溯因推理

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)

结构与示例

一种基本的溯因推理模式可表述如下：

1. 观察到某种现象 $E$。
2. 如果假说 $H$ 为真，那么 $E$ 就是可以预期或理解的。
3. 因此，$H$ 是一个值得考虑的候选解释。

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)

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。

“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)

演绎、归纳与溯因

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：

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)

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)

历史发展

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)

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)

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)

什么使一个解释更好？

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：

• **涵盖范围：**能够解释更广泛的相关证据。
• **统一性：**通过共同的原理解释看似互不相关的现象。
• **简洁性：**避免不必要的假设或复杂性。
• **融贯性：**与得到独立支持的背景知识相契合。
• **机制细节：**展示所提出的解释如何产生该现象。

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)

逻辑与计算形式化

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：

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)

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)

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)

与贝叶斯推断的关系

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：

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)

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。

局限与哲学争论

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)

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)

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)

参考来源

1. Abductionplato.stanford.edu
2. Peirce on Abductionplato.stanford.edu
3. Charles Sanders Peirceplato.stanford.edu
4. Inference to the Best Explanation (article)hps.cam.ac.uk
5. Inference to the Best Explanationfitelson.org
6. Abductive Logic Programmingdoc.ic.ac.uk
7. ACLP: Integrating Abduction and Constraint Solvingarxiv.org
8. Representing Bayesian Networks within Probabilistic Horn Abductionarxiv.org