玻尔百科在追求科学知识的过程中，不确定性不是一个需要消除的麻烦，而是一个需要被接纳和量化的基本现实。当新证据出现时，我们如何理性地更新我们的理解？贝叶斯统计提供了一个形式化且强有力的答案，将学习的过程本身编纂成一个连贯的数学框架。然而，它常常被误解为仅仅是一套不同的统计检验方法，而不是一种独特的推断哲学，这种哲学为科学推理提供了一种统一的语言。本文旨在通过提供一次进入贝叶斯世界的全面概念之旅，来弥合这一差距。
这段旅程始于第一章“原理与机制”，在这一章中，我们将剖析贝叶斯推断的核心引擎：贝叶斯定理。我们将探讨其关键组成部分——先验、似然和后验——并将其哲学基础与频率派方法进行对比。我们还将揭示那些使我们能够构建和解决复杂世界模型的精密技术，从分层建模到 MCMC 计算。在建立了这一基础理解之后，第二章“应用与跨学科联系”将带领我们进行一次盛大的巡礼，展示这一单一框架如何被用于解决从解码宇宙信号到揭示生命奥秘等众多领域的具体问题。我们首先从探索那些使这一切成为可能的优雅原理开始。
要真正领会贝叶斯统计的力量，我们不能仅仅将其视为一堆公式的集合，而必须将其视为一个形式化的推理系统——学习本身的法典。想象你是一名抵达犯罪现场的侦探。根据你的经验，你有一些初步的预感；也许你怀疑是内部作案。这是你的先验信念。然后，你发现了一条线索：窗下有一个不属于任何住户鞋子的脚印。这是你的数据。你将这条新证据与你的初步预感相结合，你的信念发生了变化。外部入侵者的可能性现在看起来大多了。你更新后的信念就是后验。这个简单、直观的根据证据更新信念的过程，正是贝叶斯推断的核心。
贝叶斯框架用三个关键要素优雅地形式化了这一过程。
首先，先验概率，记作 ，代表了我们在考虑新证据之前对一个假设的信念。这也许是贝叶斯主义中最易被误解的方面。先验并非毫无根据的猜测；它是对我们初始信息的明确陈述，无论这些信息是来自先前的实验、已建立的理论，还是基于原则的初始中立立场。其巨大的优点在于透明性：它迫使我们将我们的假设公之于众。
其次，似然，记作 ，是将我们的抽象假设与有形的数据世界联系起来的引擎。它回答了一个关键问题：“假设我的假设为真，我观察到这个特定数据的概率是多少？”似然并不告诉我们假设是否为真，但它量化了假设对我们所发现的数据的解释程度。
第三，后验概率，记作 ，是我们探究的目标。它代表了我们在考虑了证据之后对假设的更新信念。它是一种综合，是我们先验知识与数据所带来信息的一种平衡融合。
这三部分由著名的贝叶斯定理方程编织在一起：
通常，分母 ，即在所有可能假设下观察到该数据的总概率，是一个复杂的归一化常数。出于实用目的，我们常常可以使用更方便的比例形式：
简单来说：后验信念正比于似然乘以先验信念。
让我们通过一个实例来看看它的作用。想象一位计算生物学家正在评估基因组中一个潜在的转录因子结合位点（TFBS）。基于对该DNA序列基序的专业知识，她持有一个强烈的先验信念，认为该位点是功能性的，比如说概率为 。现在，她进行了五次独立的实验室测定。出人意料的是，所有五次测定结果都显示“非功能性”。这个测定方法并不完美：对于一个真正功能性的位点，它有 的概率错误地报告为“非功能性”，但对于一个非功能性的位点，它有 的概率正确地报告为“非功能性”。
她现在应该相信什么？她强烈的先验使她倾向于“功能性”，但数据却强烈指向“非功能性”。贝叶斯定理给出了答案。如果位点真的是功能性的，得到五个“非功能性”报告的似然是 。如果位点是非功能性的，得到相同数据的似然是 。尽管“非功能性”的先验概率非常小（），但其似然却大得多。计算完成后，该位点是功能性的后验概率从 暴跌至不足 。这是贝叶斯学习的一个绝佳展示：当证据强大且一致时，它能够也应该压倒我们即使是最珍视的初始信念。
这种更新关于特定假设的信念的过程，与另一个主流学派——频率派统计学——形成了鲜明对比。这种差异不仅仅是数学上的，更是哲学上的。
考虑一项大规模的全基因组关联研究（GWAS），科学家们测试数十万个遗传标记（SNP）是否与某种疾病相关。一位频率派统计学家会担心“多重比较问题”：如果你进行50万次检验，纯粹由于偶然，你很可能会得到一些“统计学上显著”但实际上只是侥幸的结果。他们的解决方案是调整显著性的标准，例如使用Bonferroni校正，使得任何单一检验都更难被宣布为显著。
一位贝叶斯主义者会觉得这种逻辑很奇怪。让我们回到我们的侦探类比。假设一位检察官对嫌疑人A提起诉讼，并提出了一份强有力的证据。陪审团对该证据的评估，是否应该取决于警方是否也调查了但选择不起诉另外100个人？当然不应该。关于嫌疑人A的证据就是关于嫌疑人A的证据。警方进行了其他调查这一事实，是关于警方程序的事实，而不是关于嫌疑人A是否有罪的事实。
贝叶斯的反对意见根植于一个深刻的原则：一个假设的证据完全包含在与该特定假设相关的数据和模型中。决定检验其他不相关的假设是关于研究者意图的事实，而不是关于自然状态的事实。从某种意义上说，Bonferroni校正因为一个假设与其他假设一起出现在研究者的笔记本中而惩罚了它。贝叶斯推断通过只关注手头假设的先验和似然，尊重了这种分离，并提供了一种不受科学家其他雄心影响的证据度量。
当我们从简单的二元假设转向构建复杂的世界模型时，贝叶斯推理才真正展现出其威力。在系统发育学中，科学家们重建进化的“生命之树”。在这里，我们可以比较三种主要的研究范式：
最大简约法 (Maximum Parsimony)： 一个非常简单的想法，类似于奥卡姆剃刀。它寻找能够以最少进化变化次数来解释所观察到的遗传数据的树。这是一个优雅的优化，但它本质上是一个计数练习，而不是一个关于进化过程的统计模型。
最大似然法 (Maximum Likelihood)： 这种方法是完全概率性的。它使用一个明确的随机模型来描述DNA如何随时间演化。对于任何给定的树形，它会找到一组参数（如分支长度）来最大化似然 。然后，它比较不同树形下的这些最大化似然值，以找到唯一的“最佳”树。这就像在广阔的山脉中寻找最高的山峰。
贝叶斯推断 (Bayesian Inference)： 这种方法也使用与最大似然法相同的进化概率模型。但它不是寻找唯一的最高峰，而是旨在绘制整个山脉的地图。通过将似然与所有模型组成部分（树拓扑、分支长度、替换率）的先验相结合，它计算出一个关于所有这些组成部分的后验分布。输出不是一个单一的答案，而是一个可信树的分布，按其后验概率加权。这给了我们一个自然而诚实的不确定性度量。是只有一个高耸的山峰，还是一个由许多貌似合理的树组成的高原？贝叶斯推断可以告诉我们。
这又把我们带回了许多争论的源头：先验。它们仅仅是主观性的任意注入吗？远非如此。在复杂的科学建模中，先验是编码知识和确保稳定性的不可或缺的工具。
考虑构建一个宿主体内病毒动力学的模型，该模型由一组微分方程描述，其参数包括病毒复制率和免疫清除率等。有些参数可能很难仅从可用数据中估计出来。这时，先验的艺术就派上用场了。
信息先验 (Informative Priors)： 假设数十年的生物物理实验已经让我们对病毒与细胞受体的结合亲和力有了很好的了解，这对应于模型参数 。忽视这些知识是不科学的。信息先验允许我们将这些外部信息直接构建到我们的模型中。这不仅使模型更具科学依据，还可以帮助解决数据中的模糊性。如果数据只能告诉我们两个参数的比率 ，为 提供一个强先验有助于我们解开并估计 。
弱信息先验 (Weakly Informative Priors)： 如果我们没有精确的外部知识怎么办？我们通常仍然知道一个参数——比如一个反应速率——必须是正的。我们也可能对其可能的数量级有一个大致的感觉。它不可能接近于零，也不可能比光速还快。弱信息先验起到一种“正则化”的作用，温和地引导推断远离参数空间中无意义的区域。这就像在路上设置护栏；它不决定路径，但能防止汽车开下悬崖，尤其是在数据稀疏、道路充满迷雾时。
贝叶斯框架最强大的特性之一是它能够自然地模拟我们在生物学中随处可见的嵌套结构。想象一下，你正在研究来自同一个生物体不同组织的单个细胞中的基因表达。
我们可以愚蠢地将所有细胞汇集在一起，忽略肝细胞与脑细胞不同的事实。这是完全汇集 (complete pooling)。或者，我们可以完全孤立地分析每种组织类型，忽略它们都共享一个共同的遗传和生物体背景的事实。这是无汇集 (no pooling)，对于我们只收集到少数细胞的组织，这样做会得到非常嘈杂的估计。
分层贝叶斯模型 (Hierarchical Bayesian Model) 提供了第三条、远为更明智的道路。它反映了生物学的现实。我们指定，一个组织内细胞的测量值来自一个由该组织特定参数支配的分布。但我们又增加了一个层次：每个组织的参数本身又来自一个更高级别的、生物体范围的分布。
这种结构产生了一个被称为部分汇集 (partial pooling) 或收缩 (shrinkage) 的显著特性。每个组织平均表达水平的最终估计值变成一个加权平均值，从两个来源借用信息：该组织的数据，以及所有组织的均值。样本量大的组织，其估计值几乎完全由其自身的数据决定——它“自力更生”。但只有少数数据点的组织，其估计值将被“收缩”到总体均值附近，从而有效地从其他组织“借力”。这不是一个临时的技巧；它是一个正确指定了世界层级结构的概率模型的涌现属性。
到目前为止，我们已经讨论了贝叶斯建模的优雅原则。但是，我们实际上如何为这些极其复杂的模型计算后验分布呢？贝叶斯定理分母中的积分通常是一个多维的怪物，无法解析求解。答案是，我们已经开发出了极其巧妙的方法，可以在不直接计算后验分布的情况下，对其进行采样。
现代贝叶斯计算的主力是马尔可夫链蒙特卡洛（MCMC）。其直觉是这样的：想象后验分布是一片广阔、无形的山脉。MCMC是一种让“随机漫步者”探索这片地貌的算法。漫步者提议向一个随机方向迈出一步。如果这一步是上坡的（走向后验概率更高的区域），它总是被接受。如果这一步是下坡的，它仍有可能以一定概率被接受。这个关键特性防止了漫步者被困在一个小小的局部山丘上。经过长时间的漫游后，漫步者访问过的地方的集合就形成了一幅忠实的地形图。在任何给定区域花费的时间比例与该区域的后验概率成正比。
当然，这个过程需要仔细调整。如果提议的步长太大，漫步者会不断提议跳下悬崖而被拒绝，导致接受率低，探索效率低下。如果步长太小，漫步者只是原地踏步，需要极长的时间才能探索整个山脉。诸如自适应MCMC、相关参数的块更新和Metropolis耦合MCMC（并行退火）等复杂技术，都是设计更聪明的漫步者的方法，使其能够有效地驾驭即使是最崎岖的后验地貌。
有时，我们的模型是如此复杂——基于密集的计算机模拟——以至于连似然函数本身都难以处理。对于这些情况，我们有一种更大胆的方法：近似贝叶斯计算（ABC）。其逻辑惊人地简单：
ABC是一种“无似然”方法，它完美地展示了贝叶斯统计核心的生成式建模哲学的力量和灵活性。
我们已经建立了一个复杂的模型，调整了我们的MCMC采样器，并获得了一个光荣的后验分布。但我们必须问最后一个至关重要的问题：如果我们的模型从根本上就是错的怎么办？从一个垃圾模型中得出的漂亮推断仍然是垃圾。
对于这个“拟合优度”的问题，贝叶斯的答案是后验预测检验（PPC）。其哲学再次简单而深刻：如果我们的模型是对现实的良好描述，它应该能够生成看起来像我们实际观察到的数据的数据。
具体程序是，从我们的后验分布中取出许多参数集，将它们插回模型中，并生成大量“复制的”数据集。然后，我们将这些模拟数据集的属性与我们的真实数据集进行比较。它们有相同的均值吗？相同的方差吗？相同的振荡次数吗？相同的值分布吗？
这个过程是一个强大的诊断工具，可以帮助区分两个截然不同的问题：
这突显了我们在处理不确定性时的一个最终的、微妙的区别。像经验贝叶斯（EB）这样的近似方法通过从数据中估计超参数，然后将它们视为固定的、已知量来获得计算速度。相比之下，完全贝叶斯方法承认我们对超参数也存在不确定性，并将这种不确定性传播到整个分析中。虽然EB在预测方面可能非常出色，但它系统地低估了我们真实的不确定性水平。完全贝叶斯方法通过对所有不确定性来源进行积分，提供了对我们所知——以及所不知——的更完整、更诚实的说明。
从更新信念的简单核心，到驾驭巨大模型空间并验证自身假设的复杂机制，贝叶斯推断为在一个充满不确定性的世界中进行科学推理提供了一个统一而强大的框架。它不仅仅是一个工具，更是一种思维方式。
既然我们已经熟悉了贝叶斯统计的原理和机制，我们就可以开始一次盛大的巡礼，看看它的实际应用。你可能会对其应用的广度感到惊讶。贝叶斯框架的美妙之处不仅在于其数学上的优雅，还在于它能够提供一种单一、统一的推理语言，贯穿于科学中最迥异的领域。从窥探遥远星系的核心到破译活细胞的逻辑，贝叶斯推断提供了一种有原则的方法，从数据中学习并量化我们的无知。在非常真实的意义上，它是科学发现的形式逻辑。
贝叶斯推理最直观的应用或许在于整合信息的艺术。想象你是一位天文学家，试图精确定位一个灾难性事件的位置，比如两颗中子星的合并。你有几个“信使”——引力波、来自千新星的光闪，或许还有一阵中微子爆发——每个都为你提供了一个模糊的距离估计。引力波探测器可能会说事件在约 百万秒差距之外，但不确定性很大。望远镜观测可能表明是 百万秒差距，不确定性较小。你如何将这些信息结合起来以获得最佳估计？
贝叶斯推断给了我们一个精确的方案。每次测量都提供一个似然函数，这是一条曲线，代表了在特定观测下不同距离的合理性。要从所有三个独立的信使中获得联合似然，我们只需将它们的似然函数相乘。在曲线重叠的地方，它们相互加强；在它们不一致的地方，它们相互抵消。结果是一个新的、更尖锐的似然分布，并因此得到一个关于真实距离的更精确的后验信念。这个过程自然地给予更精确的测量更大的权重，正如你的直觉所暗示的那样。这是从一群可靠性各异的专家小组中建立共识的数学形式化。
同样的证据整合原则也让化学家能够解决分子难题。假设合成了一种未知化合物，它可能是酰胺或酯。我们从多种光谱技术中收集线索。质谱仪可能暗示氮原子数量为奇数，这指向酰胺。红外光谱可能显示出一个更典型的酰胺羰基伸缩振动频率，以及一个特征性的 谱带。最后，一项先进的核磁共振实验可能揭示出一个 质子与羰基碳之间的直接相关性。
这些证据中的每一条，单独来看都是提示性的但非结论性的。总是有例外和混杂因素。化学家的大脑直观地权衡这些线索。贝叶斯推断做同样的事情，但更形式化。我们从基于化学库中酰胺和酯的普遍程度的先验几率开始。然后，对于每一条光谱数据，我们将几率乘以一个似然比——这个数字量化了如果化合物是酰胺而非酯，该数据出现的可能性要大多少。在乘以来自所有三个实验的似然比之后，我们得到后验几率。在许多现实案例中，一系列单独看很弱的线索可以结合起来产生压倒性的确定性，将一个模糊的怀疑转变为近乎确定的鉴定。
当我们想要了解那些我们永远无法直接观察到的事物时，贝叶斯思维的真正威力就显现出来了。科学中充满了这样的“潜在”或隐藏变量：神经元突触中活跃的释放位点的数量，动物毒液的抽象“复杂性”，或特定基因的适应性。贝叶斯推断使我们能够搭建一座从我们可以测量的世界到我们想要理解的隐藏世界之间的桥梁。
考虑突触，即一个神经元与另一个神经元交流的接点。当充满神经递质的囊泡被释放时，交流就发生了。我们无法看到这些微小的囊泡逐一释放，但我们可以测量下游神经元中产生的电流。核心的科学问题是：控制这种释放的机制是什么？有多少个潜在的释放位点（）？单个位点释放一个囊泡的概率（）是多少？突触的物理几何结构，比如钙通道和囊泡传感器之间的距离（），如何影响这个概率？
贝叶斯方法允许我们建立一个*生成模型*——一个从潜变量开始，关于数据如何产生的完整故事。这个故事可能是这样的：释放概率 是耦合距离 的函数。在给定试验中释放的囊泡数量服从由 和 决定的二项分布。我们测量的电流与释放的囊泡数量成正比，再加上一些测量噪声。通过将整个过程写成一个概率模型，我们就可以“反向运行”它。我们使用MCMC方法来探索可能的参数空间 ，寻找哪些组合在给定我们实际观察到的电流的情况下最为合理。实际上，我们是通过仔细倾听引擎发出的声音来推断其看不见的属性。
同样的逻辑也适用于宏大的进化问题。生物学家可能会谈论蛇毒系统的“复杂性”。这并非一个单一、可测量的量。它是一个潜在概念，通过多种方式表现出来：毒液中不同毒素家族的数量（蛋白质组学测量），毒腺中毒素基因的表达水平（转录组学测量），以及牙齿和腺体的物理形态。一个强大的贝叶斯模型可以将“复杂性”视为一个沿着系统发育树演化的潜变量。然后，它假定我们所有不同的测量——蛋白质计数、基因读数、腺体体积、牙齿结构——都是这个潜在性状的带噪声的指标。通过建立一个单一的分层模型，将潜在复杂性与所有这些数据类型联系起来，每种数据类型都有其适当的统计似然（例如，计数数据模型、二元数据模型、连续数据模型），我们就可以推断出每个物种的复杂性及其演化过程，将所有可用证据合成为一幅连贯的图景。
科学中一些最激动人心的前沿领域涉及将复杂的、由理论驱动的模型与海量数据集进行拟合。贝叶斯框架与现代计算能力相结合，使这成为可能。
思考一下进化的宏大画卷。新物种是如何产生的？种群分化后它们之间有多大程度的杂交？为了回答这些问题，科学家们使用像“带迁移的结构化溯祖模型”这样的模型。这个模型描述了数百万年来种群分化、维持特定规模和交换个体的整个历史。原始数据是来自现今种群个体的DNA序列。深层历史与现今DNA之间的联系是一系列基因谱系——基因组每个小片段的特定家谱。这些谱系是潜变量，其数量庞大得令人难以置信。一个完全的贝叶斯分析不仅仅是估计一个“最佳”历史；它使用MCMC在所有可能的历史和所有可能的基因谱系集合的联合空间中漫游，绘制出整个后验景观。这使我们能够做出这样的陈述：“从种群A到B的迁移率可能在0.001到0.005之间，而这个种群分裂发生在大约120万到150万年前”，并且所有的不确定性都得到了恰当的量化。
或者考虑胚胎发生的魔力，一个简单的细胞球转变成一个复杂的有机体。这通常是由形态发生素协调的，这些化学物质在组织中扩散并形成浓度梯度。一个主流理论是，这些梯度由反应-扩散方程控制——一组描述形态发生素如何产生、衰变和扩散的偏微分方程。我们可以用荧光标记来可视化这些形态发生素，并随时间拍摄显微镜图像。但图像是模糊的（由于显微镜的光学系统）和有噪声的（由于光子计数的物理原理）。我们如何从这些不完美的数据中推断出偏微分方程的基本参数——扩散系数 和反应速率？我们再次建立一个生成模型。我们从偏微分方程参数开始，求解方程得到一个潜在的浓度场，将该场与显微镜的点扩散函数进行卷积以模拟模糊，然后应用一个模拟相机传感器的统计噪声模型（如泊松-高斯分布）。这整个基于物理的流程成为一个宏大贝叶斯推断中的似然函数，使我们能够估计驱动模式形成的潜在物理参数。
科学不仅仅是拟合模型；它还关乎比较模型、批判模型，并诚实面对其局限性。贝叶斯框架内置了这种科学自律的机制。
一个经典的例子是贝叶斯奥卡姆剃刀。想象你是一位研究某个反应的化学生物学家，你有两个相互竞争的速率模型。一个是简单的模型（如Lindemann-Hinshelwood机理），另一个是更复杂的模型（如Troe模型），它有额外的参数来更灵活地描述过程。复杂的模型几乎总能更好地拟合数据，因为它有更多的旋钮可以调节。那么我们怎么可能偏爱更简单的那个呢？贝叶斯的答案在于*模型证据或边际似然。这个量是给定模型下数据的概率，是在所有可能的参数值上按其先验加权平均得到的。一个做出许多不*符合数据的预测的复杂模型会受到惩罚。它的灵活性变成了它的弱点；它把自己的预测能力摊得太薄了。证据会自动偏爱足以解释数据的最简单模型。它奖励简约，不是作为一种审美选择，而是作为概率逻辑的结果。
这个框架也鼓励我们成为优秀的科学侦探。如果两种强大的方法，如最大似然法和贝叶斯推断，对同一个数据集给出了强烈冲突的结果——比如，对同一种病毒给出了两个不同的进化树，该怎么办？一个天真的研究者可能只会选择“支持度”更高的那个。而一个贝叶斯实践者知道这是一个危险信号，表明某个基本假设被违反了。第一步是检查机器：贝叶斯分析中的MCMC链是否真的收敛到了一个稳定的后验分布？如果收敛了，那么冲突可能指向一个更深层次的模型设定错误问题。也许DNA替换模型过于简单，或者数据受到了替换饱和的困扰，即真正的进化信号被过多的突变所覆盖。调查这些可能性会导向一个更稳健、更诚实的科学结论。
对不确定性的诚实至关重要。在几乎所有现实世界的数据集中，都有些数据点是缺失的。一种常见但有严重缺陷的方法是为每个缺失值“插补”一个“最佳猜测”值，然后继续进行分析，就好像数据是完整的一样。这从根本上忽略了与插补相关的不确定性，并导致结论带有虚假的过度自信。相比之下，一个完全的贝叶斯处理方法不会固守于一个单一的插补值。相反，在MCMC过程中，它将缺失值视为待估计的参数，在每一步从它们的预测分布中抽取它们。通过对所有可能的缺失数据值进行积分，它确保了最终感兴趣的主要参数的不确定性正确地反映了我们的无知，从而产生更可靠、更诚实的误差棒。
最后，我们来到了贝叶斯思维最深刻的应用，它不仅被用来解释数据，还被用来解决那些根本上不适定的问题，甚至用来量化我们理论本身的不确定性。
在理论物理和化学的许多领域，我们运行的模拟在“虚”时间维度上提供信息。为了与真实世界的实验联系起来，我们需要将这些信息转换成实频谱。这种转换是一个被称为解析延拓的数学运算，它是一个臭名昭著的“不适定”反问题。虚时数据中微小的噪声可能会被放大成结果谱中巨大而不符合物理的振荡。直接求逆是不可能的。获得一个稳定、有意义的解的唯一方法是引入某种形式的正则化——也就是说，一些关于“合理”谱应该是什么样子的先验信息（例如，它应该是正的且相对平滑）。贝叶斯框架为此提供了理想的语言。像最大熵方法这样的方法可以被理解为一种贝叶斯推断，其先验被选择为偏爱与数据一致的最平滑、最不偏颇的谱。先验驯服了问题中否则会是无限的不稳定性。
也许最令人惊奇的应用是量化我们理论的不确定性。例如，在核物理学中，我们使用有效场论（EFT）来描述质子和中子之间的力。这个理论是一个展开式，就像泰勒级数一样，我们必须在某个有限阶上截断它。因此，我们的计算本质上是一个近似。误差并非来自测量，而是来自我们忽略的高阶项。这个“截断误差”有多大？我们可以用贝叶斯的方式来建模。我们可以基于物理论证，假设展开式的系数表现得像是从某个分布中随机抽取的。通过观察我们已经计算出的系数的大小，我们可以推断出我们尚未计算的系数的可能大小。这使我们能够为截断误差本身设定一个可信区间，从而为我们的最终预测加上一个“理论误差棒”。这是一个巨大的进步：一种形式化的、有原则的方法，用以诚实地面对我们自身理论的已知局限性。
从整合线索的日常任务到量化我们自身无知的深刻挑战，贝叶斯框架提供了一种非常通用和连贯的方法。它不仅仅是一种统计技术；它是一种科学的逻辑，一种学习的语言，以及一个在充满不确定性的世界中进行推理的指南。