念
齐一性原则
Uniformity Principle — 「未来将与过去相似」：归纳推理的核心预设，无法被证明
齐一性原则（UP）是归纳推理所预设的：「未经观察的事例将与已观察的事例相似」。休谟的二难论证：UP 既不能用演示性推理证明（其否定不构成矛盾），也不能用概率推理确立（那样会循环预设 UP 本身）。结论：没有论证可以支持 UP，归纳推理没有理性基础。
休谟二难的结构
P1归纳推理 I 预设 UP
P2a演示性论证无法建立 UP——自然进程改变不构成矛盾
P2b概率论证预设 UP 本身——循环
∴归纳推理没有理性基础（习惯是 UP 的实际来源）
与 AI 工程的映射 训练分布 = 测试分布 机器学习的核心假设——这就是 UP 的技术化身。分布一致时模型有效。 分布漂移 UP 失效时——生产环境偏离训练分布——模型性能崩溃。这是可预期的 UP 失效。 context rot 长 context 中早期信息可靠性假设——假设早期 token 语义在整个 context 中保持一致 Okasha 质疑 量词换位谬误：不同归纳推理依赖不同经验前提，没有共同的 UP
→ Induction Problem · Causation (Hume) · Grue ProblemSEP — Problem of Induction
齐一性原则
定义
齐一性原则（Uniformity Principle, UP）是归纳推理所预设的核心假设：「未来将与过去相似」，或者更一般地，「未经观察的事例将与已观察的事例相似」。休谟论证表明，这一原则既不能通过演示性推理证明（其否定不构成矛盾），也不能通过概率推理确立（会构成循环论证）。
在休谟论证中的角色
休谟的论证结构是一个二难推理，齐一性原则处于核心位置：
- 归纳推理 I 预设 UP（前提 P2）
- 演示性论证无法建立 UP——自然进程改变不构成矛盾（第一角）
- 概率论证预设 UP 本身——循环（第二角）
- 因此没有论证可以支持 UP（结论 C3）
- 因此归纳推理没有理性基础（结论 C5）
对 UP 的质疑
多位哲学家质疑 UP 在休谟论证中是否真的不可或缺：
- Okasha/Sober：休谟犯了量词换位谬误——应该说”每个归纳推理有某个预设”，而非”存在一个所有归纳推理共享的预设”。不同的归纳推理依赖不同的经验前提。
- Norton：归纳推理是”实质的”（material），没有形式上的共同规则。
- 交换性（de Finetti）：交换性假设——观察的顺序不影响概率分配——可视为 UP 的自然形式化。
与 LLM/Agent 工程的映射
齐一性原则在 AI 系统中的对应：
- 训练分布 = 测试分布：机器学习的核心假设——训练数据的分布与生产数据相同。这就是 UP 的技术化身。
- 分布漂移：当 UP 失效时——生产环境的数据分布偏离训练分布——模型性能崩溃。
- context rot：长 context 中早期信息的可靠性假设——假设早期 token 的语义在整个 context 中保持一致。
与本 wiki 其他概念的关系
- 归纳问题：UP 是归纳问题的核心预设
- 因果性（休谟）：因果推理依赖 UP 来桥接过去与未来
- 恒常连结：UP 是从恒常连结推向未来预测的桥梁
- 习惯：休谟的解答——UP 本身是习惯的产物
- grue 问题：即使接受 UP，也需要决定沿哪个方向”统一”
References
- Stanford Encyclopedia of Philosophy, “The Problem of Induction”, Sections 1-2, https://plato.stanford.edu/entries/induction-problem/