第二章 归纳的困境

引子：第101个客户

你做了100次培训需求分析。每次都问客户同一个问题："你想提升什么能力？"每次客户都给你一个答案，你据此设计培训方案。100次都管用。

第101个客户来了。同样的流程，同样的问法。但这一次培训做了，效果全无。事后你才知道——这个客户的问题根本不是能力不足，是激励机制错误。他的员工不是"不会做"，是"不想做"。

你问了100次都管用的问题，第101次失效了。

有意思的是，这不能怪运气，也不能怪这个客户特别。该怪的是一种你已经依赖了太久的东西——归纳法本身。你从100次经验中归纳出"该问这个问题"，但归纳法从来没有向你保证过第101次也成立。它只是默默地帮你总结了过去，然后你自动把"过去管用"翻译成了"以后也管用"——这个翻译，归纳法没签字，是你自己加的。

这个困境不算新鲜。250年前，一个哲学家就指出了它。

第一节：休谟问题——250年的哲学悬案

太阳明天还会升起吗

1748年，大卫·休谟提出了一个让哲学界至今没有完全回答的问题：你观察到"太阳每天升起"，凭什么推断"明天太阳也会升起"？

你大概会说："因为它一直如此。"但"一直如此"本身就是归纳——你用过去的经验推断未来。休谟追了一步：这个推断的逻辑基础在哪里？你假设"未来类似过去"，但这个假设本身既无法被归纳证明（你不能用归纳法证明归纳法有效），也无法被演绎证明（从"过去如此"推不出"未来必然如此"）。这就好比你用一把尺子量另一把尺子准不准——量来量去都在用自己证明自己，逻辑上站不住。

休谟不是在抬杠。他承认，在实践中我们必须假设"未来类似过去"——否则连出门都要犹豫太阳是否还挂在天上。但他指出了一件让人不太舒服的事实：这个假设没有逻辑基础，只有习惯基础。我们之所以相信明天太阳会升起，与其说是因为逻辑证明了它，不如说是因为我们习惯了它。习惯这个东西，在哲学上不太拿得出手，但过日子确实离不了它。

归纳法是"习惯的合理化"，而非"逻辑的延伸"。

职场中的休谟问题

休谟问题听起来像哲学象牙塔里的游戏，但每个职场人每天都在做归纳，每天都在假设"未来类似过去"——只不过没人用这个哲学标签而已。

你做了100次项目复盘，每次都发现"沟通不畅是项目延期的主要原因"，于是你归纳出一条规律。下一次项目启动，你加强沟通机制。这很合理。但第101个项目是否也适用，归纳法没有给你保证。也许这个项目的延期原因压根不是沟通，是技术方案选错了。你的"规律"在第101次失效了——归纳法只能总结过去，不能保证未来，这一点它在说明书里写了，只不过字体很小。

再举一个更隐蔽的例子：你用了十年的绩效面谈话术，每次都有效，于是你认定"这套话术管用"。今年新生代员工入场了，你的话术第一次失灵。话术没变差，环境变了。归纳法的"未来类似过去"假设，悄悄不成立了。

每个"经验总结"都是一个休谟问题——你从有限观察中归纳规律，假设它在未来也成立。大多数时候确实成立，但麻烦在于你不知道什么时候不成立。归纳法像一个沉默的合作伙伴——帮你的时候不邀功，坑你的时候不道歉。

第二节：归纳法为什么"够用但不安全"

稳定环境中的高效

休谟问题并非要否定归纳法。在实践中，归纳法极其有用，甚至可以说是人类认知的默认设置。

稳定环境中，归纳法的效率最高。环境不变，"过去怎样未来就怎样"的假设大概率成立。你积累了100次经验，归纳出规律，第101次大概率也对。这就是为什么经验在稳定行业中有价值——环境稳定，归纳有效。

用第一章的框架说得更清楚：归纳法在大脑物理网络中强化关联连接——"D和R一起出现过100次"→连接极强→第101次自动匹配。在稳定环境中，这个匹配大概率正确，因为因果结构没变，D和R的关联确实代表因果关系。归纳法在这里又快又准，像一个在熟悉路况上开了二十年车的老司机——每个弯道的反应都是自动的，几乎不需要思考。

但环境变化时最后失效

归纳法的危险不在于"有时不对"，而在于一种特别让人头疼的性质：在环境变化时，它最后失效。

原因是归纳法的"证据"全部来自旧环境。当环境变化时，新环境的信息还没有积累到足够推翻旧归纳。你的100次经验告诉你"这样做有效"——这100次证据都在支持你。而新环境中的反面证据可能只有1-2次，不足以动摇100次经验形成的强连接。100比2，大脑很自然地站到100那边。

所以你会继续用旧归纳，直到反面证据积累到无法忽视。但到了那个时候，可能已经造成了重大损失。老司机在新路况上出了事故，往往不是因为他反应慢，恰恰是因为他的反应太自动了——二十年的肌肉记忆在错误的路上跑得飞快。

第一章讲过确认偏误——大脑倾向于注意支持已有经验的证据，忽略矛盾证据。在归纳法中，确认偏误的效果被放大了：你的100次经验形成了极强的物理网络连接，大脑自动过滤掉"不匹配"的信息。环境变了，但你的大脑还在用旧连接匹配——直到旧连接彻底失效。

归纳法在稳定环境中效率最高，在环境变化时最后失效。你最相信的经验，恰恰是最可能背叛你的——因为"最相信"意味着物理网络连接最强，而最强的连接最难改变。

"够用"不等于"对了"

归纳法的"够用"是一种微妙的危险。它和"对了"之间有一道模糊的缝隙——你的模式匹配可能一直在偏，但偏差没有导致灾难性后果，所以你觉得"够用"。在稳定环境中，这道缝隙不明显，因为环境不变，旧归纳继续有效。但环境变化时，"够用"突然变成"不够用"——而你已经用"够用"的归纳做了大量决策，积累的问题在环境变化时集中爆发。

这就是为什么经验丰富的人在企业转型期最容易犯错。他们的归纳库最丰富（物理网络连接最强），但环境变了，归纳库失效了。他们不是"不想变"——是大脑的物理网络太强了，归纳法太"够用"了，以至于他们意识不到环境已经变了。这有点像一个在平原上所向披靡的将军被调到山地战——他的战术越熟练，输得越快。骑兵冲得越猛，山路摔得越惨。

第三节："相关不是因果"——统计学的百年禁忌

皮尔逊和费舍尔的遗产

归纳法在统计学中有一个正式的表达：相关性分析。统计学能算出"A和B相关"——它们一起变化的程度。但统计学有一条百年禁忌：相关不是因果。

这条禁忌从卡尔·皮尔逊（Karl Pearson，现代统计学奠基人之一）到罗纳德·费舍尔（Ronald Fisher，实验设计之父）延续至今。皮尔逊发明了相关系数——简单说就是一把测量两个变量"同进同退"程度的数学尺子。但他明确指出：相关性不等于因果性。"A和B相关"只意味着"它们一起变化"，不意味着"A导致B"。

费舍尔更进一步：他设计了随机对照实验（RCT）——给两组人随机发牌，一组吃真药一组吃安慰剂，看谁先好。通过随机分配排除混杂因素，从而推断因果。但即便如此，费舍尔的实验设计也只能在严格控制条件下推断因果，不能从观察数据中直接推断。实验室里能搞清楚的事，现实世界未必搞得清。

为什么相关推不出因果

"相关不是因果"的原因其实不复杂。相关只能告诉你"A和B一起变化"，不能告诉你"为什么一起变化"。以一个经典的例子说明：冰淇淋销量和溺水人数正相关。但冰淇淋显然不导致溺水。真正的原因是夏天——夏天同时导致冰淇淋销量增加和游泳人数增加，后者导致溺水增加。相关分析看到的是A和B手拉手，但它分不清是A牵的B、B牵的A、还是有个人在背后各牵一只手。

要分清这三种情况，你需要因果推理——引入L："为什么A和B一起变化？"相关分析没有这个维度。

统计学刻意不碰因果，与其说是因为它不关心因果，不如说是因为它的工具确实回答不了因果问题。因果需要反事实推理——在脑中跑一遍平行世界："如果当初没做X，Y还会发生吗？"而统计数据只有"做了什么"的观测，没有"没做什么"的平行世界。统计学家看着因果问题，就像一个只有相机的人看着一段旋律——他能拍下乐谱，但拍不下音乐。

这条线分开了人类和AI

"相关不是因果"这条百年禁忌，在今天有了一个意想不到的新意义：它分开了人类和AI。

大语言模型的本质，说到底是一台统计归纳引擎。它从海量文本中学习词语之间的相关性——"A和B经常一起出现"→学习到A和B的关联。这是因果之梯的第一层——关联层，也就是"看到什么"的层次。大模型能说出"A导致B"的句式（因为它学过这种语言模式），但它不验证"为什么A导致B"——它不做因果推理。它像一个人背熟了所有象棋开局谱——棋谱上写着"当头炮→马来跳"，它能背出来，但不知道为什么这一步导致那一步。

人类在因果之梯的第二层——干预层，也就是"做了会怎样"的层次。人能做反事实推理——"如果没做X会怎样？"人能构建L——"为什么D导致R？"这是统计归纳做不到的，它需要因果模型，而非统计模型。

"相关不是因果"不是统计学家的洁癖——它是因果推理和统计归纳的根本分界线，AI卡在这条线上。更大的模型、更多的数据不会自动跨过这条线，就像更大的望远镜不会自动变成显微镜。看清更远的星星和看清细胞的结构，是两种完全不同的能力。

第四节：从归纳到因果——250年的跨越

人类花了两百年才跨过去

从休谟提出归纳问题（1748年），到朱迪亚·珀尔（Judea Pearl）系统性地建立因果推理框架（1990s），人类花了250年。

这250年里发生了什么？统计学建立了强大的相关分析工具，但刻意回避因果。科学哲学反复争论因果的本质，但没有可操作的因果推理方法。经济学家发明了计量经济学，用工具变量和自然实验逼近因果，但方法复杂、假设苛刻。250年间，因果推理像一座看得见却爬不上的山，每个人都抬头望过，但没人修出一条路。

珀尔修了这条路。他给因果推理一套数学语言——do-calculus（一套"假如我做了X，Y会怎样"的数学句法）、结构因果模型（把因果关系画成一张"谁影响了谁"的地图）、因果之梯（从"看到什么"到"做了会怎样"再到"如果没做会怎样"的三级台阶）。与其说他"发现了因果"，不如说他"给了因果一套可操作的推理工具"——从"统计归纳"到"因果推理"的跨越终于有了方法论。

但大多数人还停在归纳层

珀尔的因果革命发生在学术界——25年来几乎没有走出学术圈。大多数职场人、甚至大多数管理者，还在用归纳法做决策。这并非他们不聪明——他们只是没有因果推理的工具和语言。你不能怪一个没见过路的人不走路。

DLR做的就是珀尔革命的"工程化"——把因果推理从数学家的语言翻译成管理者和顾问能用的语言。D-L-R三要素就是因果推理的最小操作单元：D（干预）→L（因果机制）→R（结果）。从"A和B相关"到"D通过L导致R"，这就是从归纳层到因果层的跨越。

跨越的代价

但跨越有代价。归纳法"够用"——100次经验给你一个大概率对的规律，省事。因果推理"费力"——你要主动构建L，检验L，修正L，费脑。大脑的默认选择很清楚：归纳（物理网络层面的模式匹配，快、省能），不选因果推理（虚拟网络层面的主动构建，慢、耗能）。大脑在节能这件事上一向很有主见，而且它不觉得"想清楚"比"省力气"更重要。

第一章讲过这个困境：经验在物理网络层面工作，DLR在虚拟网络层面工作。归纳法是物理网络的默认模式——"D和R一起出现过100次"→强连接→自动匹配。因果推理是虚拟网络的主动活动——"为什么D导致R"→构建L→检验L→修正L。

从归纳到因果的跨越，不是"多学一个方法"那么简单——它要求大脑从物理网络的默认模式切换到虚拟网络的主动模式。 这个切换不会自动发生，需要工具（DLR），需要语言（D-L-R），需要练习（六步法）。

第五节：那怎么办？

不放弃归纳，但要超越它

对归纳法最尖锐的批判是这样的："归纳法没有逻辑基础——你的100次经验不保证第101次。"

如果批判到这里就停，结论是"归纳法不可靠所以别用归纳法"。这是虚无主义，而且不可操作——没有归纳法，你连早饭吃什么都要从零开始推理，还没出门就饿晕了。

但批判不必停在这里。批判的下一步是一个更有建设性的问题：归纳法不可靠，那怎么办？

DLR的回答是：不放弃归纳，但要超越它。 归纳法给你起点——从经验中归纳出"大概的规律"。但归纳法不能停在"大概"——你要用DLR追问"为什么这个规律成立？L是什么？"当你找到了L，你就从归纳（"A和B相关"）跨越到了因果（"D通过L导致R"）。

归纳法是脚手架的第一层——从经验中提出假设。因果推理是脚手架的第二层——验证假设的因果机制。你不能跳过第一层直接到第二层（没有经验就没有素材），但你也不能停在第一层（没有因果验证就只是归纳）。一楼搭好，还得往上盖。

用L检验归纳

具体怎么做？每次你从经验中归纳出一个"规律"时，追问三个问题：

第一，"这个规律背后的L是什么？"——"培训需求分析该问'想提升什么能力'"这个归纳，L是"能力不足是绩效问题的常见根因"。把L显性化。

第二，"L在什么条件下成立？"——L成立的条件是"绩效问题确实是能力不足导致的"。如果绩效问题是激励不足、资源不足、流程错误导致的，L不成立。

第三，"当前情境满足这些条件吗？"——第101个客户的问题不是能力不足，是激励机制错误。条件不满足，L不成立，归纳失效。

三个问题把归纳法从"盲目假设未来类似过去"升级为"有条件地假设——条件是L成立"。你不再依赖"100次经验"的统计归纳，而是依赖"L是否成立"的因果判断。L成立就用，L不成立就换——不管你之前用了多少次。100次经验不能保证第101次，但L成立可以——因为L是因果机制，不是统计归纳。

这就是从归纳到因果的跨越：从"我有100次经验所以我对"到"L成立所以我对——L不成立就承认归纳失效"。前者赌的是概率，后者靠的是机制。

结语：250年前的警告

休谟在1748年就提醒我们：归纳法没有逻辑基础，它依赖"未来类似过去"的习惯假设。250年过去了，大多数职场人还在用归纳法做决策——从100次经验中总结"规律"，假设它在未来也成立。

这不奇怪。归纳法是大脑的默认模式，物理网络层面的模式匹配，快、省能、"够用"。等到"不够用"的时候，往往已经晚了——环境变了，归纳失效了，但你的物理网络连接太强，改不过来。

"相关不是因果"——这条统计学的百年禁忌，在今天分开了人类和AI。AI是统计归纳引擎，人类是因果推理者。这条线是认知模式的本质差异，更大的模型不会自动跨过它。

从归纳到因果的跨越，人类花了250年。对个人来说，这个跨越也需要一点勇气——承认"100次经验不保证第101次"，需要放下经验的傲慢。但这个跨越值得，因为只有因果推理才能回答"为什么"，只有"为什么"才能让你在不完备中前行。

归纳法让你"大概对"——大部分时候够用，但你不知道什么时候不够用。因果推理让你"知道为什么对"——也知道什么时候会不对。从"大概对"到"知道为什么对"，250年的跨越，现在轮到你了。