2.5 KiB
2.5 KiB
title, created, updated, type, tags, sources
| title | created | updated | type | tags | sources | |||||
|---|---|---|---|---|---|---|---|---|---|---|
| Jordan 不确定性分类法（Uncertainty Taxonomy） | 2026-06-21 | 2026-06-21 | concept |
|
|
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/aleatoric-uncertainty 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） |