人工智能的演进史，常被描绘为一幅技术征服的线性图景：从简单的逻辑推理，到深层的神经网络技术，再到今日吞吐万亿数据的大语言模型，机器的“智能”边界正以惊人的速度扩张。2025年8月，国务院印发的《关于深入实施“人工智能+”行动的意见》提出，深入实施“人工智能+”行动，“加快培育发展新质生产力，使全体人民共享人工智能发展成果”,“到2030年，我国人工智能全面赋能高质量发展”，“智能经济成为我国经济发展的重要增长极”。我们在为“人工智能+”所预示的高效与繁荣图景所鼓舞的同时，也必须清醒地直面其伴生的诸多难题：算法的“黑箱”遮蔽了决策的透明，数据的偏见可能固化为系统的歧视，大模型看似权威的输出潜伏着巨大的认知“幻觉”风险。这些挑战已非单纯的技术优化和算力堆叠所能解决，而是迫使我们从双重维度进行反思：一方面，必须重返“智能”的理论原点，梳理归纳逻辑为人工智能发展所提供的思想源泉和技术贡献，并直面当下人工智能之困境，推动归纳逻辑围绕推理机制、实践验证与价值伦理等方向进行理论突破。另一方面，亟须开启植根文化传统的新路径，从中国古典归纳智慧中汲取思想养分。这既是对理论原点的一种文化超越，更是对持续半个多世纪的“归纳—智能”互构历程的创造性拓展。二者的融合为人工智能的范式突破与价值建构开辟了新路径。
归纳：人工智能的逻辑内核与演进动力
人类智能的卓越之处，在于能从有限而特殊的经验中，提炼出应对无限未知的一般规则，此即归纳。纯粹的演绎逻辑无法创造新知，而人工智能要处理的真实世界恰恰充满了不确定性。因此，将人类的归纳能力形式化并赋予机器，构成了人工智能最根本的理论诉求与发展驱动力。无论是“机器类比人类”的元命题，还是人工智能的核心目标即对人类认知能力尤其是归纳能力的模拟实现，都决定了归纳逻辑不仅是其思想源泉，更是贯穿其技术演进的内在主线。
近代，作为“发明的艺术”的归纳逻辑承担着科学发现的重任。在英国经验主义传统中，培根将自然现象的观察与归纳系统化，建立了以探索因果关系为核心的古典归纳逻辑。然而，休谟指出，所谓的因果恒常关联不过是人类心理习惯的投射，或是被观察到的先后顺序，归纳本身缺乏理性根基。
现代，逻辑实证主义将归纳逻辑的任务从“发现”转向“验证”。英国学者凯恩斯将因果关系转化为“部分蕴含”的条件关系；美国学者卡尔纳普完成了对确证度的形式化量化；美国学者亨普尔通过反思“渡鸦悖论”建立了科学解释模型。上述改造使归纳逻辑的前提与结论间的因果关系具有了可计算性，并为早期符号主义奠定了理论基础：智能被视为对思维规则的模仿，可通过“If…then…”式的符号逻辑运算完全表征。基于精确的符号表征，早期人工智能得以在定理证明、棋类等确定性封闭领域表现出色。然而，一旦面对需要动态交互与模糊推理的现实世界，其“规则化归纳”路径的根本局限便暴露无遗：它试图依赖人力预先穷尽所有规则，用一个静态确定的逻辑框架去固化动态开放的归纳过程。这种模式注定无法解决其在哲学与实践上的困境。
当代，归纳逻辑的研究重心发生了更为深刻的转向：从对“确证度”的静态评估，转向对“置信度”的动态更新。这一转向，既是对符号主义人工智能“寒冬”与归纳逻辑自身理论困境的回应，也标志着一场根本性变革——放弃为归纳逻辑寻求先验的、一劳永逸的理性辩护，转而承认其本质上是主体在充满不确定性的世界中更新信念的实践过程。贝叶斯推理正是这一变革的核心体现。它将主观概率引入归纳逻辑的系统内核，将推理从对静态频率的被动描述，转变为一种主动的、在连续证据流中“持续学习与迭代修正”的认知框架。这一框架所形式化的“动态迭代的经验理性”，恰好为联结主义人工智能的崛起提供了不可或缺的理论准备。与符号主义试图固化归纳结果不同，以神经网络为代表的联结主义的根本主张是放弃归纳规则化的方案，转而模拟归纳过程本身。其早期发展因单层网络的表达局限性而受阻，这恰恰暴露了简单统计关联的贫乏。而贝叶斯推理不仅为“深度置信网络”等关键架构提供了理论基石，其“先验—后验”的更新机制，更在理念上赋予了神经网络通过海量数据“预训练”来获得并优化其“先验知识”的合法性，从而完成了从机械关联到智能涌现的关键转变。
当下，大语言模型的成功，正是归纳逻辑理论革新与联结主义技术优化相结合的工程化典范。在海量数据与强大算力的支持下，大语言模型得以不断开展高强度计算并给出在当下语境中概率最高的最优可能解，由此涌现出理解复杂上下文、依据新信息微调输出并生成看似合理的新内容等类人的认知能力。因此，大语言模型所展现的“涌现”能力，本质是在现代归纳逻辑的框架下，对人类社会语言经验之极端规模化的统计归纳与概率建构。
总之，从“科学发现”到“确证度理论”再到“置信度科学”，从对思维规则的模仿转向对思维生成过程的模拟，人工智能的发展史本质上正是人类归纳思想不断寻求其理论与技术现实化的探索史。
从哲学思辨到可计算化：归纳逻辑对人工智能的回应
当代人工智能在生成任务上取得显著成功，这是对“智能源于归纳”的哲学命题的实践确证。然而，这一成功背后，却无法摆脱纯粹基于统计的经验理性的固有局限。因而，归纳逻辑只有不断拓展其理论基石，才能回应人工智能时代提出的核心诉求。
首先，大语言模型“算法黑箱”的不可解释性，要求归纳逻辑发展出新型推理机制与表征理论。大语言模型的“智能”源于对海量语料统计模式的内化与涌现，它绕开了对“因果必然性”的追求，转而寻求概率意义上的“最合理”解。这一范式衍生出一个根本性问题：这种黑箱式的“涌现”，是对人类归纳认知的模仿，还是一种全新的归纳机制？大语言模型归纳规则的不透明所形成的“算法黑箱”，会引发诸如信任危机、问责困难等治理风险。对此，归纳逻辑必须突破经典框架，发展能够刻画分布式计算、整体性涌现的形式理论（如分布式归纳、涌现式归纳），从而为理解并规范人工智能的推理提供可形式化的解释基础，这在很大程度上拓展了归纳逻辑自身的边界。其次，大语言模型“幻觉”输出的生成性谬误，促使归纳逻辑重新确定其理论适用的边界。大语言模型输出的内容是基于训练数据生成的，其自身无法辨别数据真伪也无法核实生成内容的事实依据，这就使得基于统计关联所得出的结论容易出现“合理错误”（即符合其内部统计模式与逻辑自洽性，但脱离外部事实依据的谬误）的幻觉。这一问题倒逼归纳逻辑理论重新思考“古德曼悖论”（该悖论通过构造“蓝绿”与“绿蓝”等非常规颜色谓词，揭示传统枚举归纳法在相同观察证据下会推导出相互矛盾的预测结论），尤其是在缺乏真实世界指涉的符号系统中，如何链接语义以区分投射谓词与非投射谓词，进而为机器的归纳实践划清有效与无效的边界。最后，大语言模型隐含的算法偏见与伦理风险，亟须归纳逻辑融合价值理性以引导其向善发展。海量数据与超高算力在扩展模型能力的同时，也加剧了偏见固化和分布偏移的风险，这对提高归纳逻辑的可靠性、公平性与动态修正能力提出了迫切要求。将伦理规范转化为可计算的约束，通过设计价值敏感的注意力机制与训练目标来引导模型，这些工作有助于推动归纳逻辑超越单纯的经验理性范畴，将价值判断融入其理论内核，在处理“是”与“应当”之问上发挥独特作用。
当前，学界正从多个维度积极探索应对上述困境：通过按复杂度排序的预训练方法或分步骤推理的思维链技术，将复杂问题拆解，从而提升推理的准确性；为概率驱动的模型套上可解释、可验证的逻辑框架，旨在将其基于统计关联的“直觉”转化为遵循结构化规则与证据更新的“理性”推理过程；借助基于人类反馈的强化学习技术，建立奖励模型与偏好模型，尝试将人类价值原则内化为模型生成与决策的内在约束；等等。然而，这些技术方案仍面临深层矛盾：思维链技术虽然能显著提升推理的准确性，但其代价往往是算力需求的急剧增加；价值规范的同时可能会引发跨文化的偏见与歧视。这揭示出一个根本性问题：单纯依靠“打补丁”式的技术方案，不能解决人工智能的真正“痛点”，人工智能的技术革新必须建立在归纳逻辑的理论更新之上。
可以说，人工智能既为归纳逻辑提供了当代数字化的“试验场”，也“倒逼”其从哲学思辨走向可计算的模型。构建一种既能解释智能涌现、又能引导其向善并与实践深度互动的规范性归纳逻辑，既是应对人工智能挑战的必需，也是归纳理论在智能时代重获生命力的历史性机遇。
中国古典归纳智慧：情境嵌入与价值理性
人工智能当前困境产生的根源在于其赖以发展的西方现代归纳逻辑范式存在双重断裂。其一为符号与语义的脱节。无论是符号主义的规则运算还是联结主义的语义单元分析，都侧重于对智能的符号化模拟，如同“中文屋”实验所揭示的——精通句法操作不等于理解语义。这导致人工智能虽在可数据化的理性任务上表现优异，却因缺乏真正的语义理解和具身体验，而难以把握言外之意与情感等深层意图。其二为理论与价值的失序。现代归纳逻辑理论先行的历史进路使其缺乏实践的目标导引，容易沦为纯粹服务于技术效能的工具。在“分析—拆解—还原”的主导范式下，其优化往往局限于形式化的细节修补，难以将人类在具体动态的情境中对情、理与势综合权衡的实践智慧，转化为可计算、可遵循的规范性准则，从而陷入“价值失灵”的困境。
面对全球大语言模型的迅猛发展，我们必须深刻认识到模型与语言之间并非简单的单向映射，而是一种复杂、动态的双向建构关系：模型在解析语言的同时，也必然被语言的深层结构所塑造。正如德国学者洪堡特所言，“语言是构成思想的器官”。每种语言的结构、语法与词汇，都编码着一个民族独特的思维模式与宇宙观念，决定了其使用者感知、理解世界的基本方式。
汉语，作为中国哲学思想的语言载具，其独特性尤其显著：象形、意会、形声的方块字构筑了与拼音文字迥异的符号体系；表达中注重“言外之意”、讲求委婉含蓄，语法灵活重意合。这些特质共同承载着一种整体性、关联性与语境化的思维方式。因此，基于当今归纳理论发展出的人工智能技术，虽已取得显著成就，但在触及汉语所蕴含的深邃文化密码与思维特质时，便显露出根本性的解释力瓶颈与“水土不服”。中文大语言模型的实质性跃迁，迫切需要回归到汉语本身的思维母体，寻求与之同构的逻辑基础。
中国古典归纳并非单一方法，而是一种以“推类”为核心的有机融合本体论、认识论与实践论的整全智慧体系，能有效弥补西方范式在情境理解与价值融合上的局限，从而促成一场深度的范式融合。其核心可凝练为三大原则：一是整体协同原则。人工智能长期面临的“框架问题”，即系统难以在动态情境中有效筛选相关知识的典型困境，其深层根源可追溯至西方归纳逻辑所依赖的还原论与线性因果预设。从《周易》蕴含的“天人合一”的整体性思维出发，将对因果关系的线性理解转化为在整体关联中把握事物规律，将传统“从特殊到一般”的归纳认知范式发展为一种基于多元关系、动态关联的归纳认知过程。同时，打破单一学科、单一领域的限制，推动归纳逻辑与多学科的合作，真正践行“万物互联、整体共生”的系统思维。二是语境化原则。中国古典归纳思想始终强调语境对推理的根本性约束：从儒家“正名”理论强调概念的规范与明晰，到墨家明确提出“异类不比”的推理准则，再到《淮南子》中记载的“类不可必推”的辩证认知，都共同指向一个核心——归纳的有效性必须置于具体的语境中才能被判定。因此，打破既往句法与语义分离的“去语境化”的技术方案，转而在不同语境、不同现实场景、多元文化背景之下探讨归纳规则的可投射性问题，有助于规避人工智能的“情景失察”问题。三是辩证平衡原则。与西方偏重“求真”的理性传统不同，东方崇尚“求真、求治、求善”目标的动态平衡。因此，从《道德经》相反相成的辩证思维出发，构建一个多元协同、辩证统一的人工智能归纳范式，统筹计算效率、资源经济、语义真实与价值伦理等核心诉求，能够从根本上拒绝“单一目标优先”的极端倾向，实现技术理性与价值理性的有机统一，从而在范式层面规避因目标失衡而导致的“价值失灵”问题。
总之，人工智能的演进史，本质上是人类归纳能力持续形式化的历史，也是一部以归纳逻辑为内核的人类理性与人工智能系统在深层对话中相互定义、彼此塑造的“互构史”。中国古典归纳的逻辑智慧为推动人工智能超越其固有的工具效能、迈向一种合乎情境与价值的认知境界，提供了不可或缺的思想资源。人工智能技术的下一次革新，将不仅发生于实验室的算法迭代和算力升级中，还将激荡于人类不同文明智慧的深度对话间。当我们尝试以中国古典“推类”思想教导人工智能理解“分寸”、把握“意象”时，我们不仅是在解决一个技术难题，更是在参与塑造一个兼具计算效能、情感柔度与人文温度的智能未来。
（作者：金立，系浙江大学哲学学院教授）
