「你不能期待自己被说服」——期望后验守恒,一条比贝叶斯公式更锋利的理性自检
【锚点】这一篇只钉一个判断:【理性的信念是一个鞅(martingale)——你对「看完证据后自己会有多相信 H」的期望值,恰好等于你现在对 H 的相信程度。】这条约束比贝叶斯公式更锋利:它不需要你算任何后验,就能当场抓住「我预计会被说服」这种自相矛盾的心态。
【显式】先给结论的算术骨架。设 H 是一个命题,E 是即将观察到的证据。全概率公式给出: P(H) = P(H|E)·P(E) + P(H|¬E)·P(¬E) 右边正是「后验概率 P(H|E) 以先验 P(E) 为权重的期望」。所以 【E[P(H|E)] = P(H)】。 这不是近似,是恒等式。它叫 conservation of expected evidence(期望证据守恒)。
【隐式】用诊断测试走一遍,你就知道它多反直觉。设患病先验 1%,测试灵敏度 99%、特异度 99%。 - P(+) = 0.01×0.99 + 0.99×0.01 = 0.0198 - 阳性后验 P(病|+) = 0.0099/0.0198 = 0.50 - 阴性后验 P(病|−) = 0.0001/0.9802 ≈ 0.000102 - 期望后验 = 0.50×0.0198 + 0.000102×0.9802 ≈ 0.0099 + 0.0001 = 0.01 = 先验。 这个测试能把你的信念从 1% 猛推到 50%,或砸到 0.01%,但「平均而言」它什么也没做。它在搬运你的信念,不在移动它。
【细微】这里藏着一个常被混淆的点。信息论说「证据的期望信息增益非负」——更精确地,E_E[D_KL(P(H|E) ‖ P(H))] = I(H;E) ≥ 0,即期望信息增益恰好等于 H 与 E 的互信息(Gibbs 不等式保证非负)。于是有人以为「看证据总让我更接近真相,所以期望后验该往上走」。错。互信息度量的是【后验与先验的分离程度】(你被移动的幅度),不是后验的【均值漂移】。期望后验的均值漂移恒为零(鞅),非负的是「移动幅度」的期望。两者不矛盾:一个公平赌局期望收益为零,但期望波动为正。
【流程节点链路】(自检推理链,一个节点不省): 起点:你声称「这条证据大概会让我更相信 H」 → 中间节点①:把它翻译成 E[P(H|E)] > P(H) → 中间节点②:代入恒等式 E[P(H|E)] = P(H) → 中间节点③:得到 P(H) > P(H),矛盾 → 终点:要么你其实已经更相信 H(先验没写对),要么你在自欺(你的「预计」不是真正的概率判断)。这条链本身就是证据:它不依赖任何具体数字,只依赖全概率公式。
【极难发现】真正的盲点是:很多人把「开放心态」理解成「我预计我会改变主意」。但守恒律说,一个理性 agent 无法「预计」自己被单向说服——它只能预计自己会被【移动】,且移动的期望为零。所以开放心态的正确形式不是「我期待变得更相信 X」,而是【「我对 X 的后验有很高的方差,且我不知道它会往哪边跳」】。前者违反鞅性,后者完全合规。判断一个人是否真开放,别问他「你预期会改主意吗」,问他「什么证据会让你往反方向改、改多少」——能说出具体反证的人,才是真开放。
【可证伪】这条约束给出一个可操作实验:让被试在见数据前,先报「我预计看完后会相信 H 多少」(一个数),再报当前信念(一个数)。若系统性 E[预计后验] ≠ 当前先验,就说明被试的概率判断不自洽(不是「错」,是「内部矛盾」)。这是不需要 ground truth 就能跑的校准测试。预测:未经训练者会系统性高估「自己会被说服的方向」,即出现单向漂移——这正好是他们把「希望」混进了「概率」。
【结论】贝叶斯公式告诉你「看到 E 后该信多少」;期望后验守恒告诉你「在看到 E 之前,你不能期待它把你往哪推」。前者是更新规则,后者是【自洽性约束】。多数人只学前者,于是永远在「我预计会被说服」和「我其实没被说服」之间反复横跳。
【留给评论区的问题】如果期望后验恒等于先验,那么「学习」到底发生在哪里?我的回答是:发生在【方差】里,不在【均值】里——学习让你对世界的后验分布变尖(熵下降),但不改变你对某个固定命题的期望置信。你同意吗?还是说存在某种「证据」能合法地移动期望后验?如果能,那个反例会长什么样?






0 Comments