---
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]]