性：**与得到独立支持的背景知识相契合。\n- **机制细节：**展示所提出的解释如何产生该现象。\n\n这些优点可能相互冲突，因此不能自动得出唯一的优劣排序。彼得·利普顿区分了解释的“为真可能性”与“解释吸引力”：前者是解释为真的概率，后者是解释若为真，能够带来多少理解。解释性推理的实质主张是，后者可以指导对前者的判断，而不是说一个有吸引力的解释必然正确。(hps.cam.ac.uk)"
    },
    {
      "heading": "逻辑与计算形式化",
      "text": "在人工智能中，溯因可以形式化为对假设的搜索：这些假设使观察结果能够从背景理论中推导出来。在一种基本表述中，令 \\(T\\) 为背景理论，\\(E\\) 为观察结果，\\(H\\) 为提出的一组假设。一个解释必须满足：\n\n\\[T\\cup H \\models E,\\]\n\n同时，\\(T\\cup H\\) 必须保持一致。符号 \\(\\models\\) 表示逻辑后承。额外的约束规定哪些假设可以接受，以及哪些组合不被允许。(doc.ic.ac.uk)\n\n溯因逻辑程序设计使用逻辑规则、被称为“可溯因谓词”的指定可假设谓词，以及完整性约束来实现这一方法。偏好标准可能倾向于最小解释，但最小性是相对于所选标准而言的：一个无法再删去任何假设的解释，不一定是在所有解释中包含假设最少的那个。仅仅在逻辑上可接受，也不能确立解释上的优越性或真实性。(doc.ic.ac.uk)\n\n计算应用包括故障诊断、规划、调度和自然语言理解。在规划中，假设可能描述的是执行后能够实现目标的行动，而不是某个观察结果的潜在原因。因此，计算中的溯因不局限于对既有现象的解释，还扩展到在约束条件下补全问题描述。(arxiv.org)"
    },
    {
      "heading": "与贝叶斯推断的关系",
      "text": "溯因推理也可以与贝叶斯推断结合。对于证据 \\(E\\) 和假说 \\(H\\)，贝叶斯定理给出：\n\n\\[P(H\\mid E)=\\frac{P(E\\mid H)P(H)}{P(E)}.\\]\n\n其中，\\(P(H)\\) 是先验概率，\\(P(E\\mid H)\\) 衡量在该假说成立的条件下证据出现的概率，\\(P(H\\mid E)\\) 则是后验概率。概率霍恩溯因将逻辑解释与概率联系起来，并能够表示贝叶斯网络。(arxiv.org)\n\n这一公式也说明，使证据很可能出现，并不足以使某个假说很可能为真。假设两个相互竞争的假说分别赋予证据 \\(0.9\\) 和 \\(0.3\\) 的概率，但它们的先验概率分别为 \\(0.01\\) 和 \\(0.99\\)。它们未经归一化的后验权重分别为 \\(0.009\\) 和 \\(0.297\\)。尽管第二个假说对证据的预测能力较弱，它仍然远比第一个假说更有可能为真。这是一项示意性的计算，而非实证案例。"
    },
    {
      "heading": "局限与哲学争论",
      "text": "一个核心反对意见是**“矮子里拔将军”问题**：所考虑的解释中最好的那个仍可能是错的，因为正确解释从未被提出。相对优势本身不足以证成关于真实性的绝对断言。因此，一些表述要求胜出的解释足够令人满意，或者只允许得出比较性的结论。(plato.stanford.edu)\n\n另一个问题是，解释的优点能否可靠地指向真理，而不只是增进理解。利普顿对解释吸引力和为真可能性的区分明确揭示了这一问题：识别哪些特征使解释富有启发性，与证明这些特征能够可靠地指示解释的正确性，是两回事。(hps.cam.ac.uk)\n\n这些问题在科学哲学和认识论中具有重要意义。溯因推理说明了证据如何支持超出直接观察范围的主张，但其证成取决于可供考虑的其他解释、解释的质量，以及所声称的结论推理强度。(philosophy.princeton.edu)"
    }
  ],
  "links": [
    "logic",
    "hypothesis",
    "deductive-reasoning",
    "charles-sanders-peirce",
    "affirming-the-consequent",
    "nonmonotonic-reasoning",
    "inductive-reasoning",
    "scientific-method",
    "epistemic-justification",
    "artificial-intelligence",
    "logical-consequence",
    "bayesian-inference",
    "bayes-theorem",
    "bayesian-network",
    "philosophy-of-science",
    "epistemology"
  ],
  "sources": [
    {
      "title": "Abduction",
      "url": "https://plato.stanford.edu/entries/abduction/"
    },
    {
      "title": "Peirce on Abduction",
      "url": "https://plato.stanford.edu/archives/fall2016/entries/abduction/peirce.html"
    },
    {
      "title": "Charles Sanders Peirce",
      "url": "https://plato.stanford.edu/entries/peirce/index.html"
    },
    {
      "title": "Inference to the Best Explanation (article)",
      "url": "https://www.hps.cam.ac.uk/files/lipton-inference.pdf"
    },
    {
      "title": "Inference to the Best Explanation",
      "url": "https://fitelson.org/epistemology/lipton_ch4.pdf"
    },
    {
      "title": "Abductive Logic Programming",
      "url": "https://www.doc.ic.ac.uk/~rak/papers/abdsurv.pdf"
    },
    {
      "title": "ACLP: Integrating Abduction and Constraint Solving",
      "url": "https://arxiv.org/abs/cs/0003020"
    },
    {
      "title": "Representing Bayesian Networks within Probabilistic Horn Abduction",
      "url": "https://arxiv.org/abs/1303.5738"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}