元归纳¶

图文

定义¶

元归纳（meta-induction）是 Gerhard Schurz 提出的归纳辩护策略：不在对象层面（object-level）直接辩护归纳推理，而是在元层面（meta-level）证明"追随当前最成功的预测方法"是所有可用方法中最优的策略。核心结果：加权元归纳策略 wMI 在长期运行中收敛到可用方法中的最大成功率。

对象归纳 vs 元归纳¶

对象归纳（OI）：直接从观察到的事件做出预测——"过去 100 块面包都提供了营养 → 下一块也会"
元归纳（MI）：根据各种预测方法的成功率来加权聚合它们的预测——"归纳法在过去比反归纳法成功得多 → 继续追随归纳法"

关键区别：OI 的辩护需要齐一性原则（休谟的循环问题）；MI 的辩护是先验数学定理，不依赖经验假设。

Schurz 的论证结构¶

先验部分：加权元归纳策略 wMI 被数学证明在有限方法池中是长期最优的（来自遗憾学习理论 regret-based learning）。这是先验的——纯数学推导。
经验部分：在目前可用的预测方法中，对象归纳法的成功率最高。这是经验事实。
结论：因此，追随对象归纳法是元归纳最优的——不是因为归纳法本身被先验地辩护了，而是因为先验最优的元策略（wMI）当前指向它。

这绕过了休谟的循环：归纳法不是自我辩护的，而是被一个独立辩护的元策略推荐的。

局限性¶

有限方法池：原始定理要求有限个竞争方法。扩展到无限方法池是一个开放问题。
辩护的是 wMI 而非 OI：严格来说，被辩护的是元归纳策略本身——如果明天某种非归纳方法开始表现更好，wMI 会转向它。对象归纳只是当前最优方法，不是永远最优。
只辩护下一步：我们最多能说在下一个时间步上追随 OI 是合理的（因为 wMI 当前分配给 OI 的权重最大），而非永远追随 OI。

与 LLM/Agent 工程的映射¶

元归纳思想在 AI 系统设计中有直接的工程对应：

模型路由/选择：多模型架构中，根据各模型在特定任务类型上的历史表现来动态路由请求——这就是 wMI 的工程实现。
路由：路由模式天然是元归纳的——根据输入特征选择最成功的处理路径。
在线学习与 Bandit 算法：多臂赌博机和 contextual bandit 与 wMI 共享相同的数学基础（遗憾最小化）。
持续评估的必要性：元归纳的核心洞见——方法的相对优劣可能随时变化——解释了为什么持续的 agent 可靠性评估不可或缺。

与本 wiki 其他概念的关系¶

归纳问题：元归纳是最新的回应方案——不试图直接解决，而是在元层面绕过
证伪主义：两者都接受归纳不可直接辩护，但提出不同的替代策略
贝叶斯归纳：贝叶斯方案需要选择先验，元归纳方案需要定义方法池——两者的经验输入不同但结构相似
路由：元归纳的工程化身——根据方法的成功率动态选择

References¶

Schurz, Gerhard, 2008, "The Meta-inductivist's Winning Strategy in the Prediction Game", Philosophy of Science, 75(3): 278–305.
Schurz, Gerhard, 2019, Hume's Problem Solved: the Optimality of Meta-induction, Cambridge, MA: MIT Press.
Cesa-Bianchi, Nicolo, and Gabor Lugosi, 2006, Prediction, Learning, and Games, Cambridge: Cambridge University Press.
Stanford Encyclopedia of Philosophy, "The Problem of Induction", Section 5.5, https://plato.stanford.edu/entries/induction-problem/