20260625:很多新内容

concepts/uncertainty-taxonomy.md

@@ -0,0 +1,57 @@
+---
+title: "Jordan 不确定性分类法（Uncertainty Taxonomy）"
+created: 2026-06-21
+updated: 2026-06-21
+type: concept
+tags:
+  - uncertainty
+  - michael-jordan
+  - economics
+  - statistics
+sources:
+  - Jordan, MLST 2026
+---
+
+# Jordan 不确定性分类法（Uncertainty Taxonomy）
+
+Michael I. Jordan 提出的不确定性三分框架，超越经典 [[epistemic-uncertainty|认知不确定性]]/[[aleatoric-uncertainty|偶然不确定性]] 二分，将**经济与社会维度**引入不确定性量化。
+
+## 三种不确定性
+
+### 1. 采样不确定性（Sampling Uncertainty）
+
+经典统计学的领地：观察到的数据是否足以支撑结论？但 Jordan 用**鸭子比喻**说明社会语境的变形：
+- 贝叶斯鸭子（纯最大期望效用）：每次都去食物更多的左边
+- 真实鸭子：2/3 去左边，1/3 去右边——这是种群尺度的纳什均衡
+- 启示：正确的不确定性处理需放在**种群的语境**里
+
+### 2. 信息不对称（Information Asymmetry）
+
+结构性不透明，永远不会消失。不是采样误差，而是**你永远无法完全知道对方知道什么**。经济学长期研究的领域：合同理论、激励相容设计——如何在信息永远不对称的情况下让系统运转。
+
+### 3. 数据时效性（Data Providence）
+
+经典统计学不处理：数据就是数据，不会自动因老旧而打折。Jordan 的主张：所有流动的数据都应携带**时间元数据**，并定量纳入不确定性计算。十年前医疗数据的置信度应自动降低。
+
+## LLM 的盲区
+
+「LLM 在这三件事上一件都不会做。它说自己很确定，是因为互联网上有人在回答相似问题时说『我很确定』，然后它学了那个语气。」LLM 不是在推断不确定性，而是在**模仿关于不确定性的语气**。
+
+## 大尺度不确定性消解
+
+市场通过激励机制让个体替系统做探索和利用，在系统层面消化不确定性——不需要最优实验设计，只需要正确的激励。「这才是真正大尺度的不确定性消解，不是误差棒。」
+
+## 与标准分类的关系
+
+| Jordan 分类 | 对应标准概念 | 新增维度 |
+|------------|------------|---------|
+| 采样不确定性 | aleatoric + epistemic | 种群语境（纳什均衡） |
+| 信息不对称 | — | 经济学维度（全新） |
+| 数据时效性 | — | 时间元数据（全新） |
+
+## 参考
+
+- [[uncertainty-quantification|不确定性量化]]
+- [[epistemic-uncertainty|认知不确定性]]
+- [[aleatoric-uncertainty|偶然不确定性]]
+- [[collectivist-ai|集体主义 AI]]