贝叶斯预测：校准背后的致命悖论
The well-calibrated Bayesian [pdf]
当天气预报员自信地给出30%的降水概率时，长期来看是否真的有30%的日子会下雨？这就是所谓的“校准”概念。A. P. Dawid在文中揭示了一个令人不安的数学事实：一个逻辑自洽的Bayesian预测者，从主观概率的角度看，总是“预期”自己是完美校准的。然而，这种理论上的自我感觉良好，与现实世界中预测者可能长期表现糟糕形成了尖锐冲突。文章深入探讨了这种矛盾如何对Coherence理论构成毁灭性打击，挑战了我们对主观概率和预测可靠性的传统认知。
我们证明了一个定理：一个逻辑自洽的Bayesian总是预期自己是完美校准的，而这一结论对Coherence理论具有毁灭性的影响。
- 有评论者指出，对预测概率本身再附加一层置信度（如'80% 确信我的 0.7 概率'）在逻辑上属于 TypeError，因为最终的概率值应已内化了所有不确定性。
- 一位从业者分享早期 AI 经验，认为旧 AI 失败的核心在于缺乏处理不确定性的系统方法，而非知识库维护成本，且指出在推理链中聚合信息是贝叶斯方法的关键难点。
- 有观点反驳了关于频率派与贝叶斯派的稻草人实验，强调物理概率与个人确信度虽遵循相同代数规则但本质不同，前者是客观事实，后者仅是代理指标。
- 评论者强调贝叶斯推断的核心操作是整合信息，其结果是对参数可能值的信念分布，而非简单的点估计，这能更好地融合不同来源的数据。