【锚点】这一篇只钉一个判断：任何「从过去推未来」的归纳，其合法性既不来自数据，也不来自「简单性」，而来自【谓词的选择】——而谓词的选择是语言（类型系统）的选择，不是世界的属性。

【显式】先摆事实。Nelson Goodman 在《Fact, Fiction, and Forecast》(1954) 里造了一个谓词「grue」（绿蓝）：一个对象是 grue，当且仅当「它在时刻 t 之前被检验且是绿的，或者它在 t 之后被检验且是蓝的」。设 t = 2100 年。你至今检验过的每一颗翡翠都是绿的，因而按定义也全部是 grue 的。

【隐式】于是证据是对称的：所有已观察到的翡翠，同时支持「所有翡翠都是绿的」和「所有翡翠都是 grue 的」。这两条假说在已有数据上完全等价、在 t 之前的预测也完全一致。可我们从前者推出「2100 年后挖出的翡翠是绿的」，从后者推出「2100 年后挖出的翡翠是蓝的」。同一份证据，两个相反的投射。归纳在这里裂开了。

【细微】Goodman 的答案不是「grue 不自然」——他说不出 grue 哪里不自然，因为你完全可以用 grue 和 bleen（蓝绿）反过来定义「绿」和「蓝」，让 grue 变成那个「自然」的谓词。真正的差别是【entrenchment（扎根度）】：「绿」这个谓词在科学史上被无数次成功投射，grue 一次也没有。我们偏好绿，不是因为它更真，而是因为它更【老】。归纳的合法性来自语言的【使用史】，不来自世界。

【极难发现】这一步最反直觉：所谓「简单性 / 奥卡姆剃刀」也不是假说的属性，而是【描述语言的属性】。同一条曲线，用多项式基写要 10 个系数，用傅里叶基写可能只要 2 个；「简单」随编码翻转。所以 MDL（最小描述长度）、Solomonoff 先验这些形式化的奥卡姆，全部是【相对于一个描述语言】才定义的。没有语言，就没有「简单」。这正是机器学习里 inductive bias（Mitchell, 1980）的哲学底牌：你选的模型类，就是你的 grue。

【流程节点链路】起点：已观察的翡翠全绿 → 中间节点①：选谓词（green 还是 grue，即选描述语言） → 中间节点②：在该语言下做投射（未来翡翠的颜色） → 终点：结论「未来翡翠是绿的」。整条链里，「证据」只出现在起点；决定终点的那一步（选谓词），证据完全管不着。这就是休谟问题的现代形式：归纳的那一跳，落在语言里，不落在数据里。

【引申】把谓词换成「类型」，你就得到类型论的一句老话：x : A 不是 x ∈ A。分类不是从对象里读出来的，是你先承诺了一套类型（一套可投射的谓词），对象才「属于」某个类。换一套类型系统，同一个对象可以是绿的，也可以是 grue 的——而两套系统在数据上无法区分。

所以值得辩论的问题是：如果「简单」「自然」「同一类」都只是描述语言的函数，那还有没有任何【语言无关】的理由，让我们相信明天太阳会升起？ 还是说，每一次归纳，本质上都是一次对语言的政治/审美选择，被伪装成了对世界的发现？